Verlässlichere Prognosen: Mit künstlicher Intelligenz Bank-Daten in Wissen umwandeln

Die Voraussetzungen für den Einsatz Künstlicher Intelligenz sind hervorragend, die Technologie ist häufig kostenlos. Es geht ‘nur noch’ darum zu starten. Dazu braucht es Technologie, Kulturwandel und den schon vorhandenen riesigen Datenschatz der Banken.

von Christian Kobler, Adweko Consulting

Wer tiefer in die digitale Welt eintaucht, der stößt sehr schnell auf das Thema Künstliche Intelligenz (KI). Mehr Klarheit verschafft das nicht unbedingt, denn dazu, was KI eigentlich ist, finden sich zahlreiche Interpretationen: Sie reichen von „Künstliche Intelligenz ist erreicht, sobald die Maschine eine Aufgabe besser erfüllt als der Mensch“ und endet bei „Die Maschinen übernehmen die Macht und lassen den Menschen überflüssig werden“. Vollkommen verloren ist man spätestens bei dem Versuch, sich einen Überblick über das Sammelsurium der Unterkategorien Künstlicher Intelligenz zu verschaffen. Dabei trifft man auf maschinelle Sprach- und Schrifterkennung, auf datenbasierte selbstlernende Algorithmen, auf Roboter mit eigenen Gefühlen und auf vieles mehr. Vor diesem Hintergrund wundert es nicht, dass eine Antwort auf die für jede Bank wesentliche Frage nicht ganz leicht zu finden ist:

Wie lässt sich KI sinnvoll für das eigene Institut nutzen?

Starten Sie pragmatisch – „Just do it!“.Dabei stellt sich zunächst die Frage, welche Wettbewerbsvorteile große Institute gegenüber jungen und aufstrebenden FinTechs besitzen. Die Antwort fällt eindeutig aus:

Institute haben Erfahrung, Expertise und vor allem einen riesigen Schatz an Daten. Mit Blick auf die Stärken des Machine Learnings ist das eine gute Voraussetzung.”

Denn auf Basis geeigneter Daten lässt sich automatisiert eine Mustererkennung programmieren. Die Algorithmen, welche auf die zu analysierenden Daten angewendet werden, optimieren sich selbst auf den Prognosewert. Auf diese Weise wird es beispielsweise möglich, durch die Analyse verschiedener Bilanzkennzahlen auf die Wahrscheinlichkeit einer Ratingverschlechterung oder eines Ausfalls zu schließen. Banken, die hier schon erste Erfahrungen gesammelt haben, erkennen den entscheidenden Vorteil von solchen Machine-Learning-Algorithmen: die objektive Beurteilung von Sachverhalten anhand von Daten und ohne subjektive Einfärbung. Die Maschine beziehungsweise der Computer ist dem Menschen hier naturgemäß voraus, da keinerlei subjektive Erfahrungen oder Präferenzen Einfluss auf die Entscheidungsfindung nehmen.

Die Frage nach dem Einsatzgebiet

Für das Einsatzgebiet ist folgende Überlegung zentral: Ob eine Bank erfolgreich ist, hängt im Wesentlichen davon ab, wie gut die drei Kernfragen beantwortet werden:

1. Was sind die Bedürfnisse der Kunden und wie gut lässt sich das Kundenverhalten prognostizieren?
2. Wie präzise erfolgt die Einschätzung und Bepreisung der Risiken?
3. Wie lassen sich die operativen Kosten auf einem niedrigen Niveau halten?

Mit verschiedenen KI-Disziplinen lassen sich die Kundenbedürfnisse hervorragend bestimmen, lässt sich Kundenverhalten präzise vorhersagen und können die operativen Kosten gezielt optimiert werden – beim letzten Punkt spielen Chatbots eine große Rolle.

Das größte Potenzial hat der Einsatz von Künstlicher Intelligenz für die exakte Einschätzung von Risiken.”

