Markt Magazin

Bildquelle: istock.com/BernardaSv

Datenanalysen in Banken: KI hilft bei Kreditentscheidungen   

KINOTE: Herr Nahm, Banken verfügen über große Datenmengen. Daten allein bringen jedoch noch keinen geschäftlichen Mehrwert. Hierfür sind ausgereifte Analysen notwendig, etwa mithilfe Künstlicher Intelligenz (KI), Maschine Learning oder Smart Analytics. Wie funktionieren solche Datenanalysen?

Torsten Nahm: Daten bringen nur dann einen Mehrwert, wenn sie zur Verbesserung konkreter geschäftlicher Fragestellungen eingesetzt werden. So können z.B. über Nutzerdaten Produkte personalisiert werden oder Ineffizienzen in Prozessen aufgedeckt werden. Die Technologien sind dabei sehr vielschichtig, sodass jedes Projekt anders ist. Grundsätzlich kann man aber folgende Phasen unterscheiden.

Am Anfang steht zunächst die Frage, welche geschäftliche Herausforderung gelöst und welcher Mehrwert konkret erzeugt werden soll. Dann gilt es zu schauen, welche Daten vorhanden sind und wie diese zur Problemstellung passen. Wenn das geklärt ist, kommt es zur Aufbereitung der Daten, sodass diese von den KI- und Analytics-Algorithmen verarbeitet werden können.

Im Anschluss hieran erfolgt die Anwendung der KI-Verfahren, das Ausprobieren verschiedener Parameter und Ansätze. Dem schließt sich die Evaluierung an, die Messung des Erfolgs anhand der geschäftlichen Metriken. Am Ende steht die Produktivnahme, die Übernahme der entwickelten Modelle und Produkte in den Live-Betrieb. Diese Schritte werden oft agil und iterativ in mehreren Zyklen durchlaufen.

KINOTE: KI-basierte Datenanalysen dienen etwa bei der Kreditvergabe als Entscheidungsgrundlage. Welche Daten werden hier verarbeitet, was kann das Ergebnis so einer Analyse sein und wie kann sie dem Bankberater bei seiner Entscheidung helfen?

Nahm: Heutzutage werden Kreditentscheidungen in vielen Fällen vollautomatisch getroffen, und in fast allen anderen Fällen unterstützt eine KI zumindest die Entscheidung. Der Vorteil einer KI ist dabei, dass sie sehr viele unterschiedliche Daten, etwa Kontoführungsverhalten, Verschuldungsgrad, demographische Merkmale, Bilanzen, externe Auskunfteien etc., in ein Modell integrieren kann.

Zudem ist das System auf vielen historischen Fällen kalibriert und arbeitet konsistent und oft sehr genau. Sofern die Kreditvergabe nicht sogar vollautomatisch erfolgt, wird die KI zumindest eine Einschätzung der Bonität liefern, die der Bankberater dann in seine finale Entscheidung einbezieht.

KINOTE: Wie helfen derartige Datenanalysen bei Kapitalmarktanlagen?

Nahm: Der Handlungsspielraum für den Einsatz von KI-Analysen bei Kapitalmarktanlagen wird bei einem Online-Broker dadurch begrenzt, dass die Kunden ihre Anlageentscheidungen selbst treffen und z.B. KI-gestützte Empfehlungen zur Portfolio-Optimierung regulatorisch als Anlageberatung einzustufen wären. D.h. für Portfoliomager, Produktemittenten und in der Beratung ergeben sich aktuell vielseitigere Einsatzmöglichkeiten.    

Dennoch werden aktuelle technologischen Entwicklungen aufmerksam beobachtet und deren Anwendbarkeit auf das Geschäftsmodell laufend geprüft. Daraus ergeben sich interne und externe Anwendungsmöglichkeiten, deren Potenzial und Umsetzung im Einzelfall begutachtet werden. Intern liegt das Hauptaugenmerk derzeit hauptsächlich auf der Effizienzsteigerung bestehender Prozesse. Ein Beispiel hierfür wäre eine automatische Auswertung der Kapitalmarktaktivitäten der Kundschaft, um mögliche Compliance-seitige Unregelmäßigkeiten zu erkennen.

Extern liegt der Fokus auf KI-Anwendungen, die das Kundenerlebnis kontinuierlich verbessern. Hier ist aktuell der branchenübergreifende Trend zur Personalisierung jeglicher Schnittstellen zur Kundschaft zu beobachten – wobei weitergehende Möglichkeiten wie die KI-gestützte Sentiment-Analyse von nicht-traditionellen Kapitalmarktdaten nicht unbeobachtet bleiben. Allerdings befindet sich die Branche bei den genannten Anwendungsmöglichkeiten noch weitgehend in der Analysephase, und Implementierungen werden nur dann erfolgen, wenn ein nachhaltiger Mehrwert für das Geschäft und die Kunden erzielt werden kann.

KINOTE: Und wie sieht es mit der KI-basierten Datenanalysen im Bereich Zahlungsverkehr aus? Was ist hier der Mehrwert?

Nahm: Unser Ziel ist es, die DKB und ihre Kunden neben einem effizienten Zahlungsverkehr und dem damit verbundenen Service auch bestmöglich vor Betrug zu schützen. Hierbei setzen wir auf den Einsatz z.B. KI-gestützter Erkennung betrügerischer Vorgänge in Realtime. Neueste Methoden des Maschine Learnings helfen uns dabei, eine hohe Trefferquote zu erzielen und den Bearbeitungsaufwand zu minimieren.

KINOTE: Wo sehen Sie künftig für Banken den größten Mehrwert bei der Anwendung solcher Datenanalysen?

Nahm: Die Anwendungsmöglichkeiten von Data Science und Künstlicher Intelligenz sind sehr breit, sodass beinahe jeder Prozess und jedes Produkt in der Bank von ihrem Einsatz profitieren. Besonders gut funktionieren sie dort, wo bereits viele und vielfältige Daten vorhanden sind. Das ist oft im Retail-Bereich der Fall. Aber fast jede Tätigkeit in der Bank wird Stück für Stück durch KI smarter und besser werden – so wie das heute schon durch die Digitalisierung der Fall ist.

Herr Nahm, vielen Dank für das Gespräch.

Die Fragen stellte Dogan Michael Ulusoy.

Interviewpartner



 

Torsten Nahm, Head of Data Science bei der Deutschen Kreditbank (DKB).

Im Podcast gibt Torsten Nahm einen Einblick in das Thema Data Science in der Cloud.

Melden Sie sich bei Interesse zu unserer Fachtagung Data Science und Machine Learning in Kreditinstituten an.

Stichworte

Verwandte Artikel

Anzeige

Lexikoneinträge