Die Fintech-Branche (Financial Technologies) ist ein Bereich, in dem KI sehr effektiv eingesetzt werden kann und bereits eingesetzt wird. Angesichts der riesigen Mengen an Kunden-, Transaktions- und Marktdaten kann die Finanzbranche in vielen Bereichen ihrer Wertschöpfungskette vom Einsatz von KI und Machine Learning profitieren. Von der Kreditvergabe über Geldanlagen bis hin zum Kundenservice – viele datengetriebene Unternehmen haben bereits bewiesen, dass KI in den verschiedensten Bereichen der FinTech-Branche einen echten Mehrwert schaffen kann. Hier sind 10 interessante Beispiele dafür, wie KI genutzt werden kann, um viele alltägliche Probleme von FinTech-Unternehmen zu lösen.

Platz 10 – Betrugserkennung mit Netzwerkanalyse im Bankwesen

Angesichts der nicht einmal im Entferntesten nachvollziehbaren Masse an Transaktionen im modernen Bankwesen ist Betrug zu einem großen Problem für Finanzinstitute geworden. Um die Zahl der betrügerischen Aktivitäten wirksam zu reduzieren, überwachen Bankinstitute die Beziehungen zwischen ihren Kunden, Produkten und Transaktionen, um verdächtige Netzwerke und Muster zu erkennen. Durch die Integration verschiedener Datenquellen, um eine Datenbank mit Kundenaktivitäten und -informationen zu erstellen, können die Daten logisch verknüpft und umgewandelt werden. Normalerweise würden diese Daten stichprobenartig überprüft, um betrügerische Aktivitäten aufzudecken. Das ist aber zeitaufwändig und langsam. Mit Hilfe von Machine Learning und seiner Fähigkeit zur Mustererkennung kann dieser Prozess automatisiert werden und ungewöhnliche Aktivitäten, Beziehungen und Transaktionen können so aufgedeckt werden. Um diese Daten noch zugänglicher zu machen, wird ein Visualisierungstool implementiert, das die betrügerischen Aktivitäten aufzeigt. Dies reduziert nicht nur die Zahl der Betrugsfälle, sondern hilft auch dabei, Kunden- und Transaktionsbeziehungen in Echtzeit darzustellen. Mehr dazu in unserer Case Study.

Platz 9 – Robo-Advisor-gestützte Portfolioverwaltung

Traditionell hat die breite Öffentlichkeit nur sehr begrenzten Zugang zur Finanzberatung durch Privatbankiers und Investmentfirmen und keine Erfahrung in der Durchführung von Finanzanalysen. Robo-Advisor fungieren als kostengünstige Alternative für die Finanzberatung, indem sie menschlichen Aufwand überflüssig und Anlageinformationen für jedermann zugänglich machen. Das Tool bewertet die finanziellen Ziele, den Ist-Zustand, die erwarteten Erträge und die Risikobereitschaft des Kunden mithilfe eines Online-Fragebogens. Durch die Durchführung von Marktanalysen, die auf quantitativen und Machine Learning Modellen basieren und die Nutzung großer Mengen historischer Daten kann der Robo-Advisor dann Anlageempfehlungen ausgeben, um ein diversifiziertes Portfolio unter Berücksichtigung der Präferenzen des Kunden zu erstellen. So haben Kunden nicht nur rund um die Uhr Zugang zu einer Anlageberatung – auch einer breiten Masse von Menschen kann eine solide Anlageberatung angeboten werden.

Platz 8 – Schadenbearbeitung mit NLP

Weil in der Versicherungsbranche häufig schriftliche Schadensmeldungen verwendet werden, muss die Schadensregulierungsabteilung diese überprüfen, um festzustellen, ob der Kunde auch Anspruch auf Schadensersatz hat. An diesem zeitaufwändigen Prozess ist pro Schadensmeldung mindestens eine Person beteiligt, was bei den oft geringen Schadenssummen zu einem enormen Arbeitsaufwand führen kann. Mit den vorliegenden Kundendaten wie Vertragsdaten, Schadensinformationen in einem strukturierten Format sowie einer Schadensbeschreibung kann NLP zur Lösung dieses Problems eingesetzt werden. Ein Modell zur Klassifizierung von Schäden wird dann trainiert, um verschiedene Schäden zu klassifizieren und fehlende Informationen zu identifizieren. Mit diesem Ansatz kann die Regulierungsdauer von einigen Tagen auf Minuten verkürzt und die Zeit für die Prüfung von Schadensberichten deutlich reduziert werden. Mehr zur Regulierung von Kleinschäden hier.

