Trends News

istock.com/gorodenkoff

Use Cases für den Einsatz von KI: Den Menschen nicht ersetzen, sondern unterstützen  

Gleich drei Use Cases zum Einsatz von KI standen im Mittelpunkt des Nachmittags bei der Online-Fachtagung „Data Science und Machine Learning in Kreditinstituten“, und Moderatorin Ute Kolck konnte dazu Vertreter der ING-DiBa, von BNP Paribas sowie von der Schufa Holding begrüßen.

Bei der ING setzt man beispielsweise auf ein KI-gestütztes Direktmarketing. Als reine Digitalbank ist das Unternehmen darauf angewiesen, auf smarte Art mit seinen Kunden zu kommunizieren, und nutzt dafür vor allem die Kanäle E-Mail sowie personalisierte Botschaften im Internet-Banking und in der Banking-App. Um jeweils die perfekte, personalisierte und relevante Ansprache für die einzelne Kundin zu platzieren, bedient sich die Bank verschiedener KI-Modelle, die es auf etwa 75 Mio. Prognosen pro Woche bringen, erläuterte ein Experte aus dem Haus.

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) zeigt, und außerdem entscheidet dies über den zu wählenden Kommunikationskanal. Die Kundenaffinität ist eine zentrale Komponente für die Signalermittlung, aber nicht die einzige. Eine Real-time Decision Engine wache darüber, welches Signal an den Kunden in welcher Frequenz ausgespielt wird, führte der erfahrene Data Scientist aus. Hat der Kunde eine neue Girocard bestellt, so erhält er beim Öffnen seines Online-Banking-Zugangs beispielsweise mehrfach eine aufpoppende Meldung, die ihm verrät, dass seine neue Karte unterwegs ist. Das beruhigt den Kunden und hilft, unnötige Anrufe zu vermeiden. Die Engine entscheidet zudem auch über die Frequenz dieser Ausspielung. Wurde die Kundin mehrfach über den Versand der Karte informiert, wechselt die Meldung, und informiert nun etwa über das ETF-Programm der Bank.

Der Experte 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 Interessen, er wechselt nicht dreimal im Jahr sein Girokonto.

Mitarbeiter im Callcenter wirksam unterstützen
Bei der BNP Paribas unterstützt Künstliche Intelligenz die Mitarbeitenden bei der Bewältigung der vielen Kundentelefonate. Hier lautete der Ansatz 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 der Vertreter der Bank. Dabei sind aufgrund gesetzlicher Bestimmungen bestimmte Kontrollmechanismen einzuhalten. Bei der BNP Paribas wurde deshalb überlegt, wie man diesen Prozess beschleunigen und weniger personalintensiv gestalten könne, und die Entscheidung fiel zugunsten einer teils automatisierten Prüfentscheidung. Hierbei wird das Gespräch in Text verwandelt, das System analysiert die Telefonate und unterstützt die Experten bei 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 lohnt, 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 bei Spoken Wikipedia. Das Projekt sei 2019 gestartet, und schon 2020/2021 konnte ein MVP eingeführt und ein Real-time-Prototyp für die Unterstützung der Callcenter-Mitarbeiter eingesetzt werden. Die Spracherkennung noch weiter zu verfeinern ist eines der Ziele für die nächsten Jahre.

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 ein Vertreter. Täglich handelt das Unternehmen 1,1 Mio. Identifikationen. 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 Banken, andere Kreditanbieter, Telekommunikationsunternehmen, aber vor allem der Handel – ist der Bereich Machine Learning (ML) für Scoring. Gelingt es dem Datenriesen, die Ausfallwahrscheinlichkeit noch genauer vorauszusagen, Unsicherheiten zu quantifizieren und eine noch höhere Trennschärfe zu bestimmen, können die Datennutzer ihre Geschäftsmodelle deutlich ausweiten. Als Beispiel wurde ein Gradient-Tree-Boosting-Modell vorgestellt, das 89 Variablen nutzt und auf der Basis von 18 Mio. Datensätzen entwickelt wurde. Hier erreicht 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 zu generieren bei identischem Risiko wie zuvor.

Zudem setzt man in der Holding ML für 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. Euro 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 Schufa leistungsfähige ML-Verfahren wie bspw. neuronale Netze und Boosting-Verfahren. Der Fraud PreCheck lässt sich für einen noch besseren Schutz mit der Prüfung des Bonitätsrisikos ergänzen.

+++

Was versteht man unter Data Science und wie ist dies in den Themenkomplex KI einzuordnen? Wozu benötigt eine Bank einen Data Scientist und mit welchen Daten und Tools wird hier gearbeitet? Diese und weitere Fragen beantwortet Torsten Nahm von der DKB. Hören Sie den Podcast „Data Science“ aus der Reihe „durch die bank“.

Melden Sie sich bei Interesse zu unserem Online-Zertifikatslehrgang Data Scientist in Kreditinstituten: Einsatzfelder, Methoden und Umsetzung an.

 

Stichworte

Verwandte Artikel

Anzeige

Lexikoneinträge