Advertorial
Banken kämpfen seit Jahren mit diversen Herausforderungen in der Gesamtbanksteuerung. Prominente Beispiele hierfür sind die wertorientierte Kundensegmentierung, die Quantifizierung des erwarteten Verlusts in Rating- und Scoring-Prozessen sowie die Vorhersage möglicher Risikoabweichungen von erwarteten Verlusten (welche damit zur Belastung des Eigenkapitals werden). Auch die Nutzung von Optionsrechten im Kundengeschäft und damit einhergehend die Vorhersage des Zahlungsstroms in der Gesamtbanksteuerung macht den Instituten zu schaffen. Liegen nämlich keine präzisen Informationen zum Kundenverhalten vor, müssen Banken Annahmen treffen.
Aus Sicherheitsgründen nimmt eine Bank meist das Schlechteste an, was häufig kalkulatorische Preisaufschläge zur Folge hat. Ob diese tatsächlich eingepreist werden, entscheidet der Marktverantwortliche. In solchen Fällen kommt es in der Regel zu einer adversen Selektion: Kunden, bei denen ein Problem aufgrund getroffener Annahmen unterschätzt wird, nehmen ein Angebot an, ohne dass alle Risiken eingepreist sind. Wird ein Problem überschätzt, besteht die Gefahr, dass Kunden von anderen Instituten besser risikoadjustierte Angebote erhalten und dort unterschreiben.
Von den GAFA lernen, Künstliche Intelligenz nutzen
Unternehmen wie Google, Amazon, Facebook und Apple (GAFA) lösen dieses Problem, indem sie mehr über einen Kunden wissen als der Kunde über sich selbst. Banken können das auch. Mittels Künstlicher Intelligenz (KI) können sie auf Basis vorliegender Daten schneller genauere Annahmen treffen und damit die Informationsasymmetrie reduzieren.
Eine sinnvolle Vorgehensweise ist, zwei zentrale Bestandteile der Steuerung operationeller Risiken auf andere Problemfälle in der Gesamtbanksteuerung anzuwenden: die Risikoinventur und der Aufbau einer Verlustdatenbank. Wie in der Steuerung operationeller Risiken führen Banken zunächst eine interne Expertenbefragung durch. Ziel ist es, Risikotreiber zu sammeln.
Diese werden zum Anlernen eines KI-Algorithmus verwendet. Sobald die vorliegenden und geeigneten Daten identifiziert sind, erfolgt, vergleichbar mit der Verlustdatenbank in der Steuerung operationeller Risiken, der Aufbau eines Datenhaushaltes, auf Basis dessen eine KI zum Einsatz kommen kann.
Use Case Factory: Erfahrungen wiederverwenden
Die Übernahme dieser Vorgehensweise kann eine der großen Digitalisierungsfragestellungen lösen: Nicht wie die Digitalisierung erfolgt, ist häufig die Herausforderung, sondern was der Gegenstand der Digitalisierung ist. Die Definition von Use Cases erleichtert die folgenden standardisierten Schritte:
1. Projektinitialisierung: Problemstellung identifizieren und Fall auf grundsätzliche Eignung untersuchen.
2. Konzeptstudie: Workshops zur Risikoinventur, Identifikation gewünschter Dateninhalte und Abgleich möglicher Datenquellen zum Aufbau der Verlustdatenbank, Prüfung der verfügbaren Daten auf ihre Eignung für den Einsatz einer künstlichen Intelligenz.
3. Vorbereitung des Umsetzungsprojektes: Anzupassende Prozesse und Anwendungen identifizieren, Anpassungsbedarf formulieren sowie den erwarteten Nutzen für die Bank definieren.
In der anschließenden Entwicklungsphase des Proof of Concept werden Details bestimmt und die Entscheidung für Technologie und KI-Komponenten getroffen. Für die Implementierung bietet sich ein agiles Vorgehen an, zum Beispiel in einem internen oder externen Innovation Lab. Die beschriebene Vorgehensweise der Use Case Factory bereitet die sich anschließenden Umsetzungsprojekte optimal vor. Der größte Aufwand liegt in der Konzeption der anzupassenden Methoden, Prozesse und Anwendungen und der unter regulatorischen Gesichtspunkten bedeutsamen Verfahrensdokumentation der zu implementierenden Anwendungen.
Auch wenn durch die Verwendung von Standards die Definition von Use Cases bis hin zur Machbarkeitsstudie mit überschaubarem Aufwand erfolgen kann, ist dieser Umsetzungsaufwand bei jedem Use Case von Anfang an bei der Bewertung des erwarteten Nutzens mit ins Kalkül zu ziehen.
