Entnommen aus dem Beitrag auf More Intelligent Tomorrow von DataRobot.

‍

Das Bankwesen steht an der Schwelle zu einer KI-Revolution, die sich als transformativ erweisen könnte. Nach Angaben von McKinsey & Unternehmenkönnen bahnbrechende KI-Technologien die Gewinne steigern, die Kosten durch Effizienzsteigerungen senken, schnelle Innovationszyklen unterstützen und die Kundenbeziehungen verbessern und vertiefen. Banken, die nicht auf KI setzen, "riskieren, von der Konkurrenz überholt und von den Kunden im Stich gelassen zu werden".

Wie viele machen davon Gebrauch? Business Insider zeigt, dass 80 % der Befragten sich der potenziellen Vorteile von KI und maschinellem Lernen sehr bewusst sind", und 75 % der Banken mit einem Vermögen von mehr als 100 Mrd. US-Dollar geben an, dass sie bereits KI-Strategien umsetzen, obwohl diese Zahl bei Banken mit einem Vermögen von weniger als 100 Mrd. US-Dollar auf 46 % sinkt.

Bemerkenswert ist auch, dass die Branche optimistischer ist als die meisten anderen. In DataRobot's Umfrage zu KI und der Macht der Wahrnehmung vom Juni 2022 waren die Befragten aus dem Bank- und Finanzwesen eher als der weltweite Durchschnitt der Meinung, dass KI in den nächsten fünf Jahren einen wichtigen Wandel bewirken wird - und weniger, dass sie sich vor der Technologie fürchten und sich Sorgen über die Umsetzung machen.

Um dies zu vertiefen, haben wir direkt mit Branchenexperten über die besten Möglichkeiten für den Einsatz von KI und maschinellem Lernen im Bankwesen gesprochen, einschließlich der Frage, wie man die Herausforderungen versteht, mit Risiken umgeht und Wege zum Erfolg definiert.

Das müssen Sie tun:

1. Nutzung von Daten und KI zur Bereicherung und Personalisierung des Kundenerlebnisses

Nutzen Sie Technologie und Daten nicht nur, um Risiken zu verstehen und Dashboard-Ansichten zu erstellen, sondern auch, um die Effizienz zu steigern und die Kundenzufriedenheit zu verbessern.

Wenn ein Kunde seit zehn Jahren bei einer Bank ist, sollte er dann bei der Beantragung eines Hypothekarkredits wirklich Papiere zur Überprüfung des Einkommens benötigen?", fragt Joseph Burdisleitender Datenwissenschaftler bei DataRobot.

Daten und Erkenntnisse können nicht nur dazu beitragen, die Kunden schneller dorthin zu bringen, wo sie gebraucht werden, sondern auch das Kundenerlebnis durch Personalisierung verbessern. "Verhaltensanalysen und prädiktive Vorschläge werden es den Banken ermöglichen, durch Unterstützung zur richtigen Zeit einen Mehrwert zu schaffen", sagt Claire May, UK Head of Business & Change Management, Corporate and Commercial Banking bei Santander UK.‍

Claire ist der Meinung, dass diese Verbesserung der Kundenerfahrung "die Navigation in der Welt der Finanzen einfacher machen wird", vor allem in entscheidenden Momenten wie dem Kauf eines Hauses. Aber auch KMU würden davon profitieren, meint sie: "Der richtige Input zur richtigen Zeit könnte ein Unternehmen dazu bringen, sich zu vergrößern und Chancen zu nutzen. Das würde den Wert für die Bank und den Kunden gleichermaßen maximieren.

2. Erschließen Sie neue Chancen durch geschickte Datennutzung

Jeder Kauf, jede Überweisung und jede Zahlung ist ein Datenpunkt - und die schiere Menge an Daten eröffnet neue Möglichkeiten, meint Scott MunsonDirektor, Datenwissenschaft & Analytik bei Evolutio: "Selbst die kleinsten Finanzinstitute haben einen Schatz an Daten, den sie in Geschäftswert umwandeln können. Sie brauchen nur klare Anwendungsfälle mit Geschäftswert und eine Vision, um dies zu verwirklichen - und den Antrieb, organisatorische Barrieren zu überwinden."

HP BunaesGeschäftsführender Direktor, KI und maschinelles Lernen bei JPMorgan Chase & Co.. stimmt dem zu. Er hält Kredite für einen "tiefen Brunnen der Möglichkeiten". Mit besseren Kreditmodellen und mehr Daten können sich Banken seiner Meinung nach weniger auf traditionelle Informationsquellen verlassen und durch Innovation profitieren:

Kreditscores sagen Ihnen nicht viel, was andere Banken nicht schon wissen. Finden Sie also Möglichkeiten, die Ihre Konkurrenten nicht erkennen können.

