Datengetriebenes Private Banking durch künstliche Intelligenz

• Datengesteuerte Bankgeschäfte und neue Technologien wie etwa KI und ML sind das Thema der Stunde in der Finanzdienstleistungsbranche.

• Zühlke hat ein datengesteuertes MVP zur Anlageempfehlung für die Kundenberater der VP Bank entwickelt.

• Datenzentrierte ML-Lösungen und KI-Technologien können für Banken eine neue Ära mit zufriedeneren Kunden und höheren Margen einleiten.

Informationen sind heutzutage ein wichtiges Unterscheidungsmerkmal und Finanzdienstleistungsinstitute sind sich dessen vollkommen bewusst. Künstliche Intelligenz (KI) und maschinelles Lernen (ML) bleiben ein aktuelles Thema in der Finanzdienstleistungsbranche. In unserer internationalen, branchenübergreifenden Studie zu KI sehen 85 von 100 befragten Entscheidungsträgern ein hohes Potenzial im Bereich Daten- und KI-Projekte. Eine weitere Studie prognostiziert einen jährlichen Beitrag von 1 Billion USD durch Daten und KI im Bankensektor in den kommenden Jahren.

Wettbewerbsvorsprung durch KI und ML

Banken sind einem zunehmenden Wettbewerbsdruck durch Fintechs und Neobanken ausgesetzt. Es hat sich gezeigt, dass neuartige digitale, kundenzentrierte Dienstleistungen erforderlich sind, um Mehrwert zu schaffen und die Kundenbindung und Kundengewinnung zu steigern. Dies erzeugt eine Menge Druck auf Marketing und Vertrieb. Die gute Nachricht ist, dass die Digitalisierung den Weg für datenzentrierte ML-Lösungen geebnet hat, die zur Bewältigung dieses Drucks beitragen. Viele Banken setzen also KI-Technologien ein, um einen Wettbewerbsvorteil zu erlangen.

Wir haben mit der VP Bank mit Sitz in Liechtenstein ein derartiges Projekt begonnen, um ihren Kundenberatern ein System zur Entscheidungsunterstützung an die Hand zu geben. Kundenberater erbringen für ihre Kunden unter anderem auch Anlageberatungen. Dabei verlassen sich Kundenberater auf die Anlageempfehlungen des Forschungsteams und werden oft durch spezialisierte Produktexperten und Portfoliomanager unterstützt. Dies erfordert fundierte Kenntnisse der Finanzmärkte und der Kundenbedürfnisse (Risikobereitschaft etc.). Je mehr Kunden die Bank gewinnt und je mehr Produkte sie anbietet, desto höher wird die Komplexität.

Ziel unseres Projektes war es, Kundenberater beim Empfehlungsprozess zu unterstützen und das gezielte Ansprechen von Kunden zu verbessern. Derartige ML-Systeme werden Menschen nicht durchweg ersetzen, sie dienen vielmehr als Entscheidungshilfe zur Unterstützung des Menschen. Denken Sie nur an Taschenrechner, die ebenfalls Teil von Entscheidungshilfesystemen sind. Wie produktiv wäre man wohl ohne sie? Anlageempfehlungstools sind als intelligente Taschenrechner zu verstehen.

Unser Projekt startete mit einer Findungsphase. Zusammen mit der Geschäftsleitung der Bank identifizierte unser Team schnell den folgenden Geschäftsfall mit hohem Potenzial: Die VP Bank veröffentlicht seit vielen Jahren Anlageideen, wobei die grösste Herausforderung darin bestand, die richtigen Kunden anzusprechen. Die Anlageideen müssen zur Portfoliostrategie der Kunden passen und Compliance-Vorgaben erfüllen. Im Bild unten sind fiktive Beispiele für Anlageideen zu sehen, wie sie in unserem Empfehlungssystem zu finden sind.

Enge Zusammenarbeit zwischen den Teams von Zühlke und der VP Bank

Mit der Investmentstory («Alexa, beschütze mich») entfaltet sich das volle Potenzial des Anlageempfehlungstools, wie sich im Bild unten erkennen lässt.

