Business Paper

Künstliche Intelligenz in der Bankenbranche

Banken sollten Kunden besser besser kennen

Künstliche Intelligenz in der Bankenbranche

In den letzten Jahren haben Banken schwere Zeiten durchgemacht. Die Finanzkrise brachte in der Folge zahlreiche regulatorische Auflagen mit sich. Die Niedrig- bzw. Nullzinspolitik ließ die Gewinnmargen dahinschmelzen. Und mit PSD 2 ist mit der Hoheit über den Zahlungsverkehr die quasi letzte Bastion der Banken gefallen. Höchste Zeit also und Gründe genug, der veränderten Situation und dem daraus insbesondere entstandenen massiven Kostendruck clever zu begegnen – und in das Kundenverstehen zu investieren. Für besseren Service und eine individualisierte Kundenansprache. Lesen Sie in unserem neuen Branchen-Paper Banken, wie Künstliche Intelligenz gestützt auf qualitativ hochwertige Daten hilft, diese Richtung einzuschlagen und den entsprechenden Weg zu gehen.

Neue Kundenbedürfnisse erfordern neue Wege

Drei Viertel aller Bankkunden haben die Erwartung, personalisierte Produktempfehlungen auf Basis ihrer jeweiligen Bedürfnisse und Ziele zu erhalten. Doch nur jede vierte Bank sieht sich momentan in der Lage, diese persönlichen Bedürfnisse ihrer Kunden voll zu unterstützen. Entsprechend ist es dringend notwendig, die vorhandenen Unmengen von Kundeninformationen wie Zahlungsdaten, Bonität und Kaufverhalten gewinnbringend zu nutzen. Ohne technologische Unterstützung ist das allerdings nicht zu schaffen. Der gezielte Einsatz von Künstlicher Intelligenz gestützt auf eine verlässliche Datenbasis kann hier helfen, in Kombination mit professionellem Datenqualitätsmanagement.

Kundensegmentierung verspricht großes Potenzial

Künstliche Intelligenz kann umfassend und konkret bei der Personalisierung von Produkten und Services helfen. Die Kunden honorieren dies. Entsprechend verspricht die Kundensegmentierung großes Potenzial. Schade ist, dass Banken bisher in der Regel nur nach einem Merkmal kategorisieren, etwa nach der Unternehmensgröße oder dem Familienstand. Entscheidung ist jedoch, eine Vielzahl von Merkmalen miteinander zu kombinieren. Erst dann können Cluster gebildet werden, erst dann kann von echter Personalisierung gesprochen werden. Und je digitaler die Kunden werden, desto wichtiger ist es, die entsprechenden Kanäle und Spuren miteinander zu verknüpfen. Auch Betrugserkennung, automatisierte Finanzberatung sowie Prognosen für die Kreditvergabe sind dann möglich.

Die Qualität der Kundendaten ist allerdings erfolgskritisch

Um Kundensegmentierungen, Zahlungsprognosen oder Ausfallrisiken jedoch erfolgsversprechend zu betreiben, ist es essenziell, dass die Kundendatenbasis, die ein Finanzdienstleister dem KI-System zur Verfügung stellt, qualitativ hochwertig ist. Denn die Grundlage jedes Machine-Learning-Systems sind Datenmengen – in der Regel zehn Prozent – anhand derer ML-Systeme erst einmal trainiert werden müssen. Nach Beendigung dieser Lernphase ist das System in der Lage, zu verallgemeinern und auch unbekannte Daten zu beurteilen. Damit das System nun nicht falsch lernt und irrtümliche Prognosen erstellt, muss die zugrundeliegende Datenbasis absolut fehlerfrei ist. Oder einfach gesagt: Je korrekter eine (Kunden-) Datenbasis ist, umso besser wird ein Algorithmus daraus seine Schlüsse ziehen. Damit aber wiederum nichts aus dem Ruder läuft, ist es entscheidend, dass wirklich alle Kundendaten integriert werden.

Künstliche Intelligenz in der Bankenbranche - Fachbericht


Lesen Sie in unserem neuen Fachbericht, wie Banken mittels KI den Kundenservice verbessern, die Kundenansprache individualisieren und welche Rolle in diesem Zusammenhang eine qualitativ hochwertige Datenbasis spielt.

Mehr zum Thema

Sie wollen mehr zum Thema Künstliche Intelligenz und Machine Learning erfahren? Kommen Sie zur INNOVATIVE 2018! Wir freuen uns auf Ihre kostenlose Anmeldung.