Platz 7 – Datengestützte Kreditwürdigkeitsprüfung

Ein typischer Anwendungsfall für KI in der Finanzbranche ist die Kreditwürdigkeitsprüfung mit Hilfe von maschinellem Lernen. Ein häufiges Problem für Finanzunternehmen sind überfällige Kreditzinsen, die auf ungenauen Risikobewertungen beruhen. Weil typische Kreditrisikobewertungen nur Daten aus der finanziellen Vergangenheit des Kunden verwenden, können sie die Kreditwürdigkeit des Kunden nicht genau abbilden. Durch die Berücksichtigung von Transaktionsdaten, Daten aus sozialen Medien, Beschäftigungsverhältnissen und Finanzdaten wird ein ML-Modell auf die Daten der Vergangenheit trainiert. Mit diesem trainierten Modell kann das Kreditrisiko in Sekundenschnelle bewertet und die beste Kreditlösung empfohlen werden. Dadurch hat das Kreditunternehmen nicht nur seine Kreditraten um 90% gesenkt, sondern kann auch flexibler Kredite an Kunden vergeben.

Platz 6 – Stimmungsanalyse im Handel mit NLP

Zahlreiche Faktoren beeinflussen den Aktienmarkt – darunter auch die Stimmungen der Menschen. Sie spielen eine entscheidende Rolle bei den Börsenbewegungen, denn die Markttrends ändern sich schnell mit der Stimmung. Mit Hilfe der natürlichen Sprachverarbeitung (NLP) können Daten aus sozialen Medien oder Geschäftsberichten gescraped und analysiert werden. Indem ein Modell mit marktbezogenen Textdaten trainiert wird, werden Aktien in drei Kategorien klassifiziert: positiv, negativ und neutral. Diese Informationen können später bei wichtigen Handelsentscheidungen helfen und Aktienkurse in verschiedenen Marktszenarien vorhersagen.

Platz 5 – Chatbots für ein besseres Kundenerlebnis

Mit dem Aufkommen neuer Start-ups und Unternehmen, die unkonventionelle digitale Finanzdienstleistungen anbieten, strömen die Kunden zu Herausfordererbanken wie Chime oder Anbietern reibungsloser Dienstleistungen wie Venmo. Viele neue Fintech-Unternehmen haben ein Produktangebot entwickelt, das auf die Punkte der Wertschöpfungskette abzielt, in denen die Schwächen der etablierten Banken am größten sind. Ein sehr häufiger Faktor ist die geringe Zufriedenheit mit dem Kundenservice. Dieses in vielen Branchen häufig anzutreffende Problem lässt sich mit Machine Learning leicht beheben. Durch die Auswertung häufig gestellter Fragen und die Erstellung eines Fragenkatalogs kann ein Chatbot in Web- und Edge-Dienste implementiert werden, um häufig gestellte Fragen zu beantworten und auf typische Kundenanliegen einzugehen. Da der Chatbot rund um die Uhr über eine Messenger-ähnliche Schnittstelle verfügbar ist, kann der Kunde sofort Antworten auf seine Fragen und Anliegen erhalten. Dies reduziert die Kundenabwanderung erheblich, weil es ein reibungsloses Kundenerlebnis in Echtzeit schafft.

