Kommentar von Karim Jouini, Expensya Dieses Potenzial hat KI im Finanzwesen

Anbieter zum Thema

Tableau von Salesforce

Disy Informationssysteme GmbH

Xpand Solutions GmbH

Künstliche Intelligenz (KI) hat eine große Auswirkung auf eine Vielzahl verschiedener Lebensbereiche. Das Finanzwesen ist einer der Sektoren, der am stärksten vom zunehmenden Einsatz Künstlicher Intelligenz beeinflusst wird. Doch Finanzinstitute wurden nicht in die digitale Welt hineingeboren: Um sich dem digitalen Wandel anzupassen, bedarf es Veränderungen und technologischen Anpassungen auf unterschiedlichen Ebenen.

In den vergangenen Jahren hat Big Data im Finanzsektor zu wichtigen technologischen Innovationen in Bezug auf individuell anpassbare und sichere Lösungen geführt. Die Big-Data-Analyse veränderte in den vergangenen Jahren nicht nur einzelne Geschäftsprozesse, sondern die gesamte Finanzdienstleistungsbranche.

Die Kombination aus Geschwindigkeit und KI-basierten Prozessen mit menschlicher Intelligenz sowie analytischem Verstand eröffnet Unternehmen neue Möglichkeiten. Für Firmen aus der Finanzbranche entstanden und entstehen hier viel versprechende Möglichkeiten, die gerade in den letzten Jahren begonnen haben, ihr Potenzial zu entfalten. Doch wie sieht das konkret aus?

Gerade der Bereich der Buchhaltung und Dokumentation im Finanzwesen eignet sich ideal zum Einsatz von Algorithmen. Banken und Versicherungen waren mit die ersten Branchen, die das Potenzial von Machine Learning und Big Data Analytics zur Lösung „konkreter Probleme“ erkannt haben. Nehmen wir das Beispiel von Kreditkarten: Die Entscheidung, wer über eine Kreditkarte verfügen darf und wer nicht, wurde früher von Experten anhand sorgfältig ausgearbeiteter Regeln und Berechnungen getroffen. Dieser Prozess ist komplex in der Steuerung und die Bewertung erfordert ein hohes Maß an kontextualem Wissen. Oftmals stützten sich solche Berechnungen auf die Kreditwürdigkeit. Machine Learning jedoch nutzt Algorithmen und statistische Methoden, um Daten zu analysieren und Muster zu erkennen.

Mehr als nur Entscheidungsfindung

Auf Grundlage verfügbarer Finanzdaten liefert die Künstliche Intelligenz nicht nur Informationen zur Entscheidungsfindung, sondern ist auch in der Lage, vorteilhaftere Ergebnisse vorzuschlagen. Sie berechnet beispielsweise den Zinssatz einer Karte so, dass er für das kartenausgebende Finanzinstitut am attraktivsten ist. Künstliche Intelligenz und maschinelles Lernen nehmen somit den Platz menschlicher Experten ein und können Fehlentscheidungen, die Millionen kosten können, entgegenwirken.

Laut einer Studie des CFA Instituts aus dem Jahr 2019 liegt jedoch vor allem der europäische Finanzsektor bei der Adaptierung von KI-Technologien weit hinter den Märkten in Asien und Nordamerika. Doch mit einem sich stetig wandelnden Finanzsektor werden KI-Technologien für diese Branche immer weiter an Bedeutung gewinnen und der Innovationsdruck zunehmen. Die zögerliche Anwendung von Machine Learning und Künstlicher Intelligenz liegt ohne Zweifel auch an der starken Regulierung und gesetzlichen Anforderungen, die Finanzinstitute erfüllen müssen.

Doch Künstliche Intelligenz ist heute Teil fester Bestandteil vieler Finanzberatungssysteme, da sie Erkenntnisse aus Daten gewinnen und Muster erstellen kann, die für Menschen nur sehr schwer zu erkennen wären. Darüber hinaus kann sie Vorhersagen treffen, wie sich diese Muster in Zukunft wiederholen könnten. Aktuell bleiben die im Unternehmen zur Verfügung stehenden Daten oft noch ungenutzt. Finanzunternehmen verfügen wie andere Branchen über wahre Datenberge zu Nutzungsverhalten und Transaktionsströmen. Anonymisierte Auswertungen dieser bereits vorhandenen Daten könnten den Verantwortlichen wichtige und vor allem günstige Entscheidungsunterstützung bieten.

Notwendig sind Qualitativ hochwertige Daten

Damit eine KI-basierte Technologie erfolgreich arbeiten kann und relevante Thesen zur Entscheidungsfindung erarbeiten kann, werden qualitativ hochwertige Daten benötigt. Nur auf Basis der richtigen Daten kann eine Entscheidung getroffen werden, das gilt sowohl für analoge wie für digitale Entscheidungsfindungsprozesse.

