KI im Bankwesen und Finanzwesen. Stripe, Monzo und Grab | KI im Geschäft #78

KI im Bankwesen – Einführung

Künstliche Intelligenz wird bereits in vielen Bereichen des Bank- und Finanzsektors weitreichend eingesetzt. Es sind nicht nur Chatbots für den Kundenservice oder gut gesicherte Anwendungen. Künstliche Intelligenz wird in der Finanzbranche für noch ernstere Zwecke eingesetzt. Hier sind die Hauptanwendungen von KI im Bankwesen:

• Betrugsbekämpfung und -prävention – Fortschrittliche Algorithmen analysieren Transaktionen in Echtzeit und erkennen verdächtige Aktivitätsmuster. Dies schützt die Kunden effektiv vor Betrug,
• Optimierung der finanziellen Liquiditätsprognose – KI-basierte Vorhersagemodelle analysieren riesige Datenmengen, um zukünftige Cashflows präzise vorherzusagen und die Liquidität genauer zu verwalten.
• Vereinfachung von Prozessen zur Bonitätsbewertung – Auch hier kommen maschinelle Lernalgorithmen zum Einsatz, die auf der Analyse von Tausenden von Kreditanträgen die finanzielle Glaubwürdigkeit eines Kunden genau bewerten können,
• Personalisierung von Angeboten und Empfehlungen für Kunden – Banken nutzen fortschrittliche Empfehlungsmodelle, um Finanzprodukte auf die individuellen Bedürfnisse der Kunden zuzuschneiden,
• Automatisierung von Backoffice-Prozessen – Routinetätigkeiten wie Dokumentenprüfung oder Transaktionsabwicklung können mit Hilfe von KI vollständig automatisiert werden.

Wie haben jedoch Unternehmen, die auf globalen Märkten tätig sind, die Umsetzung dieser Innovationen gemeistert?

Stripe: Transaktionsglaubwürdigkeit durch KI im Finanzwesen

Einer der führenden Anbieter von KI im Finanzwesen ist Stripe. Das Unternehmen hat ein System namens Stripe Radar entwickelt, das in weniger als 100 Millisekunden mehr als 1.000 Merkmale einer Transaktion analysiert, um deren Zuverlässigkeit zu bewerten. Das System hat eine Genauigkeitsrate von 99,9 % und hält gleichzeitig eine niedrige Fehlalarmrate aufrecht.

Wie wurde dies erreicht? Erstens verwendet Stripe fortschrittliche Techniken des maschinellen Lernens wie tiefe neuronale Netzwerke. Das System wird ständig verbessert und mit neuen Fähigkeiten, wie Transferlernen, weiterentwickelt.

Zweitens sucht das Unternehmen ständig nach neuen Signalen in Transaktionsdaten, die helfen können, Anomalien zu identifizieren, die auf potenziellen Betrug hinweisen. Die Ingenieure von Stripe überprüfen jeden Betrugsfall sorgfältig, um die Betriebsabläufe der Kriminellen zu verstehen und das System mit zusätzlichen Regeln anzureichern.

Stripe Radar ist ein hervorragendes Beispiel dafür, wie KI im Bankwesen Kunden effektiv vor finanziellen Betrügereien schützen kann.

Quelle: Stripe (https://stripe.com/blog/how-we-built-it-stripe-radar)

Monzo: KI im Finanzwesen

Monzo, eine in Großbritannien ansässige Neobank, die ausschließlich im digitalen Raum tätig ist, hat die Fähigkeiten des maschinellen Lernens in einem völlig anderen Bereich angewendet: der Optimierung von Marketingkampagnen.

Die Bank hat Modelle entwickelt, die auf historischen Daten basieren und die Bereitschaft eines bestimmten Kunden schätzen können, ein zusätzliches Angebot, wie die Eröffnung eines Sparkontos, in Anspruch zu nehmen, wenn er eine bestimmte Nachricht von der Bank erhält.

Um die Effizienz der Kampagne zu maximieren, zeigt das System an, welche Kunden welche Werbebotschaft erhalten sollten. Dies ermöglicht eine präzise Zielgruppenansprache und führt zu deutlich besseren Ergebnissen als im Fall von massenhaft, nicht personalisierter Kommunikation.

In einigen Fällen hat die Umsetzung einer solchen Optimierung es Monzo ermöglicht, die Effektivität von Kampagnen um bis zu 200 % zu steigern! Dies zeigt, wie KI im Bankwesen helfen kann, Kunden effizienter mit maßgeschneiderten Angeboten zu erreichen, die bei ihnen Anklang finden.

Quelle: Monzo (https://medium.com/data-monzo/optimising-marketing-messages-for-monzo-users-3fe805f24572)

Grab: KI bei der Klassifizierung sensibler Daten

Grab ist ein technologische Riese aus Südostasien, der Dienstleistungen wie Transport und Lieferung anbietet. Das Unternehmen hat beschlossen, die Fähigkeiten von Sprachmodellen (LLM) zu nutzen, um den Klassifizierungsprozess sensibler Daten, die es speichert, zu automatisieren. Dies ist entscheidend, da das Unternehmen die persönlichen und finanziellen Daten seiner Kunden hält.

Zu diesem Zweck wurde ein Satz von Tags vorbereitet, die verschiedene Datenkategorien beschreiben, wie:

• Personenbezogene Daten,
• Kontaktinformationen,
• Identifikationsnummern.

Anschließend wurden geeignete Abfragen für das Sprachmodell entworfen, um diese Tags automatisch basierend auf Tabellen- und Spaltennamen in den Datenbanken zuzuweisen.

Infolgedessen kann Grab gespeicherte Informationen viel schneller und kostengünstiger nach Sensibilität klassifizieren. Dies erleichtert die Durchsetzung von Datenzugriffs- und Datenschutzrichtlinien. Nach Schätzungen des Unternehmens hat die Lösung bis zu 360 Arbeitstage pro Jahr eingespart, die zuvor für die manuelle Datenklassifizierung aufgewendet wurden.

Quelle: DALL·E 3, Eingabeaufforderung: Marta M. Kania (https://www.linkedin.com/in/martamatyldakania/)

Zusammenfassung. Die Zukunft der KI im Bankwesen und Finanzwesen

Wie die Beispiele von Stripe, Monzo und Grab zeigen, liefert künstliche Intelligenz bereits echten Geschäftswert für Banken und Finanzinstitute. Sie kann helfen, Betrug effektiver zu verhindern, Kunden präziser anzusprechen oder mühsame Aufgaben zu automatisieren.

In den kommenden Jahren wird die Rolle der KI im Bankwesen weiterhin stetig wachsen. Wir können die vollständige Automatisierung vieler Backoffice-Prozesse, die Hyper-Personalisierung von Finanzprodukten und eine engere Integration von Modellen des maschinellen Lernens mit Bankensystemen erwarten.

Wenn Ihnen unsere Inhalte gefallen, treten Sie unserer aktiven Community auf Facebook, Twitter, LinkedIn, Instagram, YouTube, Pinterest, TikTok.