Aufrufe
vor 2 Jahren

KINOTE 01.2021

  • Text
  • Digitale
  • Algorithmen
  • Modelle
  • Einsatz
  • Entwicklung
  • Beispielsweise
  • Informationen
  • Intelligenz
  • Unternehmen
  • Banken
Um einen Wandel der Finanzbranche erfolgreich zu meistern, müssen Kreditinstitute sowohl Chancen als auch Herausforderungen der Künstlichen Intelligenz (KI) erkennen. Unter der neuen Marke KINOTE der Bank-Verlag GmbH finden Sie Meldungen, Studien und Fachartikel zum Themenkomplex KI. Wir beantworten Ihre Fragen rund um KI. Wir berichten über Trends, neue Technologien, Forschungsergebnisse und daraus entstehende Möglichkeiten, die KI Ihrem Unternehmen bietet.

30 01 | 2021 arbeiten

30 01 | 2021 arbeiten herkömmliche analoge Scoring­Methoden in einer zukünftigen Welt, in der Homeoffice und Impfen, Abstandswahrung und Hygiene unser Verhalten lenken? Machine­Learning­Algorithmen bleiben aufgrund ihrer Anpassungsfähigkeit jedoch flexibel und optimieren sich stetig selbst. Blitzschnell passen sie sich an neue Gegebenheiten an und erlangen fortlaufend neue Erkenntnisse über valide Parameter zur Kreditwürdigkeit von Unternehmen. So erreichten ML­Algorithmen auch während der Corona­Krise einen Gini­ Koeffizienten von 70. DIY oder FinTech-Partnerschaft? Wollen Banken ihre Kreditentscheidungen beschleunigen, digitalisieren und automatisieren, stehen sie alsbald vor einer wichtigen Frage: „Make or Buy”? Also digitale Lösungen inhouse, im eigenen Unternehmen, entwickeln oder aber extern akquirieren – etwa durch den gezielten Zukauf von FinTechs oder durch Partnerschaften. Und hier kommen die Kooperationen von Banken und Fin­ Techs wieder ins Spiel. Ein valider, präziser und fortschrittlicher Scoring­Algorithmus kostet Zeit und Geld. Schnell fällt für Banken hier ein hoher siebenstelliger Betrag an. Dieser fließt zum einen in die technische Entwicklung der Software; zum anderen muss der ML­Algorithmus selber lernen. Das Programm ist nur so gut, wie der Erfahrungsschatz, auf den es zurückgreifen konnte – also die Entscheidungen, die es selber treffen durfte. Und das bedeutet, die Software muss Fehler machen, sprich Geld verbrennen. Nur dann kann sie die richtigen Schlüsse ziehen und die Entscheidungsfindung präzisieren. Je mehr Prognosen der Algorithmus treffen konnte, desto präziser arbeitet er. Natürlich verfügen große Banken über das notwendige Kapital, um diese Entwicklung anzustoßen und zu beeinflussen. Das gilt allerdings weniger für den Faktor Zeit. Selbst große Häuser mit einem entsprechenden Volumen an Kreditanträgen brauchen knapp anderthalb Jahre, um die notwendige Masse an Fällen und Daten zu aggregieren, sodass der Algorithmus präzise arbeiten kann; kleinere Banken brauchen schnell drei bis vier Jahre. Hier geht es also um Zeit, die Banken momentan nicht haben. Schließlich müssen sie jetzt gerade einer enormen Anfrage nach Krediten gerecht werden. Bei der Suche nach neuen Technologien, um die Wertschöpfungskette für die Kreditvergabe zu digitalisieren, scheint „Buy” auf einmal die bessere Option. Algorithmen helfen Banken, neue Zielgruppen zu erschließen Machine­Learning­Algorithmen zur Risikoüberprüfung bestehen bereits am Markt. Die Entwicklungsschritte, die Banken jetzt anstoßen müssten, um in einigen Jahren die Bonitätsprüfung automatisieren zu können, haben diese technischen Lösungen bereits durchlaufen. Verfügbar sind sie in vielen Fällen als White­Label­Lösung. Was sich hinter dem Anglizismus verbirgt: Banken können die Technologie eines Drittanbieters einfach in das eigene Backend, das eigene Angebot integrieren. Und das unter neutraler Flagge im unternehmenseigenen Branding. Der Kunde füllt für den Kreditantrag die Eingabemaske auf der Website seiner Bank aus. Diese Informationen gelangen dann per API, also per Schnittstelle, an den Algorithmus. Jener arbeitet, für die Kunden unsichtbar, im Hintergrund. Auf Basis der Informationen der Antragsteller, der Bank und von Drittquellen erstellt der Algorithmus dann eine Prognose zur Kreditwürdigkeit der potenziellen Kreditnehmer und spielt den Ball an die Bank zurück. Der Aufwand für diesen technischen Prozess ist gering. Die Bank braucht lediglich Techniker, die die Schnittstelle zum Algorithmus anlegen und freischalten. Der Algorithmus lässt sich – je nach Präferenz der Bank – auch individualisieren. Das heißt, er passt die Risikofreudigkeit in der Annahme oder Absage von Krediten den Wünschen der Bank an. So kann er auch Kunden mit schlechterer Bonität einen Kredit gewähren, wenn die Bank dieses Risiko tragen möchte – oder er hängt die Latte für einen Kredit entsprechend hoch. Und für die Zeit nach Corona gilt: Mithilfe der digitalisierten Bonitätsprüfung erschließen Banken gänzlich neue Zielgruppen. Lange Jahre mieden viele das Geschäft mit kurzfristigen, kleinen Überbrückungskrediten für Liquiditätsengpässe von Klein(st­)unternehmen. Die Bonitätsprüfung war aufwendig, die Präzision niedrig, das Ausfallrisiko hoch, die potenziellen Einnahmen nicht sonderlich lukrativ. Kurzum: Viel Aufwand, wenig Ertrag. Autoren Jan Enno Einfeld (CEO, Foto links) und Ingmar Stupp (Cofounder und CPO, Foto rechts) von Finiata.

01 | 2021 31 Fazit Durch die automatisierte Bonitätsprüfung werden kurzfristige Kleinstkredite profitabel und damit verfügbar. Viele KMU, die lange von den Banken abgelehnt wurden, werden zu potenziellen neuen Kunden. Die digitale Kreditvergabe ist kein notgedrungener Schritt, den Banken in der Corona-Krise tätigen sollten, um dem Bedarf gerecht zu werden – sondern auch ein Wachstumstreiber in der Zeit danach.

die bank