Markt Magazin

Who is Danny / Adobe Stock

Finanzinstitute: KI-basierte Optimierung von Portfolio- und Geschäftsstrategien  

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 diese Weise von vielen über Jahre hinweg gewachsenen, oftmals einander überschneidenden Regeln – den Legacy-Strukturen. Denn Mitarbeiter implementieren Regeln und Entscheidungswege und verlassen später das Unternehmen. Auf sie folgen neue Mitarbeiter, die ebenfalls neue Regeln implementieren – und am Ende versucht jeder, dieses Geflecht zu verfeinern, ohne die Gesamtstruktur zu verstehen.

In der Entscheidungsoptimierung wird hingegen nur eine Struktur implementiert, in der die Richtlinien und – im Fall der Preisgestaltung – die vollständige Preisstruktur enthalten sind. So kann das Geschäft besser gemanagt werden. Sind Änderungen erforderlich, geht man in den Optimizer, fügt Änderungen ein und implementiert den neuen Entscheidungsbaum – ohne überlappende Bereiche, die Probleme bereiten könnten.

Paradigmenwechsel – mehr Fakten, weniger Bauchgefühl
Die Optimierung stützt sich, wie bereits erwähnt, auf Daten – nicht auf ein Bauchgefühl. Das ist in der Praxis erst einmal eine Veränderung für Mitarbeiter und Manager. Denn während Chief Risk Officer ohne Optimierungsmodell darauf vertrauen müssen, dass die Annahmen ihrer Mitarbeiter richtig sind, können sie mithilfe der KI-basierten Optimierung Unsicherheiten verhindern.

Das macht die Erfahrung der Mitarbeiter aber nicht weniger wichtig. Denn die Modellierung gibt zwar die Antwort auf die Frage, was bei bestimmten Änderungen passiert – aber welche Ziele verfolgt werden sollen, bleibt am Ende den Menschen überlassen. Hier können sich alle Beteiligten noch besser auf die wichtigen Fragen konzentrieren und mithilfe der Entscheidungsoptimierung gemeinsam die beste Strategie festlegen.

Ein Beispiel aus der Praxis: Ein Sales-Team einer Bank möchte mehr Kredite verkaufen und dafür den Zinssatz senken. Mit Optimierung lassen sich die Auswirkungen leicht vorhersagen. Nun ergibt die Modellierung beispielsweise, dass dieser Weg 10 Prozent Umsatzeinbußen nach sich zieht. Dann muss das Management entscheiden, ob das höhere Verkaufsvolumen diese Einbußen wirklich wert ist.

Ungeachtet dessen, wofür sich das Team entscheidet: Alle können sicher sein, dass die Entscheidung einer stringenten Logik folgt und auf Daten und Fakten basiert. Weder die Risikoabteilung noch das Sales-Team müssen die Entscheider von Annahmen überzeugen. Aus einem Gegeneinander kann so ein Miteinander werden, um gemeinsam eine Strategie zu finden, hinter der alle Beteiligten stehen.

Der Business Case für Optimierung
Eine der häufigsten Fragen zum Thema Optimierung ist, wie man Entscheider davon überzeugt, sie zu nutzen. Hier wiederholen sich Ereignisse aus der Vergangenheit. Denn die Einführung neuer Analytik-Methoden wirft bei Mitarbeitern, die mit der Technologie nicht vertraut sind, immer Fragen auf. Als beispielsweise Credit Risk Scorecards eingeführt wurden, war die Akzeptanz teilweise zunächst noch sehr verhalten.

Heute werden diese Scorecards in der gesamten Bankenwelt genutzt. Die Optimierung ist die Weiterentwicklung der Analytik für Kreditvergabe-Entscheidungen, und wir sehen wieder ein Zögern. Doch die Dynamik nimmt zu – und es ist davon auszugehen, dass auch die Optimierung mit der Zeit zu einer Standardtechnologie im Kreditwesen werden wird, so wie es früher die Scorecard wurde.

Wie in vielen Bereichen sind Entscheider am einfachsten von einem Ansatz zu überzeugen, wenn es sogenannte Proof-Points gibt. Der Vorteil besteht hier darin, dass Optimierung nicht ein bestimmtes Maßnahmenset oder ähnliches ist, sondern eben ein ganzheitlicher Ansatz. Optimierung lässt sich erst in einem kleinen Bereich ausprobieren und bei Erfolg leicht ausweiten.

Fazit
Die Erfahrung mit KI-basierter Entscheidungsoptimierung zeigt: Wer sie einführt, kann nur gewinnen. Eine Steigerung des Portfoliogewinns um 26 Prozent und ein Anstieg der Neuabschlüsse bei Krediten um 29 Prozent – das sind keine praxisfernen, ambitionierten Ziele, sondern bereits konkret erreichte Erfolge. Wer sein Unternehmen auf das nächste Level bringen möchte, sollte der KI-basierten Optimierung eine Chance geben. Wird der Ansatz durchdacht umgesetzt, bleiben die Erfolge in der Regel nicht aus.

Autor



Petr Kapoun ist Risk Management Advisor der Erste Group und früherer Chief Risk Officer bei Home Credit.

+++

Was versteht man unter „Data Science“ und wie ist dies in den Themenkomplex KI einzuordnen? Wozu benötigt eine Bank überhaupt einen Data Scientist und mit welchen Daten und Tools wird hier gearbeitet? Diese und weitere Fragen stellen wir Torsten Nahm, der das Kompetenzzentrum für Data Science bei der DKB leitet. Hören Sie weitere Episoden aus der Reihe „durch die bank“.

Melden Sie sich bei Interesse zu unserem Web-Seminar „KI-gestützte Prognosemodelle zur Ermittlung von Kreditausfallwahrscheinlichkeit in Kreditinstituten“ an.

Stichworte

Verwandte Artikel

Anzeige

Lexikoneinträge