Künstliche Intelligenz im Retail-Banking: Wohin geht die Reise?

Die Digitalisierung und mit ihr die Künstliche Intelligenz transformieren Unternehmen und Geschäftsmodelle. Der Umgang mit den Kunden im Retail-Banking ist ein Beispiel, wie gewachsene Beziehungen neu definiert werden.

Neue Informationstechnologien verbesserten über Jahre hinweg die Effizienz und steigerten den Umsatz im Finanzsektor. KI verspricht eine Wiederholung dieser Entwicklung. Bisher wird sie im Retail-Banking allerdings noch wenig genutzt.

Derzeit erproben Banken, mit Hilfe von KI Betrugsversuche im Online-Banking in Echtzeit zu erkennen und zu unterbinden. Darüber hinaus finden erste Versuche im Rahmen der Kundenidentifizierung („Know your customer“, KYC) statt. Robo-Advisor haben das Laborstadium dagegen hinter sich gelassen und entwickeln sich zu umfassenden KI-Lösungen. Auch der Einsatz von Chatbots findet in der Praxis bereits statt und wird mit der Verfeinerung der KI-Methoden sowohl in der Breite der Anwendung wie auch in der Qualität weiter zunehmen.

Betrugsversuche in Echtzeit erkennen

Im Hinblick auf die Betrugsprävention im Online-Banking kann auf die langjährigen Erfahrungen beim Processing von Kreditkartenzahlungen zurückgegriffen werden. Die grundsätzliche Frage bleibt die gleiche: „Ist es hinreichend plausibel, dass eine bestimmte Person zu einem bestimmten Zeitpunkt eine bestimmte Transaktion mit einem bestimmten Transaktionsvolumen durchführt?“ Angesichts der riesigen Datenmengen aus vergangenen Transaktionen ist dieses Thema für den Einsatz von Machine Learning geradezu prädestiniert. Es sollte möglich sein, aus den Mustern in den vorhandenen Daten vorherzusagen, ob hier Cyberkriminelle am Werk sind oder ob ein Kunde gerade seinen Geschäften nachgehen möchte. Ebenso ist Betrugsprävention im Hinblick auf das Unterscheiden von Menschen und Maschinen keine neue Fragestellung, sondern wird schon länger von Banken und ihren Rechenzentralen verfolgt. In diesem Zusammenhang liegt die Herausforderung heute darin, einen Vorsprung vor den Cyberkriminellen zu bewahren, die sich früher oder später auch der Möglichkeiten von KI für die Verbesserung ihrer Betrugsversuche bedienen werden.

Kundenwünsche voraussagen

Außerdem werden die Möglichkeiten der Unterstützung in KYC-Prozessen als interessantes Anwendungsfeld für KI angesehen. Algorithmen können helfen, die Identität von Kunden zu überprüfen und zu verifizieren. Konkret können etwa verfügbare Kundenunterlagen mit Personeninformationen aus dem Internet abgeglichen werden, um festzustellen, ob die Unterlagen ein zutreffendes Bild vom Kunden zeichnen. Bei Unstimmigkeiten können dann detailliertere KYC-Prüfungen durch Bankmitarbeiter vorgenommen werden. Analysen mit KI bieten Kreditinstituten zusätzlich die Möglichkeit, die Daten ihrer Kunden im Hinblick auf wahrscheinliche Interaktionen auszuwerten. Auf Basis dieser Analyse können beispielsweise Prognosen über aktuelle Wünsche von Kunden oder auch Hinweise auf eine Abwanderung (Churn-Analyse) generiert werden.

Kosten senken

Neben der Reduzierung von Betrugsrisiken und der effektiveren Gestaltung der Kundeninteraktion spielen im Retail-Banking auch Kostensenkungsaspekte eine Rolle. Ein Beispiel dafür sind Chatbots, die als digitale Assistenten per Chat oder Telefon mit den Kunden in Kontakt treten, um deren Anliegen zu erledigen. Idealerweise wird dabei die Beteiligung eines Bankmitarbeiters überflüssig bzw. nur in Ausnahmefällen erforderlich. Bei Chatbots kommen heute ebenfalls KI-Technologien zum Einsatz.

KI-Algorithmen können bei der Finanzplanung unterstützen

Ein weiteres Thema sind Robo-Advisor. Hier befindet sich eine bereits in der Praxis vorhandene Anwendungen auf dem Weg zu einer umfassenden KI-Lösung. Die vollständige Automatisierung bestimmter Asset-Management-Dienstleistungen ist heute keine Zukunftsmusik mehr. Gleiches gilt für Online-Finanzplaner, mit deren Hilfe die Kunden stichhaltig begründete Konsum- und Sparentscheidungen treffen können. Mit zunehmender Reife der dahinterliegenden KI-Algorithmen gelingt es diesen Anwendungen immer besser, selbstständig Daten zu durchsuchen und Muster darin zu finden.

Aber dieses Feld offenbart auch ein gewisses Dilemma beim Einsatz von KI in einer gewachsenen Bank-Kunde-Beziehung, die auf Vertrauen basiert. So kann ein Bankberater seine (konventionelle) Empfehlung für ein bestimmtes Anlageprodukt in der Regel gegenüber seinem Kunden auf der Basis von Research und Markteinschätzung begründen. Bei der Produktempfehlung einer KI, die als Ergebnis der Analyse großer Datenmengen unter Einsatz intransparenter Algorithmen erfolgt, ist eine Nachvollziehbarkeit oft schlicht nicht möglich. Es entsteht ein Rechtfertigungsproblem in der Kommunikation, das nur behoben werden kann, indem die Verwendung von KI für den Kunden zum Bestandteil des Vertrauens wird, das er seiner Bank entgegenbringt.

Mensch – Maschine – Bank

Gerade Direktbanken und Kapitalverwaltungsgesellschaften stehen wegen ihres digitalen Geschäftsmodells, welches kein eigenes Filialnetz und so kaum persönlichen Kontakt zu den eigenen Kunden vorsieht,  bei der Einführung von KI-Lösungen an der Spitze der Branche. Da zu erwarten ist, dass Algorithmen auf Dauer die besseren Anlageempfehlungen abgeben, folgt daraus die Aufgabe, die Unternehmenskultur und die Kundeninteraktion an die veränderten Bedingungen anzupassen. Berater, die KI als Bedrohung ansehen, die ihnen die Kontrolle über die Beziehung zum Kunden entzieht, gehen schweren Zeiten entgegen.

Dieser Beitrag ist Teil unserer Blog-Serie zur Künstlichen Intelligenz im Banking

 

Bild: Shutterstock

Schreibe einen Kommentar

Ähnliche Artikel