KINOTE 01.2021

62 01 | 2021 01 |

62 01 | 2021 01 | Clusterzuordnung der Kunden Clustering Kunden der Bank mit unterschiedlichem Transaktionsverhalten Zuteilung der Kunden zu vier Clustern = Niedrige Transaktionsaktivität = Mittlere Transaktionsaktivität = Hohe Transaktionsaktivität = Sehr hohe Transaktionsaktivität Quelle: targens GmbH. gagieren zu müssen, die verschiedenen und teils komplexen System­Alerts korrekt beurteilen zu können. Das noch größere Problem: False Positives. Die meisten dieser verdächtigen Transaktionen stellen sich bei genauerer Untersuchung nämlich als Fehlalarme heraus. Nicht weniger als 98 Prozent dieser Meldungen zählen typischerweise zu dieser Alert­Gruppe. Erschwerend hinzu kommt, dass die Meldungen über vermeintlich verdächtige Transaktionen kontinuierlich anwachsen, weil nicht nur die Sanktionskontrollen selbst zunehmen. Auch die Komplexität der staatlich verordneten Vorschriften steigt. Von effizienten Geschäftsprozessen kann heute schon keine Rede mehr sein. KI­basierte Lösungen unterstützen Finanzinstitute dabei, den Herausforderungen gerecht zu werden. Exploratory Analytics: Clustering macht Monitoring effizient Wie sich KI­Technologien ganz konkret zur Reduzierung von False Positives einsetzen lassen, zeigt sich am Beispiel des Clusterings in einem konkreten Anwendungsfall. Die Implementierung in einer großen internationalen Bank zeigte die ganzen Vorteile des Verfahrens: Die ML­Methode wird dort seit Ende 2020 dazu verwendet, Kunden anhand ihres tatsächlichen Zahlungsverhaltens automatisch in dynamische Gruppen einzuteilen. Anders als bei der statischen Vorgehensweise, bei der Kunden feste Kundenmerkmale zugeordnet werden müssen, hat die Segmentierung per Clustering den Vorteil für das Finanzinstitut, dass sich Schwellenwerte des Indiz­ und Szenarien­ Modells genauer und abhängig vom Kundenverhalten definieren lassen. » 1 Denn: Beim statischen Verfahren wird je Kundengruppe und Indiz ein Schwellenwert festgelegt. Überschreitet der Kunde diesen Schwellenwert, gilt er als auffällig und muss vom Compliance­Mitarbeiter überprüft werden. Folglich werden viele Kunden bei dieser Vorgehensweise auffällig, obwohl ihr Zahlungsverhalten gar nicht verdächtig ist. Clustering­Verfahren ermöglichen es nach der Erstellung eines KI­Modells hingegen, Kunden auf Basis ihrer Transaktionen bestimmten Kundengruppen zuzuordnen. Beim Einsatz in der internationalen Bank werden damit beispielsweise nicht mehr alle Kunden mit Berufsbezeichnung Manager in einen Topf geworfen, sondern über niedrige, mittlere oder hohe Aktivität bestimmten Gruppen zugeordnet. » 2 Die Idee dabei ist, dass sich Kunden innerhalb eines Clusters in

01 | 2021 63 02 | Clustering als Erweiterung/Ersatz der statischen Kundengruppen Privatkunden Studenten Manager Niedrige Aktivität Mittlere Aktivität Hohe Aktivität Niedrige Aktivität Mittlere Aktivität Hohe Aktivität ALL Sehr niedrige Aktivität Niedrige Aktivität Mittlere Aktivität Hohe Aktivität Sehr hohe Aktivität Quelle: targens GmbH. Bezug auf ihr Transaktionsverhalten ähnlich verhalten. Für eine granulare Zuordnung sorgt schließlich die Möglichkeit, die Zahl der Gruppen und Transaktionsvariablen spezifisch festlegen zu können. Anders als in statischen Kundengruppen, in denen also die Berufe Manager sowie Vorstände und Filialleiter gleichbehandelt werden, spielt im Clustering das Einkommen und damit verbunden auch das Zahlungsverhalten der Einzelpersonen eine wichtigere Rolle. Um ein noch besseres Trefferbild zu erzielen, wird die statische Kundensegmentierung durch ein Clustering zusätzlich mit einer verhaltensbasierten Einteilung ergänzt. » 3 Einflussgrößen können etwa Anzahl und Höhe von Bar­ oder Auslandstransaktionen sowie das Transaktionsvolumen insgesamt sein. Eine verhaltensbasierte Einteilung der Kunden ermöglicht es auch, auffällige Verhaltensänderungen wesentlich früher festzustellen als in der Vergangenheit. Datenqualität beeinflusst Ergebnisse Vor dem eigentlichen Clustering erfolgt für jede Gruppe eine sogenannte Ausreißer­Analyse. In der Praxis werden auf diese Weise Beobachtungen, die sehr weit von den übrigen Datenpunkten entfernt liegen, also sogenannte Ausreißer identifiziert. So ist der Compliance­Verantwortliche des Finanz instituts in der Lage, die Qualität der Informationen regelmäßig zu überprüfen. Wert gelegt wurde bei der Implementierung darauf, dass sich das Clustering­Modul flexibel an die individuellen Anforderungen anpassen lässt und die Bank frühzeitig auf Veränderungen reagieren kann. Dazu gehören die Summe der Cluster, die Eingabeparameter und deren Anzahl sowie die Ausreißer­Analyse. Hinzu kommt ein automatisiertes Nachtrainieren des Clustering­Modells, die Zuordnung von neuen Kunden zu bestehenden Clustern, aber auch das erneute