Auch Banken müssen sich digitalisieren. Machine Learning dient ihnen dabei oft als Grundlage, doch die Technologie ist nicht leicht umzusetzen. Drei wichtige Erkenntnisse zur Verwendung von Machine Learning im Überblick:
3 Erkenntnisse zum Status Quo von Machine Learning im Finanzwesen
Die digitale Transformation hat die Finanzbranche endgültig erfasst. Bedingt durch schwindende Renditen, der Bedrohung durch Fintech-Unternehmen und den wandelnden Erwartungen der Kunden befindet sich jedes Finanzinstitut im Prozess der Digitalisierung, um effizienter zu arbeiten und den Kunden besseren Service bieten zu können.
Machine Learning (ML) hat sich dabei in der gesamten Branche etabliert, um Prozesse zu automatisieren und die zahlreichen Nutzerdaten für eine effizientere Entscheidungsfindung nutzbar zu machen. Dabei sind die verschiedenen Institute unterschiedlich weit fortgeschritten und blicken auf unterschiedliche Erfahrungen zurück, so eine zentrale Erkenntnis des Risk & RegTech Summit von Actico, kürzlich in Frankfurt. Grundlegende Parallelen lassen sich dennoch erkennen.
1. Es gibt keine Blaupause für erfolgreiche ML-Projekte
Auch wenn sich Finanzinstitute einig darüber sind, ihr Geschäftsmodell mittels Machine Learning auf die nächste Stufe zu heben, so hat sich noch kein Erfolgsmodell herauskristallisiert. Neben klassischen Fällen wie z.B. Kreditanträge automatisiert zu beurteilen oder die False Positive Rate bei Compliance Treffern zu reduzieren, bieten sich zwar zahlreiche Use Cases, um Machine Learning nutzbar zu machen und Prozesse automatisiert abzuwickeln. Die Frage, welche dies sein sollen, welche Daten dabei zum Einsatz kommen und welche Ziele dadurch erreicht werden sollen, finden in den Instituten unterschiedliche Antworten. Daher vollzieht sich die Durchführung vergleichsweise langsam, da sie sich nicht am Erfolgsmodell anderer orientieren können, sondern per explorativer Vorgehensweise ihre eigene Umsetzung entwickeln müssen.
