Noch vor wenigen Jahren brauchte es den Menschen, um Texte zu verstehen und Bilder zu erkennen. Diese Funktionen lassen sich heute zunehmend mit Hilfe kognitiver Technologien (KT) und „Machine Learning“ automatisieren. Führende Unternehmen nutzen KT, um ein verbessertes Kundenerlebnis zu schaffen – so z.B. Apple Music mit Musikvorschlägen aufgrund des Nutzerverhaltens. Welchen Einfluss können kognitive Technologien für Finanzdienstleister entwickeln?

Wie können kognitive Technologien in der Finanzindustrie Mehrwert schaffen?

Wie können kognitive Technologien in der Finanzindustrie Mehrwert schaffen (Symbolbild)?

„Recommendation Engines“ als Basis kundenzentrierter Angebote

Der im Apple-Beispiel erwähnte Meilenstein ist eine Anwendung einer sogenannten „Recommendation Engine“ (Empfehlungsmaschine). Hierbei wird „maschinelle Lerntechnologie“ zur Ergänzung oder zur vollständigen Automatisierung eines Entscheidungsprozesses eingesetzt. Die Verhaltensmuster der Kunden sind die Basis einer passgenauen Lösungsentwicklung. So wird die Personalisierung des Kundenerlebnisses möglich. Amazon beispielsweise generiert bereits ca. 30 % des Umsatzes über Produktempfehlungen aufgrund dieser Technologie.

Mehrwert in der Kundenberatung

Bankkunden möchten ihre Ausgaben und Investitionen möglichst sinnvoll tätigen. Der Begriff „sinnvoll“ ist für jeden Kunden unterschiedlich – und genau hier kann die „Recommendation Engine“ durch die Individualisierung Mehrwert ermöglichen. Das Analysieren von Transaktionsdaten ermöglicht es, den Kunden massgeschneiderte und auf ihre Bedürfnisse abgestimmte Produkt- und Lösungsvorschläge zu unterbreiten. Neben der steigenden Effektivität entsteht für den Kunden auch ein Effizienzgewinn durch Zeitersparnisse. Die Kundenberater können zudem zielgerichteter und kompetenter beraten. So resultiert eine Steigerung der Produktivität und Wertschöpfung der Mitarbeiter und des kundenseitig wahrgenommenen Mehrwerts.

Mehrwert in der Betrugsbekämpfung

Betrügerische Aktivitäten sind für Banken sehr kostspielig. Traditionell kommt bei Banken an dieser Stelle ein regelbasierter „Pattern-Matching-Ansatz“ zum Einsatz. Dieser identifiziert durch musterbasiertes Suchen Anomalien in vorhandenen Strukturen. Dieses Verfahren ist einerseits zeitaufwendig in der Pflege und andererseits oft nicht effektiv, da sich die Betrugstechniken ständig und schnell weiterentwickeln. Durch „maschinelles Lernen“ sind Banken in der Lage, Anomalien und verdächtige Aktivitäten viel genauer und vor allem auch früher zu erkennen. Dies führt sowohl zur Senkung erfolgreicher Betrugsfälle als auch zu einer Reduzierung von Fehlalarmen.

Konklusion

Automatisierte Entscheidungsfindung mit KT verändert die Art und Weise, wie Banken Dienstleistungen entlang der gesamten Wertschöpfungskette erbringen können. Um die Vorteile voll ausschöpfen zu können, sollten die Finanzdienstleister die „Customer Journey“ ihrer Kunden ganzheitlich und durchgehend verstehen. Kognitive Technologien können hier sowohl in Bezug auf die Effizienz als auch die Effektivität massgeblich beitragen.

Autor
Bernhard Koye

Prof. Dr. Bernhard Koye

Zum Profil
ALM | Asset Valuation | Bankenregulierung | Bankgeschäftsmodelle | Banking | Bank-IT | Bankkundenberatung | Banksteuerung | Blockchain | Digitalisierung | Finanzmanagement | FinTech | Firmenkundenberatung | Innovationsmanagement | Investment Banking | Management von Banken | Marketing und Vertrieb von Banken | Next Finance Business Models | Online Banking | Organisationsentwicklung | Portfolio Management | Private Banking | Privatkundenberatung | Retail Banking | Versicherung | Vorsorge | Wealth Management
more...
Autor
Kevin Schneebeli

Kevin Schneebeli

Zum Profil
Banking | Digital Insurance | Next Finance Business Models | Versicherung
more...
Facebook Twitter Xing LinkedIn Whatsapp E-Mail