Markt Magazin

Alexander Limbach / Adobe Stock

Große Datenbasis: Banken sind prädestiniert für die Nutzung von KI  

Die Frage, wie sich KI im Alltag nutzen lässt, stand auch bei der Fachtagung „Data Science und Machine Learning in Kreditinstituten“ im Fokus. Der Bank-Verlag hatte das Format unlängst als Online-Veranstaltung angeboten und damit viel Interesse in der Community erzielt. Gleich drei konkrete Use Cases wurden im Rahmen dieser Tagung am Nachmittag vorgestellt, und Moderatorin Ute Kolck konnte dazu Vertreter der ING-DiBa, von BNP Paribas sowie von der Schufa Holding begrüßen.

Beispiel KI-gestütztes Direktmarketing
Bei der ING wird setzt man beispielsweise auf ein KI-gestütztes Direktmarketing. Als reine Digitalbank ist das Unternehmen darauf angewiesen, auf smarte Art mit seinen Kunden zu kommunizieren. Personalisierte Botschaften innerhalb der Banking-App und des Internet-Bankings sind dabei die bevorzugten Kanäle, aber auch E-Mails mit passenden Produkt- und Serviceangeboten werden versendet. Um jeweils die perfekte, personalisierte und relevante Ansprache für die einzelne Kundin zu platzieren, bediene sich die Bank verschiedener KI-Modelle, die es auf etwa 75 Mio. Prognosen pro Woche bringen, erläuterte Benjamin Stahl, Data Scientist bei der ING.

Die Modelle werden auf der Basis von Vergangenheitsdaten trainiert und auf heutige Kunden angewendet. So ergibt sich ein Profil, das einerseits die Affinität des Kunden für bestimmte Produkte oder Services (wie ein Depot, eine Baufinanzierung oder einen Autokredit) prognostiziert, und andererseits werden spezielle Modelle zur Unterstützung bei der Wahl des geeigneten Kommunikationskanals herangezogen.

Die Kundenaffinität sei eine zentrale Komponente für die Entscheidung über die anzuzeigende Botschaft, aber nicht die einzige, führte Stahl aus. Eine Real-time Decision Engine wache darüber, welche Art der Kommunikation an den Kunden in welcher Frequenz ausgespielt werde. Hat der Kunde beispielsweise eine neue Girocard bestellt, so erhält er beim Öffnen seines Online-Banking-Zugangs mehrfach eine aufpoppende Meldung, die ihm verrät, dass seine neue Karte unterwegs ist. Das beruhigt den Kunden und hilft, unnötige Anrufe (also eine Mehrbelastung des Service-Centers) zu vermeiden. Die Engine entscheidet zudem auch über die Frequenz dieser Ausspielung. Wurde der Kunde mehrfach über den Versand der Karte informiert, wechselt die Meldung, und informiert nun über weitere für den Kunden interessante Produkte und Services der Bank.

Der Data-Scientist erläuterte, Auto- ML (Machine Learning) sei für die Bank der Schlüssel zu schlanken Prozessen. Dabei bedient sich die ING-DiBa einer automatisierten Berechnung von Daten für die Modellierung, nutzt State-of-the-art-Tools und Algorithmen und testet bzw. optimiert die Performance auf laufender Basis. Wichtig seien aber auch regelmäßige Re-Trainings. Alle Modelle werden ca. zweimal im Jahr einem Update unterzogen, denn der Kunde ändert sich und mit ihm sein Verhalten und seine Präferenzen.

Mitarbeiter im Callcenter wirksam unterstützen
Bei der BNP Paribas unterstützt Künstliche Intelligenz die Mitarbeitenden bei der Bewältigung der vielen Kundentelefonate. Hier lautet der Ansatz ganz klar, die Mitarbeiter zu unterstützen, nicht, sie zu ersetzen. Im Callcenter laufen unzählige Kundenkontakte ein, es sei neben der Webseite der Hauptkanal, über den man mit Kunden interagiere, sagte Dr. Julian Knoll, Professional Data Scientist bei der Bank.

Dabei sind aufgrund gesetzlicher Bestimmungen natürlich bestimmte Kontrollmechanismen einzuhalten. Bei der BNP Paribas wurde deshalb überlegt, wie man diesen Prozess beschleunigen und weniger personalintensiv gestalten könne. Die Wahl fiel schließlich auf eine teils automatisierte Prüfentscheidung. Hierbei wird das Gespräch in Text verwandelt, das System analysiert die Telefonate, reagiert auf Schlüsselwörter und unterstützt die Experten auf diese Weise in ihrem Job. Ein Auditor müsse sich nun nicht mehr ein komplettes Telefonat anhören, sondern die Suchmaschine bringe ihn gleich zu den interessanten Segmenten des Gesprächs. Darauf basierend kann der Auditor zeitsparend seine Prüfentscheidung treffen.

