Konkrete Lösungen statt hohler Phrasen: Auch das kann Digitalisierung für Banken sein. Besonders im Kundengeschäft und in der Administration lässt sich in wenigen Schritten viel erreichen, wenn man Künstliche Intelligenz anzuwenden weiß.
Digitalisierung und Daten bieten viel Potential für Banken und Sparkassen.
Partner des Bank Blogs
Digitalisierung im Bankwesen – uneingeschränkter Heilsbringer oder dubioses Datenschutzrisiko? Selten war eine Branche so hin- und hergerissen zwischen Technikbegeisterung und -skepsis, Vorsicht und mutigem Vorpreschen. Doch selbst die Skeptiker sind auf der Suche – nach Lösungen, die ohne allzu großes Risiko und datenschutzkonform dem Kundengeschäft neue Impulse verleihen und einen Vorsprung im Wettbewerb um den Kunden verschaffen. Die Verwirrung ist groß, die Wege sind lang und das Angebot kaum überschaubar. Und dennoch gibt es Wege, und vergleichsweise einfache noch dazu, sich das Potential der Digitalisierung im Banking zu erschließen.
Banken im Spannungsfeld zwischen Regulatorik, Wettbewerb und Niedrigzins
Eine Lösung ist dringend nötig. Denn die Finanzindustrie kämpft heute mehr denn je im Spannungsdreieck von Regulatorik, Niedrigzins und zunehmend härterem Wettbewerb. Während regulatorische Beschränkungen wie MiFID II steigende Kosten ohne ausgleichende Erträge bedeuten, bietet das mittlerweile chronische Niedrigzins-Niveau kaum Aussicht auf Linderung. Und parallel dazu wird die Kundenbindung durch den immer härteren Wettbewerb aus dem In- und Ausland, FinTechs und junge Digitalbanken auf die Probe gestellt.
Folglich ist der Druck zur Veränderung mindestens so groß wie die Angst vor der Abkehr vom Bewährten. Bei vielen etablierten Playern der Branche hat das zu einem geradezu absurden Mittelweg geführt: Digitalabteilungen werden aus dem Boden gestampft, Labs aller Art eilig gegründet – und das oft mehr aus Zugzwang als aus der strategischen Erwägung, eine innovative Veränderung voran zu treiben. Dabei steht genug auf dem Spiel, was es wert wäre, behäbige Konzernstrukturen zu überwinden und tatsächlich konkrete, grundlegende Veränderungen einzuleiten.
Lösung Teil I: Business Process Automation als Erfolgsfaktor für Banken
Die einfachste Lösung ist nicht zwangsläufig die schlechteste. Deswegen ist ein logischer erster Ansatzpunkt für Digitalisierung im Bankwesen die Administration. Nicht erst seit Einführung der EU-DSGVO ist Banken ein lähmendes Geschirr an Verordnungen, Nachweis- und Dokumentationspflichten auferlegt. Erschwerend kommt hinzu, dass es fast unmöglich ist, neue Systeme einzuführen, ohne vorhandene Legacy-Systeme zu integrieren.
Was hilft, ist Automation. Während Verwaltungsprozesse durch ihre stupide, gleichbleibende Struktur bei Menschen so unbeliebt sind, ist für Maschinen genau das ein Vorteil: Vorhersehbare Prozesse lassen sich leicht automatisieren. Mit automatischer Dokumentenverarbeitung, die Verknüpfung alter und neuer Systeme durch Schnittstellen und viele weitere Maßnahmen werden menschliche Kapazitäten frei, die dann für komplexere Aufgaben bereitstehen.
Aber Automation ist nicht gleich Automation. Durch einen umfassenden Plattformansatz kann gewährleistet werden, dass die System-Legacy in die neue Struktur einbezogen wird. Weiterhin müssen selbstverständlich Compliance und Datenschutz nach DSGVO in die Lösung einfließen. Und zur besonderen Verfeinerung können lernende Algorithmen administrative Prozesse nicht nur weiterführen, sondern auch durch selbstständige Optimierung effizienter und stabiler machen.
Lösung Teil II: Profiling als Potential für Banken
Effiziente Digitalisierung ist oft weniger invasiv, als viele Finanzdienstleister fürchten. Denn bereits mit den vorhandenen Daten der Banken lässt sich viel ausrichten. Um diese schlummernden Kostensenkungspotenziale und Profite zu aktivieren, kommt neben Automatisierung auch Profiling zum Einsatz. Somit werden anonymisiert Charakteristika von Kunden identifiziert und daraus Regeln für Kundengruppen und deren Bedürfnisse und Wünsche abgeleitet. Die Anwendungen im Bankwesen sind vielseitig, u.a.:
- Personalisiertes Marketing: Kundengruppen werden durch Datenanalyse geclustert und können so durch individuelle Ansprache entsprechend ihrer Bedürfnisse adressiert werden – auf dem richtigen Kanal und mit dem richtigen Angebot.
