Wie können Banken wirklich KI-getrieben werden?

Das Jahr 2023 stellt Finanzinstitute, insbesondere Banken, vor eine Vielzahl von Herausforderungen: Einerseits müssen sie sich mit den anhaltenden Auswirkungen der COVID-19-Pandemie, dem Krieg in der Ukraine und der steigenden Inflation auseinandersetzen. Gleichzeitig ist es wichtig, dass sie mit den sich rasch entwickelnden Branchentrends Schritt halten, darunter die zunehmende Kundenorientierung, ein strengeres regulatorisches Umfeld und der steigende Druck auf die Betriebskosten.

Wie, so magst du dich fragen, können Banken diese Erwartungen in diesem immer schwieriger werdenden Umfeld erfüllen? Sehen wir uns an, worum es bei den aktuellen Branchentrends geht und wie Daten, Automatisierung und künstliche Intelligenz (KI) Banken dabei unterstützen können, ihnen gerecht zu werden.

Dank Datenanalyse, Automatisierung und KI mit den Branchentrends Schritt halten

Trend 1: Zunehmende Kundenzentrierung
Kunden verlangen zunehmend von Banken, dass sie ihre Dienstleistungen an deren Bedürfnisse und Vorlieben anpassen. Einerseits wollen sie Finanzdienstleistungen nutzen und die notwendige Unterstützung erhalten, wann und wo immer es ihnen passt. Andererseits stellen Kunden hohe Anforderungen an die Umwelt-, Sozial- und Governance-Standards (ESG) von Banken. Mit Datenanalyse, Automatisierung und KI können Banken ihre Kundenorientierung auf folgende 3 Arten erhöhen:

• Personalisierter Service: Mithilfe von Technologien wie dem Metaverse und Virtual Reality können Banken mit ihren Kunden auf neue Weise in Kontakt treten und so das gesamte Bankerlebnis persönlicher gestalten. Darüber hinaus können Banken im Metaverse die wachsende Nachfrage nach digital nativen Währungen bedienen.
• Höhere Servicegeschwindigkeit: Durch den Einsatz von KI und Machine Learning (ML) für Upselling oder Cross-Selling können Banken innovative Produkte und Dienstleistungen schneller entwickeln und auf den Markt bringen.
• Soziale Verantwortung: KI kann Banken dabei helfen, Nachhaltigkeit und andere Social-Responsibility-Themen zu fördern, indem sie Investitionsmöglichkeiten aufspürt, die umweltfreundlich sind und gleichzeitig maximale Gewinne abwerfen.

Trend 2: Ein immer strengeres regulatorisches Umfeld
Zusammen mit dem Gesundheitswesen ist die Finanzbranche mit den höchsten Regulierungskosten konfrontiert. Banken müssen ihre Kunden kennen und ihre Privatsphäre wahren, Überweisungen überwachen, Geldwäsche verhindern usw. Hinzu kommen die potenziellen Kosten für Bussgelder und Strafen. Datenanalyse, Automatisierung und KI können in den folgenden 3 Bereichen dazu beitragen, diese Kosten zu senken:

• Intelligentes Risikomanagement: Datenanalyse und KI ermöglichen Banken, Ereignisse zu überwachen, die sich auf ihr Tagesgeschäft auswirken könnten, wie wirtschaftliche und politische Entwicklungen, die Einhaltung von ESG-Anforderungen oder Entscheidungen von Wettbewerbern. Darüber hinaus kann KI Ergebnisse im Voraus berechnen, wodurch Banken sich vor kurzfristigen Verlusten schützen und gleichzeitig genauere Risikomodelle entwickeln können.
• Vorbeugung von Betrug und Cybersicherheits-Bedrohungen: Um Bussgelder aufgrund von Kundendatenverlusten zu vermeiden, können Banken mit ML-Algorithmen verdächtige Aktivitäten auf ihren eigenen Servern oder auf Kundenkonten erkennen.
• Automatisierung des Identitätsmanagements: Anwendungen zur Remote-Identitätsprüfung verwenden biometrische Gesichtsdaten, extrahieren Identitätsdokumente und führen Authentizitätsprüfungen durch, um Personen zu identifizieren. Damit können Banken ihre Identitätsmanagementprozesse automatisieren und kosteneffizienter machen.

