Machine Learning in Banken: Viel Energie, wenig Output

Expertin für Machine Learning: Sarah Menz, Cofinpro — Sarah Menz, CofinproCofinpro

Wo stehen die Finanzdienstleister beim Trendthema Machine-Learning? Viele Erwartungen wurden enttäuscht, weil häufig die richtigen Voraussetzungen fehlen. Sechs Handlungsempfehlungen.

von Sarah Menz und Lars Kellinghausen, Cofinpro

Banken und KVGen sind prädestiniert für den Einsatz von Machine Learning. Die Technologie ermöglicht es, erhebliche Effizienzpotenziale zu heben oder präzise Prognosen zu ermöglichen. Aber noch stockt die operative Umsetzung. Vor allem das Datenmanagement spielt dabei eine entscheidende Rolle:

Wenn die Daten nicht im richtigen Format oder ohne Bezugspunkte zueinander vorliegen,
erschwert dies die Aufbereitung für
eine maschinelle Analyse erheblich.“

Sarah Menz, Expert Consultant Cofinpro

Expertin für Machine Learning: Lars Kellinghausen, Cofinpro — Lars Kellinghausen, CofinproCofinpro

Im Rahmen einer Marktanalyse und Expertenbefragung zeigte sich zudem, dass für die ersten Versuche oft ungeeignete Anwendungsfälle gewählt werden oder passende Experten für eine optimale Projektbegleitung fehlen. Ein reibungsloser Projektablauf mit überzeugenden Ergebnissen ist damit nicht mehr gewährleistet. Die Folge:

Auf die erste Euphorie folgt Ernüchterung, weil viele Versprechen nicht eingelöst werden. Die eingesetzten Investitionen verpuffen, die Machine-Learning-Anwendungen generieren keinen Mehrwert und das Vertrauen in die neue Technologie schwindet.“

Lars Kellinghausen, Manager Cofinpro

Wie können Misserfolge vermieden werden? Unser Handlungsleitfaden mit sechs zentralen Empfehlungen:

Im Kleinen anfangen
Lieber mit einem überschaubaren Anwendungsfall starten und sich mit der Technologie vertraut machen, statt von Anfang an auf den Big Bang zu setzen. Die erzielten Quick Wins können dann iterativ ausgebaut werden.
Die richtigen Anwendungsfälle finden
Machine Learning ist keine Universallösung, sondern ein Werkzeug für passende Probleme. Die Wahl geeigneter Anwendungsfälle sollte daher kritisch geprüft werden, ansonsten drohen erhöhte Kosten, Komplexität und Fehleranfälligkeit. Am besten ist es, zunächst bestehende Anwendungsfälle anzupassen.
Autor Lars Kellinghausen, Cofinpro
Lars Kellinghausen, Manager, ist seit 2017 bei Cofinpro (Webseite). Der Betriebswirt und Wirtschaftinformatiker berät Banken mit Fokus auf den Bereichen Kredit und Wertpapier. Dabei begleitete er Institute bei diversen Digitalisierungsprojekten in den Bereichen Wertpapierplattform, bei der Einführung von innovativen Bezahlmethoden sowie bei der Validierung von innovativen Geschäftsmodellen.
Daten, Daten, Daten
Quantität und Qualität der Daten, mit denen der Algorithmus gefüttert wird, sind entscheidend für gute Ergebnisse. Das Datenmanagement hat deshalb oberste Priorität, da sonst falsche Schlussfolgerungen gezogen werden.
Übermut bremsen
Vor dem Start prüfen, ob im Unternehmen die erforderlichen Ressourcen vorhanden sind und genügend Spezialisten das Projekt begleiten können. Dazu gehört auch fachliches Expertenwissen. Damit der erste Aufschlag trifft, ist externe Hilfe häufig sinnvoll.
Langfristig denken
Machine-Learning-Anwendungen reifen mit der Zeit. Vom Prototypenstadium bis zum verlässlichen Problemlöser kann es ein weiter Weg sein. Durch kontinuierliches Testen, Trainieren und Einführen neuer Modelle verbessern sich die Ergebnisse beständig.
Offen bleiben für Bewährtes
Machine Learning ist eine Zukunftstechnologie und kann Teilbereiche der Branche revolutionieren. Aber traditionelle, einfachere Analysemethoden sind für manche Anwendungen immer noch besser und effizienter. Machine Learning sollte nur für einen passgenauen Use-Case angewendet werden.

Autor Sarah Menz, Cofinpro

Sarah Menz, Expert Consultant, ist seit 2019 für Cofinpro (Webseite) tätig. Sie berät Banken und Kapitalverwaltungsgesellschaften mit Fokus auf den Bereich Wertpapier. Dabei begleitet sie insbesondere Projekte zur Entwicklung von Plattformlösungen und Digitalisierungsvorhaben. Vor Cofinpro war Menz u.a. als freiberufliche Beraterin im Bereich Wirtschaftsförderung tätig. Ihren Masterabschluss absolvierte sie in International Management an der Hochschule Fulda.

Vom Buzzword zum Standardwerkzeug

Der mögliche Anwendungsbereich von Machine Learning bei Banken und KVGen ist breit. Bisher zielen viele Projekte auf die Prozessautomatisierung und Hebung von Kosteneffizienzen ab. Banken möchten beispielsweise die Prozesskette für Ratenkredite effizienter gestalten und optimieren. Zudem bietet sich mit der Technologie aber auch die Möglichkeit, neue Entscheidungsmuster zu erkennen und so bessere Anlageempfehlungen aussprechen zu können.

Weitere wichtige Anwendungen sind unter anderem Fraud-Detection, Betrugsprävention und die Auswertung von unstrukturierten Daten. Die Mehrheit der von uns befragten Experten erachtet die Sprach- und Texterkennung für besonders relevant im Bankenkontext.“

Sarah Menz, Expert Consultant Cofinpro

Und was bringt die Zukunft? Noch ist Machine Learning eine Technologie mit erheblichem Potenzial, die jetzt bereits für einzelne Zwecke zielgerichtet eingesetzt wird. Langfristig wird sich die Technologie aber als eine Lösung unter vielen im Standardwerkzeugkasten jeder Bank durchsetzen. Bis dahin besteht für die Institute das Potenzial sich vom Wettbewerb zu differenzieren.Sarah Menz und Lars Kellinghausen, Cofinpro

Sie finden diesen Artikel im Internet auf der Website:
https://itfm.link/145195