Von der Medizin bis zum Marketing: Maschinelles Lernen revolutioniert viele Branchen. Insbesondere für Versicherungen und Banken ergeben sich Riesenchancen. Denn sie sitzen auf einem kostbaren Schatz: Bestands- und Kontodaten. Diesen Schatz können sie nur mit systematischer Analyse heben.
Finanzdienstleister können mithilfe Künstlicher Intelligenz vielfältige Informationen über ihre Kunden erhalten.
Partner des Bank Blogs
Versicherungsberater kannten bislang meistens nur einen kleinen Ausschnitt aus dem Leben ihres Kunden. Hat er eine Mietschutzversicherung gekauft, wissen sie, wie hoch die Miete ist. Hat er eine Tierhalterhaftpflichtversicherung gebucht, wissen sie, dass es ein Tier gibt. Hat er eine Hausratsversicherung angeschafft, wissen sie, wie groß das Haus ist. Die Berater gucken durchs Schlüsselloch – und sehen bloß einen Bruchteil. Genau das ändert sich gerade.
Wenn der Kunde zustimmt, kann die Versicherung die Kontodaten durchleuchten. Eigentum oder Miete, Bahncard 100 oder SUV, Single oder Familienmensch – all das verraten die Überweisungen, Einzugsermächtigungen und Lastschriften. Aus diesen Kontobewegungen können Versicherer Schlussfolgerungen ziehen. Eigenheim angezahlt? Beziehungsstatus geändert? Haushalt vergrößert? Daraufhin können Versicherer passende Policen anbieten.
Datenschatz heben
In ihrer Rohform sind Kontodaten allerdings ein Durcheinander. Hier ein Supermarkteinkauf, dort eine Fitnessstudiomitgliedschaft. Nicht alles ist für die Versicherer gleichermaßen relevant. Aus dieser Menge müssen sie also die Punkte herausfiltern, die ein Profil ergeben. Wie sehen die Einkommensverhältnisse aus? Wie steht es um die Wechselbereitschaft? In einem Satz: Wo lässt sich der Kunde innerhalb einer Vergleichsgruppe verorten?
Antworten auf solche Fragen liefert das maschinelle Lernen (ML), eine Form von Künstlicher Intelligenz, kurz KI, die BANKSapi entwickelt und trainiert. Diese KI hat anhand eines riesigen Datensatzes gelernt, die Details zu destillieren, die wichtig sind, um die Daten zu gruppieren, die zusammengehören. In Sekundenbruchteilen fertigt die KI ein Profil, das sie anderen Profilen gegenüberstellt. So ist glasklar zu erkennen, wo der Kunde Versorgungslücken hat.
Das Verfahren lässt sich in drei Phasen unterteilen. Der Algorithmus startet völlig autonom mit einem riesigen Datensatz. Er weiß nicht, worum es sich handelt, er weiß nicht, wonach er eigentlich sucht. Unüberwachtes Lernen wird dieser Vorgang genannt, bei dem das Programm sich selbst beibringt, Ähnlichkeiten zu erkennen. Im Verlauf vieler Millionen Durchgänge verfeinert es diese Fähigkeit immer weiter, bis es unschlagbar effektiv geworden ist.
Human in the Loop
Nun folgt Schritt zwei: Hier ist wieder ein Mensch gefragt, der die hocheffektive Sortierung mit der Expertise der Bancassurance verbindet. Er stellt die Bezüge der gefundenen Datencluster zu den richtigen Konzepten her – er gibt den reinen Daten ihren Sinn. In Phase drei ist der Algorithmus bereit für den Einsatz im echten Leben. Dabei wird er mit jedem Datensatz besser: Er hat nie ausgelernt.
Vorbild Google
Ganz ähnlich geht übrigens Google vor: Die Ergebnisliste einer Suchanfrage ist nichts anderes als eine Reihe von Vermutungen des Algorithmus darüber, was wohl der Sinn der Frage war. Erst der Klick der Nutzer auf das gewünschte Ergebnis gibt der Liste einen Sinn – dadurch lernt der Algorithmus etwas für das nächste Mal. So hilft jeder Nutzer mit jeder Google-Suche freiwillig, den Algorithmus ein Stück besser zu machen.
Das finanzielle Blutbild
Gefährdet oder abgesichert? Der Versicherer hat dank Algorithmus alle Werte gebündelt vorliegen – fast wie eine Ärztin, die anhand eines Blutbildes den Gesundheitszustand eines Patienten auf einen Blick ablesen kann. So wie die Ärztin nach der Diagnose zu einer Therapie rät, kann nun auch der Versicherer Lösungen vorschlagen. Etwa eine Berufsunfähigkeitsversicherung, die sich automatisch Gehaltserhöhungen anpasst.
Auf der Quelle der Daten sitzen freilich nicht die Versicherer. Auf der Quelle der Daten sitzen die Banken. Für sie gilt ganz genauso: Ohne systematische Analyse sind die Daten nichts wert. Für sie ist es zum Beispiel notwendig, mögliche Kreditausfälle vorherzusehen. Sie können Algorithmen nutzen, um für einen Kunden seine soziodemographische Gruppe mit seinen Kontoumsätzen zu koppeln. Daraus berechnen sie die Wahrscheinlichkeit eines Kreditausfalls.
Nicht weniger interessant ist für Banken wie Versicherer die Abwanderungsrate. Auch hier verbindet der Algorithmus die soziodemographische Gruppe mit den Kontoumsätzen. Der Kunde hat in der Vergangenheit den Gasanbieter gewechselt oder regelmäßig neue Mobilfunkverträge abgeschlossen? Und jetzt eine Zahlung an die Konkurrenz veranlasst? Die Wahrscheinlichkeit ist hoch, dass der Kunde sich rasch für neue Angebote begeistern lässt.
Der Vorteil für die Kunden: Sie erledigen ihre Finanzen bequem und schnell – insbesondere die Angelegenheiten, die sie sonst eher beiseite schieben. Niemand denkt gerne daran, eines Tages womöglich eine Pflegekostenversicherung in Anspruch nehmen zu müssen. Die meisten wissen nicht so ganz genau, ob sie in ihrem Zweitdepot die richtigen Fonds horten. Genau da setzen Drittanbieter wie BANKSapi an.
Ausblick Multibanking
Drittanbieter wie BANKSapi erleichtern das digitale Zusammenspiel von Versicherungen und Banken. Seit der EU-Richtlinie PSD2 dürfen sie unter der Aufsicht der BaFin auf Kontodaten zugreifen – sofern die Kontoinhaber das erlaubt haben – und Zahlungen auslösen. Den Kontozugriff nutzen solche Drittanbieter zur sogenannten Multibanking-Aggregation. Sie bündeln die Daten von verschiedenen Konten, außerdem Kreditkarten, Depots und Bausparverträge. Damit liegt der Datenschatz komplett vor. Und kann gehoben werden.