- Risikoprofilierung: Bei der Kreditvergabe lässt sich das Einzelrisiko von Neukunden vorab verlässlich akkurat ermitteln und vor dem Hintergrund des individuellen Risikoportfolios adäquat bepreisen.
- On-Demand-Pricing: Hierbei wird die Preisgestaltung intelligent am identifizierten Kundenbedarf ausgerichtet und zuverlässig mit der Risikoprofilierung gekoppelt.
- Smart Questioning: Vertragsabschlüsse können durch den Einsatz intelligenter Algorithmen auf das Wesentliche reduziert werden. Das spart allen Beteiligten Zeit und verkürzt zudem die Abschlussphase.
- Optimierte Rechnungsstellung: Zahlungsverhalten und Zahlungsströme werden ausgewertet, um die Kundenansprache bei der Rechnungsstellung zu optimieren und so Forderungen effizient abzuwickeln.
Mithilfe dieser Methoden profitiert die Bank zweifach: Einerseits durch direkte Einsparungen und höhere Margen, andererseits durch mehr Transparenz gegenüber dem Kunden, was sich wiederum in Form von gestärkter Kundenbindung manifestiert.
Chancen Künstlicher Intelligenz für Banken
Künstliche Intelligenz (KI), in Form von Deep Learning und neuronalen Netzen, ist Basis und Ergänzung für die Funktion vieler der genannten Techniken. KI ist derzeit in aller Munde und wird als Lösung für alle denkbaren Probleme gehandelt. Aber was ist tatsächlich dran an diesem Mythos und welche Risiken beinhaltet die Technologie, gerade bei der Arbeit mit sensiblen Daten des Bankwesens? Zwei Problemfelder sollten hier Beachtung finden:
Wer mit KI arbeitet, muss zuallererst die Datenqualität beachten. Unabkömmlich als erster Schritt ist die Datenbereinigung: Hierbei werden bspw. doppelte oder falsch eingegebene Kundendaten entfernt und fehlerhafte Profile markiert. Aber die Frage nach der Datenqualität reicht weiter. Seit jeher gilt unter IT-Spezialisten der Slogan: „Shit in, Shit out“, ergo: Das Ergebnis ist nur so gut wie die zugrundeliegenden Daten. Basieren die Daten auf fehlerhaften Prozessen, so ist auch das Ergebnis fehlerhaft. Deswegen werden die Unternehmensdaten mit einer lernenden Logik um erkennbare Fehler bereinigt und bei Bedarf mit externen Informationen angereichert (Data Enrichment). Nur so lassen sich anschließende Prozesse tatsächlich optimieren.
Daraus ergibt sich eine moralische Verpflichtung, der sich KI-Profis bewusst sein müssen. Wer mit Künstlicher Intelligenz nur vergangene menschliche Entscheidungen reproduziert, reproduziert auch alle unsere Vorurteile, Fehler und Unzulänglichkeiten. Gerade auch im Bankenumfeld kann das fatal sein: Die Vergabe von Krediten beispielsweise kann so fehlgeleitet werden, dass bestimmte Bevölkerungsgruppen ohne Vorteil für die Bank systematisch benachteiligt werden. Aber: Dieses Szenario muss nicht Realität werden. Denn wer sich bei der Arbeit mit KI seiner gesellschaftlichen Verantwortung bewusst ist, richtet die Algorithmen dementsprechend aus.
Wichtig ist, Künstliche Intelligenz auf eine verantwortungsvolle Weise zu handhaben, sodass Urteils-Einschränkungen (Bias) vermieden und bestmögliche Ergebnisse erzielt werden können – und das selbstverständlich DSGVO-konform. Die Maxime dabei muss stets lauten: Die menschliche Intelligenz soll durch die Maschine nicht ersetzt, sondern in ihrem Wissen und ihrer Weitsicht ergänzt werden.
Fazit: Das Bankwesen durch Automatisierung und Profiling bereichern
Fakt ist: Finanzdienstleister können durch den Einsatz moderner Technologien großen Nutzen aus den vorhandenen Daten schlagen. So können kurzfristig neue Handlungsspielräume und zusätzliche Geschäftsoptionen entstehen, langfristig aber steht das Empowerment der Bank an erster Stelle: ihr selbstständiges, zukunftsfähiges, agiles, profitables Wirken am Markt.
