Die Möglichkeiten von KI im Finanzbereich
Als „Exploratory Analytics“ wird das Erkennen von Zusammenhängen und Mustern bei bestehenden Daten bezeichnet. Dies ermöglicht beispielsweise eine Kundensegmentierung per Clustering-Verfahren, bei dem Kunden basierend auf ihrem Verhalten in mehrere Klassen eingeteilt werden. So wird eine deutlich gezieltere Kundenansprache sowohl im Privatkundenbereich wie auch im Firmenkundengeschäft möglich. Die Methode der Predictive Analytics beschäftigt sich mit dem Bereich der Mustererkennung und dem Generieren von Prognosen. Der Bereich der “Prescriptive Analytics“ versucht, Aussagen darüber zu treffen, wie sich Trends in bestimmte Richtungen beeinflussen lassen oder wie ein unerwünschtes Ereignis verhindert werden kann. All diese Verfahren werden zum jetzigen Zeitpunkt bereits ausgiebig in verschiedenen Geschäftsmodellen genutzt: Vom Maschinenbau über die Bereiche Payments und Immobilien, im Gesundheitswesen und bei Versicherungen.
Unser Consulting ist dabei in der Lage, die kompletten Analyse Prozesse von der Datenerfassung bis hin zur Qualitätssicherung im laufenden Betrieb abzudecken. Ganz gleich, welche Projekte und welche Märkte – GFT unterstützt Sie bei der digitalen Transformation.
Der Einsatz von KI im Banking
Der Einsatz von KI Banking wird bei unserer Smaragd ICS Lösung zur Reduktion von False-positives genutzt, um eine akkurate Segmentierung von Kunden, basierend auf deren tatsächlichen Zahlungsverhalten zu ermöglichen. Änderungen bei den Transaktionen oder der Geldanlage Strategie werden somit beständig erfasst, womit die Anzahl der fälschlich auffallenden Kunden gesenkt wird und so Einsparpotentiale bei der Alert-Bearbeitung realisiert werden können.
Mit derartigen Lösungen lässt sich auch die Datenqualität enorm steigern. Bevor die Kunden geclustert werden, erfolgt eine sog. „Ausreißeranalyse“. Hierbei werden Datenpunkte, welche sich weitab von den anderen Datenpunkten befinden, direkt als Ausreißer erkannt und eingeordnet, womit sich die Datenqualität erheblich verbessern lässt.
Künstliche Intelligenz bei Banken kann also leicht eingesetzt werden, um die Alert-Qualität zu erhöhen, indem durch spezifische Schwellenwerte und eine Erhöhung der Datenqualität, sowie durch die verhaltensabhängige Gruppierung von Kunden Aufwands- und Kostenreduktionen umgesetzt werden können. Auch individuelle Clustering-Lösungen, sowie eine nachvollziehbare Protokollierung lassen sich so realisieren.
