26 01 | 2022
26 01 | 2022 Finanzinstitute KI-basierte Optimierung von Portfolio- und Geschäftsstrategien Wenn man von Optimierung spricht, ist damit meist gemeint, etwas zu verbessern. In diesem Beitrag beschreibt Optimierung jedoch einen mathematischen Prozess. Es geht darum, die idealen Maßnahmen zur Maximierung (oder Minimierung) von Kennzahlen unter bestimmten Bedingungen zu ermitteln. Diese Art der Optimierung ist ein Gebiet des sogenannten Operations Research, das Künstliche Intelligenz (KI), präskriptive Analytik und andere Technologien nutzt.
01 | 2022 27 Was hier konkret diskutiert wird, ist der Einsatz von Optimierungstechnologie, um beste Preis- und Kreditvergabestrategien für Finanzinstitute zu entwickeln. Optimierung ist in diesem Zusammenhang ein wissenschaftlicher, systematischer Ansatz, um Entscheidungen zu treffen, die rentabler und besser auf die Ziele sowie mögliche Einschränkungen abgestimmt sind. Dieser Ansatz dürfte sich im Bankwesen schon bald verstärkt durchsetzen. Ein gutes Beispiel ist die Einführung von Optimierung bei Home Credit zur Limit-Berechnung und Preisgestaltung bei der Kreditvergabe. Innerhalb vorgegebener Einschränkungen sollten der Profit maximiert und die Komplexität der Parameter reduziert werden. In nur acht Monaten wurde das Projekt abgeschlossen. Die Arbeit in der fünf-monatigen Phase der Modellerstellung konnte dabei vor allem von einem eigenen Scoring-Team übernommen werden. Mit dem neuen Optimierungsmodell waren die Projektverantwortlichen dazu in der Lage, unprofitable Bereiche im Portfolio zu identifizieren, die bisher aufgrund von zu wenig Granularität nicht entdeckt worden waren. Auch die Preiskalkulation ließ sich nun sehr viel individueller gestalten. Die Szenario-Analyse machte es möglich, Trade-Offs (beispielsweise zwischen Volumen und Zinsen) besser zu verstehen. Aber wie sieht diese Form der Optimierung nun im Detail aus, und was bringt sie? KI macht den Unterschied Decision Impact Modelling und mathematische Optimierung sind die Mittel der Wahl, um Portfolio-Managern ihre Arbeit zu erleichtern. Sie geben Antworten auf Fragen wie beispielsweise: Wenn man den Nettozinsertrag maximieren möchte, welchen Einfluss hat das auf das Neugeschäftsvolumen? So lassen sich verschiedene Szenarien analysieren, projizierte Portfolioergebnisse darstellen und Entscheidungsstrategien erstellen, die direkt operativ umgesetzt werden können. Anstatt das Portfolio zu segmentieren und jedem Mikrosegment eine Aktion zuzuweisen wie im klassischen Portfoliomanagement, werden innerhalb der KI-basierten Entscheidungsoptimierung alle möglichen Aktionen betrachtet, die für jeden Kunden ergriffen werden können. Dabei werden dieselben Daten genutzt wie beim traditionellen Ansatz, jedoch auch sogenannte Action-Effect-Modelle. So lassen sich sehr viele mögliche Entscheidungen zeitnah testen, berechnen und im Rahmen der definierten Restriktionen die Erreichung der Portfolioziele projizieren. Ein Erfolgsfaktor für die Entscheidungsoptimierung ist, dass man zur Implementierung keine großen IT-Projekte braucht. Anwender führen Simulationen durch und entwickeln so ihre Strategie. Diese kann dann Basis für die genutzte Decision Engine werden. So lassen sich in kürzester Zeit schon hervorragende Ergebnisse erzielen. Ein gutes Beispiel hierfür ist Česká spořitelna aus der Erste Group. Das Optimierungsprojekt wurde hier einschließlich aller Modellierungen vom hauseigenen Retail-Credit-Risk-Analytics-Team der Bank durchgeführt. Dazu waren keine zusätzlichen IT-Ressourcen erforderlich. Mit nur minimalem Coaching konnte das Team schnell und unkompliziert seine eigenen Modellierungen durchführen. Legacy-Strukturen abschaffen Außerdem ist Optimierung das Mittel der Wahl, um eine klare Strategie festzulegen – also die Ziele und Einschränkungen, die über den Erfolg entscheiden. Nutzer befreien sich auf die-
