Künstliche Intelligenz (KI) und Analytics im Finanzsektor

Mit KI-Anwendungen echten Mehrwert im Finanzsektor stiften

Datengetriebene Technologien bergen klar großes Potenzial für die Finanzindustrie. Dabei ist wichtig, dass Finanzinstitute diese Technologien gezielt dort einsetzen, wo sie auch einen nachweisbaren geschäftlichen Mehrwert stiften.

Innerhalb der Finanzbranche lassen sich hierbei drei Anwendungsgebiete für künstliche Intelligenz und Analytics unterscheiden:

1. Kunden mithilfe von KI begeistern
2. Prozesse beschleunigen und verschlanken
3. Institute effektiver mit KI steuern

I) Kunden mithilfe von KI begeistern, Differenzierung durch den Einsatz von Analytics stärken, Umsätze steigern

In der Interaktion mit dem Kunden unterstützen Technologien der künstlichen Intelligenz dabei, durch eine erhöhte Verfügbarkeit und Reaktionszeit ein verbessertes Kundenerlebnis zu schaffen. Gleichzeitig erlauben sie es, sich auf Kernkompetenzen zu fokussieren und Ressourcen effizienter zu nutzen.

KI-basierte, digitale Assistenten stehen hier erst ganz am Anfang der Entwicklung und werden die Kundeninteraktion in den nächsten Jahren stark verändern. Dazu gehören Lösungen wie Chatbots oder Voicebots. Hierbei gilt es, die Interaktion vor allem persönlich und intuitiv zu gestalten.

Technologien aus dem Bereich Data Analytics helfen Finanzdienstleistern dabei, ihre Kunden besser zu verstehen, bedarfsgerechtere Wertangebote zu schaffen und dadurch einen positiven Effekt auf das Unternehmensergebnis zu erreichen. Kunden sollen zur richtigen Zeit die richtigen Produkte über den richtigen Kanal mit einer für sie individuell passenden Ansprache angeboten werden.

Mit KI zu einer effizienten Kundenkommunikation

Mithilfe von KI-Algorithmen Kundenkommunikationsportfolios analysieren und Mehrwert in der Kundenkommunikation schaffen.

Weiterlesen »

II) Prozesse in der Finanzbranche mit künstlicher Intelligenz beschleunigen und verschlanken

Banken und Finanzdienstleister müssen sich nach außen stets vom Wettbewerb abgrenzen. Das Effizienzpotenzial durch Standardisierung an der Kundenschnittstelle bzw. im Frontoffice ist daher eingeschränkt. Anders im Middle- und Backoffice, hier lassen sich Prozesse durch intelligente Automatisierung effizienter und schlanker umsetzen. Methoden der künstlichen Intelligenz erlauben IT-Unterstützung für bislang nicht automatisierbare Prozessschritte.

Endkunden profitieren durch den Einsatz von KI von deutlich verkürzten Antwortzeiten und erleben eine beschleunigte Realtime-Dienstleistung. Interne Kapazitäten werden frei für komplexere und besonders wertstiftende Aufgaben – wie den Aufbau und die Pflege der zwischenmenschlichen Beziehungen – und ermöglichen damit weiteres Wachstum des Geschäfts.

Process-Mining analysiert die verbleibenden manuellen Prozessabläufe des Vertriebs und der Produktion und wertet diese mit Data-Analytics-Methoden aus. Dies hilft dabei, einen objektiven Einblick in die laufenden Prozesse zu erhalten. Die so geschaffene Transparenz erlaubt es, Risiken zu minimieren und Effizienzen zu steigern.

III) Institute effektiver mit KI steuern und Entscheidungen fundierter auf Basis von Analytics treffen

Um richtige Entscheidungen für den Einsatz von künstlicher Intelligenz zu treffen, müssen Entscheidungsträger/-innen alle relevanten Daten und Informationen berücksichtigen. Mit steigenden Anforderungen an die Daten hinsichtlich Menge, Struktur, Aktualität und Komplexität wird die Verarbeitung dieser Daten entsprechend aufwendiger. Klassische Methoden der Datenanalyse und -auswertung kommen hier schnell an ihre Grenzen.

Innovative Ansätze aus dem Data-Analytics- und KI-Umfeld bieten dabei neue Möglichkeiten zum Verarbeiten und Auswerten der relevanten Daten. Sie liefern eine datengetriebene Entscheidungsgrundlage, damit Entscheidungsträger/-innen schneller und besser Entscheidungen treffen können.