Platz 4 – Analyse von Zahlungsverzug mit Predictive Analytics

Die Verschuldung nimmt zu – sowohl bei Unternehmen als auch bei Privatpersonen. Leider können nicht alle Kreditnehmer:innen ihren Verpflichtungen nachkommen, was dann zu einem Inkasso-Verfahren führt. Weil ein Hauptgrund für Kreditverluste ein oft veraltetes, reaktives Inkassosystem ist, kann KI dieses System erheblich verbessern. Mithilfe von maschinellem Lernen können Kreditnehmer:innen genauer in verschiedene Kategorien und Branchen eingeteilt werden. Durch Datenanalyse und Predictive Analytics in Abhängigkeit von vergangenen Fällen kann der Status des Kreditnehmers ermittelt werden. Mit diesen Informationen und einer genaueren Analyse kann erkannt werden, welche Kreditnehmer:innen ihre Zahlungsrückstände wahrscheinlich selbst beheben können und welche eine Kreditumstrukturierung oder veränderte Zahlungsbedingungen benötigen. Mehr dazu in unserer Case Study.

Platz 3 – Beschleunigtes Kunden-Onboarding durch KI

Der erste Eindruck ist oft der wichtigste – das gilt nicht nur im persönlichen Gespräch. Wenn man sich für ein neues Bankkonto anmeldet, ist der Prozess oft unpersönlich, zeitaufwändig und nicht sehr kundenfreundlich. Kundenabbrüche sind ein häufiges Problem im Onboarding-Prozess und können durch die Implementierung eines einzigartigen, kundenorientierten Onboarding-Erlebnisses behoben werden. Mit Hilfe von OCR und Computer Vision können wichtige Dokumente wie der Personalausweis identifiziert und mit dem Gesicht der Person in einem Video verglichen werden. Das reduziert nicht nur die Notwendigkeit einer „echten“ Interaktion zwischen Kunde und Bank, sondern beschleunigt auch den Onboarding-Prozess für Neukunden. Darüber hinaus können Änderungen an der Benutzeroberfläche bewertet werden, um das Benutzererlebnis zu verbessern und anzupassen und das Risiko des Kundenabbruchs zu verringern.

Platz 2 – Kundensegmentierung auf Basis von Kundenaktivitäten und Produkten

Finanzinstitute arbeiten mit einer enormen Anzahl von Kunden – wenn man bedenkt, dass fast jeder Mensch über ein eigenes Bankkonto verfügt. Daher ist es fast unmöglich, den Zusammenhang zwischen Finanzprodukten und verschiedenen Kundensegmenten manuell zu analysieren. Mithilfe von verschiedenen Datenquellen wie Produktdaten, Kundendaten und Kundenaktivitäten kann maschinelles Lernen verschiedene Kundensegmente identifizieren. Indem diese Gruppen auf Dashboards dargestellt werden, lassen sich wertvolle Erkenntnisse über die Nutzung von Produkten, Cross- und Upselling-Möglichkeiten und den Customer Lifetime Value gewinnen. Wichtige Kundengruppen werden identifiziert und entsprechend behandelt. Die Produktgruppen können auf ihre effektiven Zielgruppen hin beurteilt werden.

Platz 1 – Betrugsprophylaxe im Finanzwesen

Die Analyse der Betrugswahrscheinlichkeit ist eine schwierige und zeitaufwändige Aufgabe für Finanzdienstleister. Um sicherzustellen, dass eine Person für den beantragten Kredit in Frage kommt, werden oft Gehaltsabrechnungen verlangt. Diese müssen manuell auf ihre Plausibilität geprüft werden, was sehr zeitaufwändig und fehleranfällig ist. Moderne Analytik und Machine Learning können den Kreditprüfungsprozess sowohl für den Kunden als auch für den Finanzdienstleister beschleunigen und vereinfachen. Indem ein Modell mit Daten aus der Vergangenheit trainiert wird und persönliche Daten, Finanzproduktdaten sowie Gehaltsabrechnungen verwendet werden, kann Betrug in Sekundenbruchteilen erkannt und effektiv verhindert werden. Die Zeit, die für die manuelle Prüfung von Gehaltsabrechnungen benötigt wird, kann so erheblich reduziert werden, was zu einer schnelleren Bearbeitung, einem besseren Kundenerlebnis und vor allem einer deutlich niedrigeren Betrugswahrscheinlichkeit führt.