Oben links sehen wir eine Beschreibung der Investmentidee mit der Option, ein PDF mit einer detaillierteren Beschreibung herunterzuladen, das unmittelbar an den Kunden weitergeleitet werden kann.

Unten links sehen wir alle Kundenportfolios, nach Compliance gefiltert und nach der Übereinstimmung des Portfolios mit der aufgerufenen Investmentidee geordnet. Die grösste technische Herausforderung in diesem Bereich war es, ein Modell zu entwickeln und vorauszusagen, wie gut das Portfolio eines Kunden und mögliche Kundeninteressen mit einer bestimmten Investmentidee übereinstimmen. Unser Data-Science-Team entwickelte und bewertete in enger Zusammenarbeit mit den Fachbereichsexperten der Bank verschiedene Machine-Learning-Modelle.

Vertrauensbildung als zentrales Prozesselement

Zudem ist es uns gelungen, eine Compliance Engine zu bauen, die automatisch die Kunden herausfiltert, die nicht zur Investmentidee passen. Durch diese Prozessautomatisierung wird den Kundenberatern eine mühsame und repetitive Aufgabe abgenommen. Sie können nun direkt die am besten passenden Kunden mit der Investmentidee kontaktieren. Oben in der Mitte sehen wir das Reasoning für die Anlageempfehlung, das für die Kundenkommunikation genutzt werden kann.

Es war überaus wichtig, Vertrauen für die ML-Lösung aufzubauen. Wir haben uns dieser Herausforderung gestellt, indem wir die Kundenberater so früh wie möglich in das Projekt miteinbezogen und das Reasoning für die Empfehlung in einem transparenten, anwenderfreundlichen Front End bereitgestellt haben. Darüber hinaus zeigen Anlageempfehlungen sowohl regelbasierte Ergebnisse, die aus der gängigen Praxis abgeleitet sind, sowie die ML-Empfehlung, damit die Kundenberater die unterschiedlichen Matching Scores der Portfolios unmittelbar vergleichen können.

Eine weitere wichtige Funktion ist die Liste der Anlageinstrumente, die in der Investmentidee enthalten sind. Die endgültige Entscheidung, ein bestimmtes Instrument zu empfehlen, liegt im Ermessen des Kundenberaters. Genau in der Mitte sieht man den «VP Sustainability Score», also die Nachhaltigkeitsbewertung des aktuellen Kundenportfolios.

Auf der rechten Seite wird dem Kundenberater das Portfolio des Kunden angezeigt: Ein Überblick der Assetklassen, die drei wichtigsten Beteiligungen und die letzten Transaktionen ermöglichen dem Kundenberater eine informierte und professionelle Kundeninteraktion. Es muss auch sichergestellt werden, dass die intelligente Lösung sich ständig weiter verbessert: Mit den zwei Schaltflächen unten rechts können die Kundenberater Feedback zu den Vorschlägen abgeben. Diese Erkenntnisse werden gespeichert und kuratiert. Dadurch wird die Lösung weiter optimiert und belastbarer für verschiedene Grenzfälle aus der Praxis.

Begrenzte Zeitspanne für den Einsatz von ML

Gemäss der Gartner CFO and Finance Executive Conference 2021 haben Unternehmen nur begrenzt Zeit, um durch den Einsatz von ML tatsächlich einen Wettbewerbsvorteil zu erlangen. Die meisten Unternehmen sind bereit, in Daten und KI zu investieren. Sie müssen jedoch auf Projekte mit echtem Transformationspotenzial setzen, statt nur bestehende Prozesse zu modernisieren, um den ROI langfristig zu beeinflussen.

Wir bei Zühlke glauben an eine ausgewogene Investitionsstrategie im Bereich Daten und KI, um Vertrauen zu schaffen und Wachstum zu sichern. Kontaktieren Sie uns, falls Sie sich dafür interessieren, wie wir Unternehmen bei der Erarbeitung einer solchen Strategie und bei der Umsetzung von sowohl gewagten transformatorischen als auch stetigen Modernisierungslösungen unterstützen.