Machine Learning als Teil der Künstlichen Intelligenz wird schon lange in der Finanzindustrie als Instrument für eine schnellere Automatisierung von Prozessen und mehr Kosteneffizienz gepriesen. Doch diese Hoffnungen erfüllen sich nicht überall. Oft hakt die Umsetzung an unzureichenden Daten.
Machine Learning bietet Finanzdienstleistern vielfältige Chancen, wenn der Einsatz umsichtig geplant ist und das Datenmanagement passt.
metamorworks / Getty Images / iStock
"Das maschinelle Lernen (Machine Learning) krempelt bereits heute etablierte Finanzdienstleistungsprozesse um. Es beschreibt dabei die Fähigkeit von Computersystemen, ihre Leistung eigenständig durch gezielte Analyse von Daten zu verbessern, ohne dabei explizit programmierten Anweisungen folgen zu müssen", formuliert Christian Glaser im Buch "Digitale Transformation im Bankenumfeld" auf Seite 80.
Tiefgreifende Datenanalysen gewähren den Instituten Erkenntnisse aus ihren Geschäftsprozessen, die die Entscheidungsfndung verbessern und beschleunigen. "Machine Learning (ML) wird beispielsweise im Risikomanagement bei der Kreditwürdigkeitsprüfung genutzt. Des Weiteren können maschinelle Lernmodelle bei der Betrugsbekämpfung Risiken identifzieren und reduzieren", so der Springer-Autor weiter.
Machine Learning soll Prozesse optimieren
Doch offenbar erfüllen sich nicht alle Hoffnungen, die an diese Technologie genknüpft werden. Vielen Instituten fehle es an den richtigen Voraussetzungen. "Vor allem eine hochwertige, qualitative Datengrundlage bereitet Probleme", fand die Unternehmensberatung Cofinpro in einer aktuellen Marktanalyse heraus.
Mit ihren Machine-Learning-Projekten wollen Geldhäuser und andere Finanzdienstleister die Prozessautomatisierung vorantreiben und Kosteneffizienzen heben. "Banken und Kapitalverwaltungsgesellschaften wollen so beispielsweise Prozesse bei der Abwicklung von Ratenkrediten optimieren. Ihnen bietet sich gleichzeitig mit Hilfe von ML auch die Möglichkeit, neue Entscheidungsmuster zu erkennen und die Kreditausfallwahrscheinlichkeit besser zu berechnen", erläutert Cofinpro-Manager Lars Kellinghausen.
Datenqualität reicht häufig nicht aus
Dabei hakt es häufig nicht unbedingt an den viel gescholtenen Altsystemen, sondern an der operativen Umsetzung. Vor allem eine unzureichende Datenbasis steht in vielen Unternehmen einem erfolgreichen Einsatz von ML im Weg. Kellinghausen bemängelt gegenüber Springer Professional die Datenstandards, moniert Informationslücken sowie eine ausreichende Verfügbarkeit.
Entlang des Wertschöpfungsprozesses gibt es zahlreiche Systeme mit zum Teil sehr unterschiedlichen Datenhaushalten - auch wenn sie ähnliche oder gleiche Daten speichern. Diese sind in diesem Fall nicht standardisiert und müssen zunächst bereinigt werden. [...] Je nach Anwendungsfall liegen noch nicht alle relevanten Informationen per se vor, sondern müssen im Rahmen einer an der Anwendung orientierten Datenstrategie zunächst gezielt erhoben werden."
Und selbst, wenn alle Informationen grundsätzlich vorhanden sind, seien sie nicht immer sofort verfügbar. "Es müssen zunächst Mechanismen geschaffen werden, um die Daten aus den diversen Systemen zu konsolidieren", betont Kellinghausen.
Prozessuale Voraussetzungen schaffen
Hinzu komme, dass die bisher geschaffenen Prozesse und Architekturen in Banken und Finanzdienstleistern für andere Herausforderungen optimiert wurden - etwa zur Erfüllung regulatorischer Anforderungen. "Jetzt müssen neben den technischen auch die prozessualen oder sogar organisatorischen Voraussetzungen geschaffen werden, um Anwendungsfälle zu ermöglichen, welche an vielen Stellen der Wertschöpfungsketten eingreifen", erklärt der Experte auf Nachfrage.
Er rät Unternehmen daher, ML nicht als generelles Tool zu planen, sondern zunächst einzelne Anwendungsfälle zu identifizieren. Hierzu gehöre die Fraud-Detection und Betrugsprävention sowie die Auswertung von unstrukturierten Daten, um beispielsweise Produkte und Services stärker zu personalisieren und Nutzerverhalten in Entscheidungen einfließen zu lassen. So ließen sich mit Machine Learning zum Beispiel Kreditausfallwahrscheinlichkeiten oder Marktentwicklungen besser vorhersagen oder in der Fraud Detection die False-Positive-Quote verringern.
Langfristige ML-Strategie ist Voraussetzung
Generell rät Kellinghausen Unternehmen , die Machine Learning über verschiedene Bereiche hinweg anwenden wollen, langfristig auch eine übergreifende Daten- beziehungsweise ML-Strategie zu etablieren. Das wirke einer Fragmentierung durch verschiedene Tools und Instrumente entgegen.
Aufgrund der geringen Reife der Technologie in den Instituten sollte unseres Erachtens der Fokus zunächst auf der Generierung von Mehrwert und einem iterativen Vorgehen oder Lernprozess liegen. Somit kann es sinnvoll sein, zunächst isoliert zu beginnen, Anwendungsfälle zu erproben und anschließend die Technologie zu integrieren beziehungsweise die Technologie in den allgemeinen Betrieb zu überführen", meint der Experte.
Dass ML eine neue Generation von Innovationen auf organisatorischer Ebene hervorbringen wird, davon ist Springer-Autor Glaser überzeugt. Dennoch verweist er auf Yann LeCun, Head of Facebook Artifcial Intelligence Research, dem zufolge es derzeit keine Systeme gibt, die annähernd "so intelligent wären wie Ratten". "Schließlich sind die Systeme immer nur auf einem Gebiet extrem spezialisiert, weil sie auf Basis riesiger Datenmengen darauf trainiert wurden."