Und das wirkt sich erheblich auf den wirtschaftlichen Erfolg aus. Denn der Wert eines Kundengeschäfts ergibt sich aus dem Verhältnis des erzielten Preises zu den Risiken beziehungsweise Kosten. Der Wettbewerbsvorteil durch eine genauere Einschätzung der Ausfall- und der Abschreibungskosten für die Aktivpositionen liegt damit klar auf der Hand.

Zusammenstellung der Daten ist entscheidend für den Einsatz Künstlicher Intelligenz

Auch wenn das Thema KI zunächst sehr mächtig und komplex erscheint, so bekommt man die Realisierung der Algorithmen über die Nutzung von Open-Source-Funktionen quasi geschenkt. Das ist aber nur die halbe Miete. Denn jeder Algorithmus ist nur so aussagekräftig wie der Dateninput. Und hier kommen die Experten der Bank ins Spiel. Mit ihrem Wissen und ihrer Erfahrung sorgen sie dafür, dass die Datenfelder optimal für den jeweiligen Analysezweck zusammengestellt werden. Die Experten können zum Beispiel genau sagen, welche Daten sich auf die Bildung und die Höhe von Impairments auswirken. Das ist neben Konjunkturindices und Bilanzkennzahlen bei Corporate-Kunden die Marktstellung; bei Retail-Kunden kommt es auf das Gehaltsniveau, den Familienstand und das Alter an. Diese Zusammenstellung der Daten (in der KI-Sprache werden die Daten Features genannt) stellt die zentrale Aufgabe dar.

Die technologische Umsetzung der unterschiedlichen Algorithmus-Formen wie Entscheidungsbäume, neuronale Netze oder Random Forests und deren Parametrisierung sind zunächst nicht so entscheidend. Metriken zur Beurteilung der Aussagekraft lassen sich schnell definieren und können im Laufe der Zeit immer weiter optimiert werden. Die Faustregel dabei ist, dass die Auswahl der richtigen Features eine wesentlich höhere Auswirkung auf die Prognosequalität hat als die Auswahl beziehungsweise das Feintuning der Parameter.”

Kulturwandel erforderlich

Auch die Hard- und Softwareanforderungen sind bei dieser Herangehensweise überschaubar. Da die Analysen ohnehin auf einer vernünftig segmentierten Portfolioebene stattfinden sollte, müssen nur selten mehrere Millionen Datensätze verarbeitet werden. Die Software an sich (beispielsweise über R) lässt sich ebenfalls an jedem Rechner einsetzen. Größer ist die Herausforderung in der Regel auf Ebene der Organisation. So ist häufig ein Kulturwandel erforderlich. Denn die Skepsis hinsichtlich der Verlässlichkeit der Erwartungswerte ist heute noch meist sehr groß, Akzeptanz und Vertrauen in die Prognosen müssen erst entstehen und sich verfestigen. Auch dafür gibt es eine simple Praxisempfehlung: Die beteiligten Personen in den Banken vergleichen einfach über einen gewissen Zeitraum den jeweiligen Prognosewert von Mensch und Maschine. Gerade im Planungsprozess – beispielsweise beim Neugeschäftscontrolling – ist eine (subjektive) Überschätzung der eigenen Fähigkeiten sehr oft anzutreffen. In diesen Fällen wird die Stärke der Computer offenkundig.

In Anbetracht dieser Voraussetzungen und Möglichkeiten sieht die Welt der Banken eigentlich gar nicht so düster aus.”

Die GAFA-Konzerne (Google, Apple, Facebook und Amazon) werden vor allem wegen drei Faktoren so hoch bewertet: Sie haben Zugang zum Kunden, verfügen über gewaltige Datenmengen und sind in der Lage, etwas mit den Daten anzufangen. Jede Bank ist ebenfalls eng mit den Kunden verbunden und hat ausreichend Daten gesammelt. Nun geht es nur noch darum, aus den Daten nützliches Wissen zu machen. Und damit muss einfach angefangen werden.aj