Gerade in der Finanzbranche ist das von Bedeutung. Tagtäglich fallen Millionen von Daten aus unterschiedlichen Quellen an. Analysten müssen die Genauigkeit, Sicherheit und Geschwindigkeit der Daten überwachen, um so Vorhersagen treffen zu können, neue Finanz-Modelle zu entwickeln und Prognosestrategien zu erstellen. Maschine-Learning-Algorithmen sind dafür hervorragend geeignet, weil sie in kurzer Zeit eine große Menge an Daten verarbeiten, strukturieren und analysieren können. Sie stellen somit eine wichtige Informationsquelle zur Entscheidungsfindung in Unternehmen dar – sei es in Bezug auf den Kundenservice, zur Betrugsprävention oder zur Risikobewertung.

Betrugsprävention

Da es sich bei Finanzgeschäften häufig um sensible Vorgänge handelt, sind Machine-Learning-Algorithmen und die Künstliche Intelligenz von großem Nutzen, wenn es um Betrugserkennungs- und Betrugsmanagementsysteme geht. Mit Big Data Analytics lassen sich auch Unregelmäßigkeiten in bestimmten Prozessen wie der Ausgabenverwaltung in Echtzeit erkennen. Prozesse bei der Betrugsprävention werden dadurch effektiver und effizienter. Damit kann ein Unternehmen Betrugsversuche, zum Beispiel nicht autorisierte Transaktionen, schneller feststellen oder verhindern.

Nehmen wir das Beispiel der Spesenverwaltung: Betrug bei der vorsteuerabzugsfähigen Mehrwertsteuer geht in Europa jährlich in die Millionen. Künstliche Intelligenz kann heute dabei helfen, Ausgabenbelege zu prüfen und Hinweise auf gezielte Eingriffe zu finden. Anhand des bisherigen Ausgabeverhaltens bei verschiedenen Transaktionen kann sie auf ein ungewöhnliches Verhalten hingewiesen, z. B. die Verwendung einer Karte innerhalb verschiedener Länder in nur wenigen Stunden oder der Versuch, einen für das betreffende Konto ungewöhnlichen Geldbetrag abzuheben. Das Sicherheitsrisiko, das Kreditkarten früher darstellten, wurde durch analytische Verfahren, die das Kaufverhalten interpretieren, entschärft. Bei Diebstahl von Bankdaten beispielsweise können die Banken heute umgehend die Karten sperren, Transaktionen abbrechen und ihre Kunden informieren.

Einblicke in den Aktienmarkt in Echtzeit

Maschinelles Lernen verändert außerdem Transaktionen und Investmentverhalten. Anstatt nur die Börsenkurse zu analysieren, ist es mithilfe von Big Data heute möglich, politische und soziale Trends, die sich auf den Aktienmarkt auswirken können, miteinzubeziehen. Durch maschinelles Lernen können Trends in Echtzeit verfolgt werden und dementsprechendes Handeln nach sich ziehen.

Genaue Risikoanalyse

Hierzu gehört auch die Risikoanalyse. Gerade in einem zunehmend wettbewerbsorientierten Umfeld müssen Unternehmen die richtigen strategischen Entscheidungen treffen. Künstliche Intelligenz hilft bei der Erfassung und dem Verständnis vielfältiger Daten aus dem Mikro- und Makrokontext. Sie helfen zukünftiges Verhalten zu prognostizieren, indem Entscheidungsträgern mehrere Szenarien mit unterschiedlichen Möglichkeiten zur Verfügung gestellt werden.

Wichtige Finanzentscheidungen, wie z. B. Investitionen, lassen sich auf Grundlage unabhängiger KI-basierter Analysetools treffen. Prädiktive Analyse berücksichtigen unterschiedliche Faktoren – von der Wirtschaft über Kundensegmente bis hin zum Unternehmenskapital – und helfen so potenzielle Risiken von Fehlinvestitionen zu erkennen.

Cloud-Lösung

Heute wird in Finanzunternehmen gerade auf Cloud-Lösungen gesetzt. Da Legacy-Systeme nicht in der Lage sind, unstrukturierte Daten zu verarbeiten und Big Data zu unterstützen, setzen Analysten zunehmend auf Cloud-Datenlösungen. Big-Data-Lösungen in der Cloud senken die mit lokaler Hardware verbundenen Kosten und verbessern die Skalierbarkeit und Flexibilität. Sie erlauben höhere Sicherheitsstandards und ermöglichen vor allem eine genauere Analyse unterschiedlicher Datensätze.

Es besteht also ein hohes Potenzial von Künstlicher Intelligenz im Finanzwesen, das es in den nächsten Jahren zu entfalten und zu nutzen gilt.

(ID:47744370)