Kommentar von Marc Drobe, FICO Individuelle Kundenbedürfnisse automatisiert erfüllen

Anbieter zum Thema

Fair Isaac Deutschland GmbH

Board Deutschland GmbH

INFOMOTION GmbH

Um sich auch künftig im Markt zu behaupten, brauchen Unternehmen automatisierte Entscheidungen, die auf viele verschiedene, individuelle Kundenbedürfnisse eingehen.

Der Digitalisierungsindex des Bundesministeriums für Wirtschaft und Klimaschutz zeigt: Die Digitalisierung der deutschen Wirtschaft stagniert. Bisher konzentrierten sich deutsche Unternehmen vor allem auf die Digitalisierung bereits bestehender Prozesse. Doch diese Herangehensweise ist im Kampf um Innovation und Marktanteile sowie das Erreichen von Geschäftszielen insbesondere bei Entscheidungen bezüglich komplexer Portfolioausrichtungen, nicht mehr ausreichend. Zwar realisieren mittlerweile mehr und mehr Unternehmen höhere Gewinnmargen, indem sie durch Datenanalyse ihre Kundenbetreuung verbessern. Doch ein signifikanter Erfolg lässt sich nur dann erzielen, wenn auf Daten basierende individuelle Kundenentscheidungen automatisiert in digitalen Prozessen integriert werden.

Für Manager komplexer Produkt- oder Serviceportfolios ergeben sich drei wesentliche Herausforderungen:

• 1. Für jeden Kunden und jede mögliche Entscheidungsoption den erwarteten Wertbeitrag bestimmen.

• 2. Unter Berücksichtigung vorhandener interner und externer Beschränkungen sowie teilweise divergierender Ziele mit Simulationen Transparenz über die voraussichtlichen Portfolioergebnisse schaffen und die richtigen Entscheidungen bezüglich der Portfoliostrategien daraus ableiten.

• 3. Mithilfe mathematischer Optimierung jene Strategie identifizieren, die innerhalb der definierten Ziele und Beschränkungen zu optimalen Resultaten führt, und diese im (digitalen) Prozess implementieren.

Die Grenzen historischer Daten und die Rolle der Künstlichen Intelligenz

Die Finanzbranche mit ihren komplexen Portfoliostrategien ist ein gutes Beispiel dafür, dass ein volatiles Marktumfeld und gestiegene Kundenanforderungen an Banken und Finanzinstitute die Notwendigkeit von Simulationen und Stresstests zunehmend in den Vordergrund rücken. Es ist erforderlich, neue Szenarien zu analysieren, die Auswirkungen auf Portfolios zu projizieren und angepasste Entscheidungsstrategien zur Erreichung der KPIs zeitnah umzusetzen.

Die automatisierte Evaluation von Kundenverhalten und kundenzentrierten Aktionen gewinnt dabei zunehmend an Bedeutung und Modelle werden flexibel an neue Daten angepasst. Die traditionelle Segmentierung des Portfolios und Vorhersage individuellen Kundenverhaltens reichen längst nicht mehr aus. Selbst die Entwicklung von datenbasierten Strategien und Advanced Analytics tragen nur in zwei Aspekten zur Entscheidungsfindung bei: Sie ermöglichen erstens die Einschätzung der möglichen Ergebnisse einer spezifisch für einen Kunden definierten Aktion und zweitens die Identifikation der isoliert betrachtet optimalen Entscheidung bezüglich des jeweiligen Kunden.

Die Weiterentwicklung dieses Predictive Analytics-Ansatzes erfolgt durch die Anwendung von Entscheidungsmodellierung und Optimierung mithilfe Künstlicher Intelligenz. Diese Methoden ermöglichen es, unzählige Simulationen durchzuführen, um die optimale Entscheidungsstrategie zur Erreichung spezifischer Portfolioziele zu identifizieren. Im Kontext der Finanzinstitute werden täglich individuelle Kreditvergabeentscheidungen getroffen, die innerhalb einer vordefinierten Strategie liegen. Doch für jeden Kunden gibt es mehrere Entscheidungsmöglichkeiten, von denen jede unterschiedlich zur Zielerreichung des Portfolios beiträgt. Wichtige Faktoren sind die erwarteten Erträge, Verluste und Kosten sowie die prognostizierte Reaktion des Kunden auf verschiedene Entscheidungen.

