Fintech: Analytics
Fintech: Analytics

Wissenstext

Fintech: Analytics

Analytics in der Finanzindustrie

Die Themen Analytics und Machine Learning werden immer wichtiger für Unternehmen aller Industrien und erhalten zunehmend Aufmerksamkeit in den Medien. In den letzten Jahren hat die künstliche Intelligenz insbesondere im Bereich der Bild- und Spracherkennung, bei der Übersetzung von Sprachen oder bei Spielen wie zum Beispiel Go bedeutende Fortschritte gemacht. Diese Erfolge wurden nicht zuletzt möglich dank einer Kombination von immer grösseren Datenmengen und zunehmend kostengünstigen Rechenleistungen.

Definitionen von Analytics und Machine Learning

In der Literatur gibt es verschiedene Definitionen der entsprechenden Begriffe. Nach Davenport und Harris (2007) beinhaltet das Thema Analytics die umfassende Nutzung von Daten, um mittels statistischer Analysen Erklärungs- und Prognosemodelle ableiten zu können. Durch das Sammeln und Verarbeiten von Daten sollen also nützliche Informationen gefunden werden, welche helfen, bessere Entscheidungen zu treffen, welche für verschiedene Beteiligte einen Mehrwert schaffen. Ähnlich verwendete Begriffe für Analytics sind Data Mining oder Big Data. Weiter kann «Analytics» in mehrere Formen unterteilt werden. Diese Unterscheidung hängt vor allem von dem Nutzungsziel und dem zeitlichen Fokus ab. Während sich beispielsweise die deskriptive Analytics mit der Vergangenheit beschäftigt und versucht, Auswirkungen auf die Gegenwart zu verstehen, liefert die präskriptive Analytics auch Handlungsempfehlungen dafür, wie man einen bestimmten Trend in eine gewünschte Richtung beeinflussen, ein vorhergesagtes Ereignis verhindern oder auf ein zukünftiges Ereignis reagieren kann.

Auch der Begriff Machine Learning («maschinelles Lernen») beinhaltet einen breiten Anwendungsbereich. Das Ziel von Machine Learning besteht darin, Algorithmen zu entwickeln, die «lernfähig» sind.

Mehrwert von Analytics und Machine Learning in der Praxis

Finanzunternehmen können durch Analytics und Machine Learning grundsätzlich auf drei Arten einen Mehrwert erzielen. Einerseits erlaubt der Einsatz der entsprechenden Tools, gewisse Kosten zu verringern (z.B. durch Prozessautomatisierung oder den Einsatz von Chatbots). Als Zweites können Einnahmen gesteigert werden, indem Algorithmen genauer vorhersagen können, welche Kunden welche Produkte zu welchem Zeitpunkt kaufen könnten (Cross- und Upselling). Als Drittes können dank Analytics und Machine Learning die Risikokosten reduziert werden. Für die Finanzindustrie ist in diesem Zusammenhang vor allem die Betrugserkennung und -prävention (Fraud Detection), zum Beispiel im Bereich von Kreditkartenbetrug, zentral. Die Maschinen überprüfen bei Kreditkartentransaktionen unter anderem den jeweiligen Zeitpunkt der Transaktion, die transferierte Geldmenge, das Land der Transaktion, sowie das Alter und das Geschlecht des Karteninhabers. Wenn beispielsweise die gleiche Karte innerhalb einer Stunde an acht verschiedenen Geldautomaten benutzt wurde, dann wird die Transaktion als möglicher Betrug erkannt. Oder die Maschine erkennt, dass es wohl nicht möglich ist, dass eine Person fünf Stunden nach einem Einkauf in Zürich an einem Geldautomaten in Chicago Bargeld bezieht, und verhindert die entsprechende Transaktion. Darüber hinaus können dank Machine Learning auch Muster im Verhalten entdeckt werden, die von Menschen so nicht gefunden werden könnten. Ein weiteres Anwendungsfeld von Machine Learning in der Finanzindustrie ist der Bereich Compliance. Dank dem Einsatz von Machine Learning können Banken auch in diesem Bereich ihren Aufwand und ihr Risiko reduzieren.

Ausblick

Das Thema Analytics respektive Machine Learning birgt ein grosses Potenzial für Unternehmen in der Finanzindustrie sowie für deren Kundinnen und Kunden. Wie oben aufgezeigt, ermöglicht eine intelligente Nutzung der Daten nicht nur potenzielle Ertragssteigerungen, sondern auch Kosteneinsparungen und eine Reduktion von Risiken. Allerdings muss Maschine Learning noch eine Vielzahl an Herausforderungen meistern, damit es breit in der Praxis eingesetzt werden kann. Als Erstes ist wünschenswert, dass die entsprechenden Modelle künftig auch angeben können, wie hoch der Grad der Unsicherheit der Vorhersagen ist. Ein weiterer, wichtiger Punkt für eine erfolgreiche Anwendung von Machine Learning ist die Interpretierbarkeit der Resultate. Black-Box-Algorithmen führen dazu, dass es für einen Menschen oftmals unmöglich zu verstehen ist, warum ein Modell eine bestimmte Vorhersage oder Entscheidung trifft. Entsprechend ist es schwierig, den von der Maschine gemachten Vorschlägen zu folgen, wenn die Verlässlichkeit der Resultate nicht bekannt ist und die Resultate schwierig nachvollziehbar sind. Zudem steht die Technologie trotz verschiedener Erfolgsgeschichten noch immer am Anfang. Und noch immer wird eine grosse Menge an Daten benötigt, um die Technik sinnvoll anwenden zu können. Dazu ist – im Gegensatz zum Menschen – die Fähigkeit der Technologie, Wissen von einer Aufgabe auf eine andere zu übertragen, noch sehr begrenzt.

Quellen

  • Davenport, T.H., Harris, J.G. (2007). Competing on analytics: The new science of winning. Harvard Business Press
  • Gartner (2012): Gartner Analytics Ascendancy Model