Voraussetzungen und Rahmenbedingungen für den Einsatz von KI

Im Zuge der Wahl der richtigen KI-Anwendung müssen Finanzdienstleister die erforderlichen Voraussetzungen und Rahmenbedingungen berücksichtigen, damit der Einsatz von datengetriebenen Technologien auch den gewünschten Mehrwert erzielt. Dazu gehören sowohl Themen hinsichtlich der Aufstellung der Technologie und Architektur, aber auch weniger technische Punkte rund um das Geschäfts- und Betriebsmodell.

Notwendige Rahmenbedingungen für KI & Analytics

Technologie passend wählen und Unternehmensarchitektur fundiert aufbauen

Eine besondere Voraussetzung für den Erfolg datengetriebener Anwendungen unter Einsatz von künstlicher Intelligenz sind die Qualität und Effektivität der entwickelten Modelle. Dies wiederum hängt von der Verfügbarkeit vertrauenswürdiger und aktueller Daten ab, mit denen die Modelle gespeist werden. Um das sicherzustellen, ist ein umfassendes Datenmanagement zu betreiben.

Die Realisierung professioneller KI- und Data-Analytics-Anwendungen hängt zusätzlich zu den Daten von der Wahl passender, moderner und zukunftssicherer Datenanalysetools, Frameworks, Plattformen sowie Infrastrukturen ab.

Bekanntlich ist das Ganze mehr als die Summe der Einzelteile. Daher ist das Aufeinanderabstimmen der erforderlichen Komponenten und das Einbetten in das große Ganze im Rahmen der Unternehmensarchitektur von entscheidender Bedeutung für eine zielgerichtete Umsetzung.

Geschäftsmodell richtig auf KI und Analytics ausrichten

Grundsätzlich stehen Technologie und Geschäftsmodell in Wechselwirkung zueinander. Im Zeitalter einer „digitalen Welt” haben der zielgerichtete Einsatz und die Nutzung von Technologien nicht nur eine unterstützende Funktion, sondern sind ausschlaggebend dafür, dass ein Geschäftsmodell „lebendig” und nachhaltig erfolgreich wird.

Das bedeutet, dass der Einsatz moderner Technologien wie künstlicher Intelligenz und Data Analytics längst zu einer strategischen Fragestellung geworden ist – und das in beide Richtungen: Disruption als externer Faktor, der auf das Geschäftsmodell einwirkt und dieses nachhaltig beeinflusst.

Gleichzeitig ergeben sich aus der Ausrichtung konkrete Anforderungen an Anwendungsfelder der „Emerging Technologies“. Vor diesem Hintergrund bedeutet der Zusammenhang zwischen Technologie und Geschäftsmodell nicht mehr nur, etwas Bekanntes besser oder effizienter zu machen, sondern geht darüber hinaus: Es werden Möglichkeiten und Instrumente geschaffen, um gänzlich neue Produkte bzw. Services zu entwickeln oder auch bislang unerreichbare Kundengruppen zu adressieren.

Dieses Zusammenwirken spiegelt sich konsequenterweise in allen relevanten Dimensionen des Geschäftsmodells wider: von Markt und Wettbewerb über Produkte und Leistungen bis hin zur Monetarisierung.

Betriebsmodell und Governance wirksam auf KI und Analytics einstellen

Für das Betriebsmodell stellt sich die Herausforderung, wie die im Geschäftsmodell definierten Produkte und Services an die Kunden zu liefern sind. Im Kontext datengetriebener Technologien ergeben sich neue Anforderungen an Mensch, Prozess, Organisation und Führung.

Der Umgang mit Technologien wie Data Analytics und künstlicher Intelligenz erfordert neue Kompetenzen bzw. Rollen wie Data Analyst, Data Engineer oder Data Scientist. Zudem stellt sich die Frage, wie und wo diese neuen Rollen in der Aufbauorganisation einzubetten sind und auf welche Weise das Zusammenspiel mit der bestehenden Organisation gestaltet werden soll.

Weiterhin sind geeignete Prozesse und Methoden aufzusetzen, um datengetriebene Vorhaben effektiv und effizient durchführen zu können. Zweifelsohne muss das Betriebsmodell unter Einhaltung der Governance und Compliance realisiert werden. Für datengetriebene Technologien ergeben sich besondere Anforderungen, die es zu berücksichtigen gilt.

Ganz gleich ob es sich um Anwendungen aus den Bereichen der Kundeninteraktion, Prozess oder Entscheidungsfindung handelt, wichtig ist, wertstiftende Anwendungsfälle für den Einsatz von KI und Analytics im Finanzsektor zu identifizieren, zu bewerten und umzusetzen. Gleichzeitig sollten die erforderlichen Rahmenbedingungen bei Finanzdienstleistern geschaffen werden, damit das Vorhaben auch langfristig erfolgreich wird.