Außerdem ist es erforderlich, bestehende interne und externe Beschränkungen zu berücksichtigen. Die resultierende Komplexität kann nur durch mathematische Optimierungsansätze effektiv bewältigt werden.

Navigationsinstrumente für das komplexe Portfoliomanagement

Die folgende Analogie illustriert, wie Decision Impact Modelling und Optimierung die Strategie- und Entscheidungsprozesse, etwa für Portfoliomanager eines Finanzinstituts, revolutionieren können: Die Entscheidungsfindung ähnelt dem Steuern eines Flugzeugs. Im traditionellen Modell dient die Preiselastizität als Kompass für die richtige Flugrichtung. Das Risikomodell fungiert analog zum Höhenmesser, um Abstürze zu vermeiden. Die Erfahrung bestimmt, wie weit und wohin geflogen wird. Decision Impact Modelling agiert als das GPS oder der Bordcomputer, der den Weg zum Zielort weist.

Übertragen auf das Bankwesen trifft es individuelle Kundenentscheidungen, um spezifische KPIs zu erreichen. Es identifiziert auch potenzielle Risiken, die es zu umgehen gilt, und zeigt, wie man Strategien in einem dynamischen Wettbewerbs- und regulatorischen Umfeld anpasst. Mathematische Optimierung entspricht dem Autopiloten. Sie leitet den Portfoliomanager an, welche Entscheidungen für jedes Konto erforderlich sind, um das Ziel präzise zu erreichen.

In der angewandten Praxis dienen Decision Impact Modelling und mathematische Optimierung als bevorzugte Instrumente zur Simulation verschiedenster Szenarien. Damit lassen sich wichtige Fragen beantworten wie: Welchen Einfluss hat die Maximierung des Nettozinsertrags auf das Volumen des Neugeschäfts? Wie verändert sich der Zinsertrag, wenn die Maximierung des Volumens im Fokus steht? Wie kann eine simultane Steigerung von Zinsertrag und Volumen erreicht werden und welche Limitationen bestehen hierbei? Mit Decision Impact Modelling und mathematischer Optimierung lassen sich unterschiedliche Szenarien evaluieren, projizierte Portfolioergebnisse visualisieren und Entscheidungsstrategien erarbeiten, die unmittelbar in operative Maßnahmen überführt werden können.

Im Gegensatz zum traditionellen Portfoliomanagement, das eine Segmentierung des Portfolios vornimmt und für jedes Mikrosegment spezifische Maßnahmen festlegt, kann die KI-basierte Entscheidungsoptimierung alle denkbaren Maßnahmen für jeden Kunden berücksichtigen. Es werden dabei dieselben Daten wie beim herkömmlichen Ansatz verwendet. Zusätzlich kommen sogenannte Action-Effect-Modelle zum Einsatz. Diese Modelle ermöglichen es, erwartete Ergebnisse verschiedener Entscheidungen auf Kundenebene zu projizieren. Folglich können alle potenziellen Entscheidungen schnell getestet, berechnet und im Einklang mit festgelegten Restriktionen zur Erreichung der Portfolioziele bewertet werden.

Schlüssel für komplexe Fragestellungen im Portfoliomanagement

Entscheidungsmodellierung und -optimierung liefern Antworten auf wesentliche Fragen, welche Portfoliomanager bei der Entwicklung ihrer Entscheidungsstrategien stellen: Wie beeinflusst eine Änderung der Strategie unter bestimmten Rahmenbedingungen das Portfolio und die Zielsetzungen? Bei jeder Entscheidung in Bezug auf das Portfolio müssen konkurrierende Ziele abgewogen werden.

Bislang erzielte Ergebnisse bei Kunden aus dem Finanzsektor bestätigen die Wirksamkeit dieses Ansatzes. Der Ansatz fördert nicht nur verbesserte Entscheidungen in Bezug auf die Kunden, die in einer gesteigerten Profitabilität des Portfolios resultieren. Er gewährt ebenso tiefere Einblicke in das Portfolio und dessen Mikrosegmente. Diese Transparenz ist essenziell, um auch in einem dynamischen Wettbewerbsumfeld und bei wechselnden wirtschaftlichen Bedingungen profitable Portfolios zu führen.

(ID:50043457)