Trend 3: Steigender Druck auf die Betriebskosten
Während Banken ohnehin schon unter Druck stehen, ihre Betriebskosten zu senken, treibt der aktuelle Wertverlust des Geldes aufgrund der Inflation diese Kosten noch weiter in die Höhe. Hier sind 2 konkrete Möglichkeiten, wie Robotic Process Automation (RPA) und KI Banken dabei unterstützen können, ihre Betriebskosten zu senken:

• Intelligente Abläufe: Ein grosser Teil der Betriebskosten entsteht durch zeitintensive und fehleranfällige Arbeiten wie die Eingabe von Kundendaten aus Verträgen, Formularen und anderen Quellen. Automatisierte Workflows verringern den Aufwand dieser Back-Office-Aufgaben und somit auch ihre Kosten. Bots können z. B. automatisch Kundenkontaktdaten über verschiedene Systeme hinweg aktualisieren (entsprechende Automatisierungstechnologien sind z. B. UiPath, Blueprism oder Automation Anywhere).
• Von Legacy zu Agility: Banken können ihre Kernsysteme in intelligente, vernetzte und flexible Systeme umwandeln und dabei die Agilität der Cloud nutzen. Darüber hinaus fungiert die Cloud als Single Point of Truth, um interne oder externe Partnerdaten zu sammeln und daraus Erkenntnisse zu generieren.

Wie wir sehen, haben Datenanalyse, Automatisierung und KI grosses Potenzial, um Banken bei der Anpassung an neue Branchentrends zu unterstützen. Die blosse Implementierung einzelner KI-Lösungen ist jedoch nicht ausreichend und kann sogar zu unerwünschten Ergebnissen führen.

So gilt es beispielsweise zu entscheiden, in welchen Fällen ein automatisierter Chatbot sinnvoll ist und wann er mehr schadet als nützt. Ebenso müssen Banken entscheiden, wie viel des Risikomanagements sie automatisieren wollen und wo sie noch Expert*innen einbeziehen müssen. Im operativen Bereich kann eine Cloud-Lösung viele Vorteile bringen. Allerdings nur, wenn ihr Einsatz strategisch erfolgt und mit den Geschäftszielen der Bank übereinstimmt.

Um langfristig das Beste aus Daten-, Automatisierungs- und KI-Technologien herauszuholen, müssen Banken sie also ganzheitlich in ihre Organisation integrieren – von der Strategie über das Betriebsmodell und die organisatorische Bereitschaft bis hin zur Datengrundlage und Technologie. Werfen wir einen Blick darauf, wie das konkret aussieht.

Wie Banken wirklich KI-getrieben werden können

Banken, die daran interessiert sind, KI-getrieben zu werden, müssen sich eine KI-zentrierte Denkweise aneignen und ein ganzheitliches Spektrum an Fähigkeiten aufbauen. Zu diesem Zweck sollten Banken die in Abbildung 1 dargestellten Bereiche berücksichtigen:

_{Abbildung 1: Bereiche für die Integration von KI, um eine KI-getriebene Bank zu werden.}

KI-Strategie: Banken benötigen eine klare Daten- und KI-Strategie, welche auf die Gesamt- und IT-Strategie abgestimmt ist und die Umwandlung zu einem KI-getriebenen Unternehmen leitet. In einem ersten Schritt muss eine Bank Fragen beantworten wie: Wie können wir unseren Daten- und KI-Reifegrad bewerten? Wo stehen wir im Vergleich zu unseren Wettbewerbern? Auf dieser Grundlage kann sie dann die entsprechende Strategie und Roadmap entwickeln, um den Zielzustand zu erreichen.

Business Value & Analytics Use Case Portfolio: In diesem Bereich sind granulare KI-getriebene Entscheidungen erforderlich. Einzelne Datenanalyse-, Automatisierungs- und KI-Anwendungen – wie etwa ein Chatbot oder ein automatisiertes Dashboard zur Betrugserkennung – tragen zu den Geschäftszielen der Bank bei und generieren einen konkreten Wert.

Betriebsmodell: Neben einer Daten- und KI-Strategie und konkreten KI-Implementierungen müssen Banken KI in ihr Betriebsmodell integrieren. Dazu gehört die Entscheidung, wie zentralisiert die KI-Funktionen sein sollen. Ausserdem müssen sie neue Arbeitsweisen wie Agile und DevOps einbeziehen, um die Bereitstellung eines geschäftsrelevanten Use Cases agil und skalierbar zu gestalten.

Organisatorische Bereitschaft: Die Mitarbeitenden müssen in der Lage sein, mit KI-Lösungen zu arbeiten. Daher sind Banken angehalten, die Datenkompetenz in allen Funktionen des Unternehmens zu fördern, z. B. durch Schulungen. Sie können die Teilnahme an diesen Schulungen sogar zu einem Teil der Leistungskriterien ihrer Mitarbeitenden machen. Auch bei der Rekrutierung können Banken grundlegende Datenkenntnisse zu einem Kriterium machen – unabhängig von der Rolle der Bewerber*innen.

Datengrundlage: Ein gut strukturiertes Datenmanagement (die Möglichkeit, unternehmensweit sicher auf Daten zuzugreifen, sie aufzunehmen und umzuwandeln) ist der Schlüssel für Banken, um das Beste aus ihren Daten herauszuholen. Zum Datenmanagement gehören z. B. Data Governance mit klaren Data Owners sowie die Gewährleistung von Datenqualität und Datensicherheit. Wenn erst einmal eine solide Datengrundlage vorhanden ist, gestaltet sich die Implementierung von datengetriebenen und KI-Lösungen viel einfacher.