Bei dieser Art von Innovation müssen Sie vielleicht mehr Risiken eingehen, aber "Sie tun es auf sichere Weise, weil Sie einzigartige Funktionen gefunden haben, die informativ sind, oder wie Sie eine andere Kundengruppe erreichen können, die von einem bestimmten Produkt nicht erreicht wird", fügt HP hinzu.

3. Klein anfangen und der Geschwindigkeit den Vorrang geben

HP sagt dass eine Geschäftsperspektive entscheidend ist, wenn man sich mit KI im Bankwesen befasst: "Überlegen Sie, wo Sie einen Mehrwert und eine sinnvolle Auswirkung auf die Geschäftskennzahlen erzielen können und wo Sie Daten haben, um alles machbar zu machen - ohne ein riesiges, jahrelanges Datenprojekt, das Millionen kostet, bevor es etwas bewirken kann."

Scott stimmt dem zu und stellt fest, dass der Beginn des Prozesses und der Übergang zur Produktion die schwierigsten Teile eines KI/ML-Projekts sind. Daher rät er dazu, "klein anzufangen, zu lernen, indem man etwas tut", einen Servicepartner zu nutzen, wenn man kein entsprechendes internes Talent hat, und die Modelle in Produktion zu bringen, damit sie einen echten Wert liefern. "Dieser Ansatz ist sehr viel schneller und effektiver als mehrjährige Initiativen", fügt er hinzu.

Wenn Sie zu viele Ideen haben, empfiehlt HP, dass Sie mit den Anwendungsfällen mit dem höchsten Wert und der geringsten Komplexität beginnen. Diejenigen, von denen Sie glauben, dass sie am meisten verändern werden, haben das höchste Ausführungsrisiko und die geringsten Chancen, sie zu verwirklichen. Niedrig hängende Früchte können auch einen geringeren Wert bedeuten - aber Sie haben eine bessere Chance, sie zu realisieren.

4. Stellen Sie die richtigen Leute ein - auf jeder Ebene

Laut Scott sind die Menschen der limitierende oder ermöglichende Faktor bei KI/ML-Projekten: "Der Erfolg hängt davon ab, dass man die richtigen Interessengruppen zusammenbringt, klare Ziele definiert, die richtige Technologie einsetzt und einige wenige Schlüsselfiguren mit der Vision, die Arbeit zu Ende zu bringen, antreibt." Sobald das erste Projekt abgeschlossen ist, rät er, das Erreichte zu teilen, daraus zu lernen und weitere Projekte mit einer größeren Gruppe durchzuführen.

HP sagt, dass es für die Banken schwierig ist, die richtigen Leute an Bord zu holen:

In vielen Fällen delegiert die Geschäftsleitung die Entwicklung von Analysen an Datenwissenschaftler und Techniker, lehnt sich zurück und hofft, dass gute Dinge passieren. Ich habe erlebt, dass Banken versuchen, mit riesigen Datenmengen und den besten Datenwissenschaftlern anspruchsvolle Dinge zu tun. Dann sind sie enttäuscht, dass sie nicht schnell unglaubliche Ergebnisse erzielen."

Die Lösung, erklärt HP, besteht darin, mehr Sorgfalt bei der Anwendung und Ausrichtung walten zu lassen. Wenn man Datenwissenschaftler entscheiden lässt, woran sie arbeiten wollen, werden sie "jedes Mal die coolsten und aufregendsten Dinge auswählen". Führungskräfte müssen also einbezogen werden - und das beginnt mit der Auswahl der richtigen Anwendungen von KI und maschinellem Lernen.

5. Seien Sie sich bewusst, dass veraltete Denkweisen und Plattformen ein Hindernis darstellen

Abgesehen von den Menschen sind Altlasten im Bankensektor das größte Hindernis für Erfolg und Flexibilität, wenn es um KI/ML-Projekte geht. "Ein Großteil der Branche arbeitet mit mehreren Plattformen", sagt Claire.

Daten sind oft schwer zu organisieren und ohne großen Aufwand zugänglich, was die Nutzung oder Implementierung von KI/ML zu einer Herausforderung machen kann."

Joseph zufolge ist dies zu einem großen Teil darauf zurückzuführen, dass das Bankwesen in der Vergangenheit "Daten in Taschen verwaltet" hat, anstatt sie zu integrieren, da die Kundendaten - aus gutem Grund - stark geschützt sind. Er fügt hinzu, dass die Modell-Governance ein weiteres Hindernis für die schnelle Einführung von KI/ML darstellt.

