Aufrufe
vor 8 Monaten

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.

64 01 | 2021 03 |

64 01 | 2021 03 | Anwendungsgebiete und Vorteile des SMARAGD MDS Clustering Moduls 01 02 03 04 Qualitätskontrolle Verhaltensbasierte Segmentierung der Kunden Verwendung der Clustering- Information im Regelwerk Alertmanagement Erhöhung der Trefferqualität Schnellere Alertbearbeitung Anreichung der Kundeninformation Quelle: targens GmbH. Clustering nach einem bestimmten Zeitraum, um aktuelle Marktentwicklungen und Kundenveränderungen abbilden zu können. Das Resultat der Implementierung konnte die Verantwortlichen der Bank durchweg überzeugen. Heute profitiert das Finanzinstitut nicht nur von stark reduzierten False Positives. Auch der Aufwand und die Kosten für die Bearbeitung der Alerts ließen sich signifikant senken. In Zahlen bedeutet das: zwei Drittel weniger Alert­Aufkommen und eine wesentlich höhere Trefferquote bei verdächtigen Transaktionen. Big Data macht΄s möglich KI­Lösungen drängen sich vor allem für repetitive Tasks geradezu auf. Eine genauere, verhaltensbasierte Klassifizierung von Kunden führt zu einer Senkung der False Positves, damit zu weniger Aufwand für den Menschen und zu einer Erhöhung der Trefferqualität. Möglich wird das alles durch die Einbindung von Big Data in Verbindung mit entsprechenden KI­ Lösungen. Sie verwenden existierende historische Daten aus vergangenen Jahren zur Analyse. Damit ist eine automatisierte Vorauswahl möglich, bevor komplexe, zweifelhafte oder nach wie vor verdächtige Transaktionen zur finalen Überprüfung an Compliance­Verantwortliche übergeben werden. Das Ergebnis ist immer dasselbe: Die Effizienz steigt, die Kosten sinken drastisch, Compliance­Mitarbeiter können sich auf die wirklich schwierigen Themen konzentrieren – und der Fachkräftemangel verliert seinen Schrecken. Aber auch in Sachen Effektivität machen KI­Technologien wie ML und Deep Learning mittlerweile Schule in der Finanzindustrie, weil sich nicht nur die Daten­, sondern auch die Prozessqualität erhöht. Das wiederum führt zu wesentlich besseren Entscheidungen für die Bankensteuerung – etwa in Verbindung mit Score­Rating­Modellen und der Beurteilung von Kreditvergaben. Durch die maschinelle Unterstützung lassen sich wesentlich genauere Entscheidungen darüber treffen, ob Kreditanträge von Kunden akzeptiert oder abge­

01 | 2021 65 lehnt werden sollten, weil die Risikobewertung auf genaueren Datenbeständen beruht und historische Erfahrungswerte in die Kalkulation mit einfließen. Gleiches gilt für das Thema Liquiditätspuffer – ein für das Finanzwesen schon fast ebenso lästiges wie geschäftskritisches Thema: Hohe Geldsummen, die abhängig von bilanziellen Prognosen vorgehalten werden müssen, sind nicht nur teuer, sondern auch äußerst schwer berechenbar. Hier beeinflussen vor allem externe und unvorhersehbare Marktereignisse sowie politische Entwicklungen die Höhe der Geldreserven von Banken und Sparkassen. Aber auch Währungsschwankungen und sogar geografische und demografische Faktoren erschweren es Finanzanalysten ohne KI­Unterstützung, den passenden Liquiditätspuffer zu berechnen und anzupassen. Anders als es mit statischen und statistischen Erfahrungswerten und manuellen Berechnungen möglich ist, kann KI den finanziellen Minimalpuffer jederzeit, bedarfsorientiert und wesentlich genauer justieren. Dazu wertet die Technologie sämtliche zur Verfügung stehenden strukturierten Daten aus, um Modelle kontinuierlich zu trainieren. Anders ausgedrückt: Banken müssen sich nicht mehr strikt auf Expertenwissen verlassen, sondern setzen zusätzlich auf belastbare Zahlen aus der Vergangenheit, die von Algorithmen und zur Modellierung des Liquiditätspuffers verwendet werden können. Schon minimale Veränderungen durch eine systemgestützte Liquiditätsprognose wirken sich dann schnell in zweistelligen Millioneneinsparungen aus. Conversational AI: Spracherkennung Dass sich KI nicht mehr nur für das Kerngeschäft von Banken eignet, zeigen indes Implementierungen innovativer Spracherkennungstechnologien zugunsten einer besseren Bindung existierender Kunden und des Neukundengeschäfts. Ebenso wie in anderen Branchen sind Finanzinstitute mehr denn je gefordert, bestehende Klientel mit hochwertigeren Services zufriedenzustellen. Gleichzeitig besteht die Herausforderung, das Interesse neuer, vornehmlich junger und Internetaffiner Kundengruppen zu wecken. Dafür kommen unter anderem digitale KI­Assistenten in Form von Natural Language Processing (NLP), Automatic Speech Recognition (ASR)

die bank

© die bank 2014-2020