Technologie: Die Produkte und Schnittstellen von Banken sollten sich über API nahtlos mit Ökosystempartnern integrieren lassen. Auf diese Weise können Kunden Angebote entdecken und nutzen, die über die Kernplattformen einer Bank hinausgehen. Der einfachste Weg, dies zu erreichen, ist die Verlagerung in die Cloud. Diese bietet einen Single Point of Truth, um Daten als Grundlage für Daten- und KI-Use Cases zu sammeln.

Die Berücksichtigung von Datenanalyse, Automatisierung und KI in allen Bereichen des Unternehmens kann es Banken ermöglichen, über die anfängliche KI-Experimentierphase hinauszugehen, zu skalieren und vollständig KI-getrieben zu werden. Mit dieser Grundlage haben sie die besten Chancen, mit den eingangs erwähnten Branchentrends Schritt zu halten.

Doch welchen Nutzen hat dies wirklich in einem konkreten Use Case? Im folgenden Beispiel half eines unserer Teams einem globalen Bankinstitut, eine Datenplattform aufzubauen und damit neue Einnahmequellen zu erschliessen.

Use Case: Mit einer Datenplattform als Einnahmequelle gegen steigende Betriebskosten

Wie viele Banken heutzutage sah sich auch einer unserer Kunden, ein weltweit tätiges Bankinstitut, einem zunehmenden Druck auf seine Betriebskosten gegenüber und musste daher neue Einnahmequellen erschliessen. Das Bankinstitut wusste, dass es dazu sein Bankgeschäftsmodell im Kern umgestalten musste. Konkret sollte es stärker datengetrieben werden.

Um unseren Kunden bei dieser Aufgabe zu unterstützen, untersuchten und testeten wir mehrere datengetriebene Geschäftsmodelle, die der Bank helfen könnten, ihre Dienstleistungen effizienter zu monetarisieren. Es handelte sich dabei um so genannte "Open-Banking-Geschäftsmodelle". Das bedeutet, dass die Bank ihre Bankdaten über APIs mit zwei oder mehr nicht angeschlossenen Parteien teilt, um dem Markt erweiterte Funktionen zur Verfügung zu stellen. Die Geschäftsmodelle, die wir testeten, waren die folgenden:

1. Direkte Monetarisierung von API-Aufrufen
2. Monatliche Pauschalgebühr für die Nutzung eines Dienstes
3. Zusätzliche Gebühr für den Zugang zum Entwicklerportal
4. Indirekte Monetarisierung durch Direktinvestitionen in Partner

Das vierte Open-Banking-Geschäftsmodell war dasjenige, welches wir innerhalb des ersten Jahres des Projekts in die Praxis umsetzen konnten.

In einem zweiten Schritt entwickelten wir eine strategische Bewertung der gesamten Bankenwirtschaft und der datengesteuerten Geschäftsmodelle, die wir entwickelt hatten. Ausserdem führten wir eine Einstufung der operativen und technischen Lücken durch: So konnten wir herausfinden, wo die Bank in Bezug auf Operational Excellence und technische Reife stand.

Auf dieser Grundlage erstellten wir eine Roadmap, um das Ziel zu erreichen, nämlich die neuen, in das datengesteuerte Geschäftsmodell integrierten Dienste zum Zeitpunkt der Inbetriebnahme nutzen zu können.
Das neue KI-gesteuerte Geschäftsmodell brachte die folgenden wichtigen Ergebnisse:

• eine Übersicht über die Plattformstrategie,
• detaillierte Optionen für die Daten-Monetarisierung, die nach dem Netto-Geschäftswert priorisiert wurden,
• implementierte Anforderungen an ein offenes Bankensystem,
• und ein etabliertes Betriebsmodell.

Dieser Use Case wurde innerhalb von nur einem Jahr in Betrieb genommen und führte im zweiten Jahr zu einem Wertzuwachs von 9 Millionen Euro.

Key Takeaways

In der heutigen, sich ständig weiterentwickelnden Geschäftswelt können Banken Datenanalysen, Automatisierung und KI nutzen, um mit den Branchentrends Schritt zu halten. Zum Beispiel können sie

• im Metaverse personalisierte Finanzberatungen wie Produktempfehlungen für eine Hypothek geben und so ihre Kundenorientierung erhöhen
• ihre Einhaltung von ESG-Anforderungen überwachen, was die Kosten für Compliance-Verpflichtungen senkt
• Back-Office-Arbeiten automatisieren, um die Betriebskosten zu senken

Um das Potenzial von Daten- und KI-Technologien voll auszuschöpfen, müssen Banken jedoch mehr tun, als einzelne Anwendungen in verschiedenen Bereichen des Business zu implementieren: Sie müssen Daten und KI zu einem integralen Bestandteil der wichtigsten Bereiche ihres Geschäfts machen – von der Strategie über das Betriebsmodell bis zur Datengrundlage.