Bei der Durchführung von Projekten ist es wichtig, den Ausgangspunkt und das Ziel zu kennen und zu wissen, wie man einen möglichst umfassenden Überblick über die Daten erhält und wie man diese Daten am effektivsten nutzt.

6. Faires Design, denn die Regulierung kommt

Da KI/ML zunehmend Auswirkungen auf Einzelpersonen (und nicht nur auf Unternehmen) hat, ist Fairness ein wichtiger Aspekt. "Es wird eine größere Sensibilität für die Auswirkungen auf die Gesellschaft und die Verzerrungen bei der Verwendung von Daten geben, die auf jahrzehntelangen - wenn auch ungewollten - voreingenommenen Entscheidungen beruhen", meint HP.

Das bedeutet, dass "Erklärbarkeit" zu einer wirklich großen Sache wird, nicht zuletzt im Bank- und Finanzwesen.

Wenn Sie eine Entscheidung treffen, die sich nachteilig auf einen Kunden auswirkt - z. B. die Ablehnung eines Kredits - müssen Sie dies begründen", so HP.

Und er meint damit nicht nur die Kunden, sondern auch die Aufsichtsbehörden - auf lokaler und globaler Ebene.

Kurz gesagt, Sie müssen in der Lage sein, Ihre Modelle zu verteidigen und dafür zu sorgen, dass sie so fair wie möglich sind. Wenn Sie das nicht tun, wird die Regulierung Sie irgendwann dazu zwingen; dann müssen Sie Zeit und Geld für etwas aufwenden, das von Anfang an hätte geregelt werden müssen.

7. Konzentrieren Sie sich darauf, was nach dem Einsatz passiert - nicht nur davor

Es reicht nicht aus, ein KI/ML-Projekt in Produktion zu geben und nichts weiter zu tun. "Manchmal haben die Banken ein Modell, das entwickelt wurde, und vertrauen darauf, dass es funktioniert", sagt Joseph. "Aber sie müssen es ständig weiterentwickeln und neu entwickeln.

HP ist der Meinung, dass sich dieses Problem nur noch verschärfen wird: "Wenn wir von Dutzenden zu Tausenden von Modellen übergehen, wird es schwieriger, die Komplexität zu beherrschen. Wenn Modelle allgegenwärtig werden, steigt das operative Risiko". Wie Joseph sagt auch er, dass man

Sie müssen nicht wissen, dass ein Modell gut war, als es eingesetzt wurde, sondern dass es gut ist und auch jetzt noch funktioniert."

Die Lösung liegt im Datenmanagement: Stellen Sie sicher, dass Sie wissen, welche KI-/ML-Modelle Sie haben, welche Daten sie verwenden, wer sie nutzt und was sie mit den Ergebnissen machen. Auf diese Weise können Sie Probleme entschärfen, die durch Dinge entstehen könnten, die Sie am ersten Tag nicht vorausgesehen haben - und die mit der Anzahl der eingesetzten Modelle und der zunehmenden Vernetzung der Daten nur zunehmen werden.

8. Holen Sie die Führungskräfte ins Boot - und lassen Sie sie jetzt handeln

Führungskräfte müssen über KI/ML Bescheid wissen - und es ist wichtig, dass sie vorangehen und nicht folgen. Laut HP müssen sie wissen, wozu KI/ML in der Lage ist und gute Anwendungsfälle erkennen. Es ist wichtig, dass sie verstehen, woran ihre Analytiker arbeiten und warum. Außerdem müssen sie Prioritäten und Innovationen vorantreiben und sicherstellen, dass die Unternehmensleiter die Einführung, Übernahme, Schulung und Kommunikation ernst nehmen.

Wenn all diese Dinge nicht auf der Agenda eines CEOs stehen, ist das ein Problem".

warnt er. "Es ist strategisch zu wichtig und potenziell transformativ." Aber die Führungskräfte, die dies tun und die Dinge richtig angehen, so HP, werden feststellen, dass sich ihre Unternehmen in Bezug auf die greifbare Unternehmensleistung von der Masse abheben: "Sie werden schneller innovieren und Lösungen schneller implementieren können.

Umgekehrt werden die Banken und Finanzinstitute, die eine abwartende Haltung einnehmen - oder deren Führungskräfte KI/ML nicht ernst nehmen oder nicht strategisch über die Möglichkeiten nachdenken - in eine Situation geraten, in der sie einfach nicht mehr aufholen können.

‍

‍

Evolutuio Datenwissenschaft & Analytik: Jedes Unternehmen ist auf dem Weg, aus seinen Daten Wert zu schöpfen.