Die Bank nutzt diese Art der automatisierten Spracherkennung (ASR) nicht nur fürs Auditing, sondern auch für das Coaching ihrer Mitarbeiter sowie für das Reporting. Bei der Umsetzung des Projekts wurde die Erfahrung gemacht, dass es sich lohne, intern nach Umsetzungsmöglichkeiten zu suchen. Versuche über externe Provider hätten möglicherweise zu Datenschutzproblemen führen können. Diese Problematik konnte durch die Inhouse-Entwicklung ausgeblendet werden. Für den Aufbau der ASR nutzte die Bank u. a. öffentlich zugängliche Public-Data-Texte wie z. B. bei Spoken Wikipedia. Das Projekt sei 2019 gestartet, und schon 2020/2021 konnte ein MVP eingeführt und ein Realtime-Prototyp für die Unterstützung der Callcenter-Mitarbeiter eingesetzt werden. Die Spracherkennung noch weiter zu verfeinern sei eines der Ziele für die nächsten Jahre, erläuterte Knoll.

Online-Betrügern zuvorkommen
Mithilfe von Künstlicher Intelligenz lassen sich aber auch Prognosen zum Betrug oder zum Ausfall von Krediten erkennen. Umfangreiche Erfahrungen in diesem Sektor hat die Schufa Holding. Ihr liegen gigantische Daten von quasi allen erwachsenen Bundesbürgern sowie zu 6 Mio. Unternehmen vor, insgesamt seien das über 1 Mrd. gespeicherte Informationen, so der CTO der Schufa, Prof. Dr. Gjergji Kasneci. Täglich handelt das Unternehmen 1,1 Mio. Identifikationen. Bei diesem Aufkommen ist es nur zu verständlich, dass der Einsatz von KI an dieser Stelle schon lange zum täglichen Geschäft gehört.

Besonders interessant für die Nutzer der Schufa – darunter befinden sich neben Banken, anderen Kreditanbietern und den Telekommunikationsunternehmen vor allem Handelsunternehmen – ist der Bereich Machine Learning (ML) für Scoring. Denn: Gelingt es dem Datenriesen, die Ausfallwahrscheinlichkeit von Krediten u. ä. noch genauer vorauszusagen, Unsicherheiten besser zu quantifizieren und eine noch höhere Trennschärfe zu bestimmen, dann können die Datennutzer ihre Geschäftsmodelle deutlich ausweiten. Als Beispiel stellte Prof. Kasneci ein Gradient-Tree-Boosting-Modell vor, das 89 Variablen nutzt und auf der Basis von 18 Mio. Datensätzen entwickelt wurde. Hier erreiche man eine Trennschärfe Gini 73,7 Prozent, das sind 3,5 Gini-Punkte mehr als im logistischen Regressionsmodell. Was vielleicht gering klingen mag, eröffnet den Schufa-Kunden immense Möglichkeiten, neues Geschäft bei identischem Risiko zu generieren.

Zudem setzt man in der Schufa Machine Learning im Bereich der Betrugsprävention ein. Wichtig ist das vor allem im E-Commerce, wo es jährlich zu großen Schäden durch betrügerische Kunden kommt. Je nach Quelle beläuft sich die Schadenssumme für Deutschland auf 1,5 bis 2,5 Mrd. € pro Jahr, und die oft bandenmäßig organisierten Betrüger nutzen sehr komplexe und sich schnell ändernde Betrugsmuster. Um diese Tricks aufzudecken und den Betrügern bestenfalls zuvorzukommen, nutzt die Schufa leistungsfähige MLVerfahren wie bspw. neuronale Netze und Boosting-Verfahren. Der Fraud PreCheck lasse sich für einen noch besseren Schutz mit der Prüfung des Bonitätsrisikos ergänzen, führte Kasneci aus.

Autorin


Anja U. Kraus

+++

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 hier weitere Episoden aus der Reihe „durch die bank“.

Melden Sie sich bei Interesse zu unserem Web-Seminar „Data Loss Prevention: Anforderungen, Beispiele, Schutzmaßnahmen“ an.

Stichworte

Verwandte Artikel

Anzeige

Lexikoneinträge