ML im Bankenwesen: Informationen in der Finanzanalyse, dem Portfoliomanagement und dem Risikomanagement

In diesem Artikel soll es um den Einsatz von Maschine Learning in der Finanzbranche gehen.

Der Einsatz von sogenannten digitalen Assistenten, wie z.B. Chat-Bots oder Sprachsystemen, ist bereits weit verbreitet. Sie schlüpfen in die Rolle von Kundendienst- oder Vertriebsmitarbeiter-/innen, um den Dialog im Kundenservice zu automatisieren. Neben Chat-Bots findet die Technologie auch bei der Robo-Advisory Anwendung, z.B. im Portfoliomanagement, der Wertpapierberatung oder dem Aktien- und Anleihehandel. In diesem Zusammenhang können durch die Automatisierung bestimmter Geschäftsprozesse Kosten reduziert und Mitarbeiter in Routineaufgaben unterstützt werden, wodurch sie sich verstärkt strategischen und analytischen Themen widmen können. Dies ist besonders für Prozessschritte relevant, die geringfügig komplex, kaum volatil und repetitiv sind.

Durch eingehende Datenanalysen können Banken tiefere Einblicke in ihre Geschäftsprozesse gewinnen und so die Entscheidungsfindung verbessern und beschleunigen. Maschinelles Lernen wird dabei beispielsweise im Risikomanagement bei der Kreditwürdigkeitsprüfung eingesetzt. Darüber hinaus können ML-Modelle bei der Betrugsbekämpfung Risiken erkennen und mindern. Mithilfe von Supervised- sowie Unsupervised-Learning werden Auffälligkeiten im Kundenverhalten analysiert, um etwa die Wahrscheinlichkeit eines Geschäftsausfalls vorherzusagen oder eine bestimmte Bewegung auszusondern, die im Verdacht steht eine Anomalie zu sein.

Fakt ist: Machine Learning ist auf dem Vormarsch. Umfangreichere Bewertungen von Risikoprofilen sowie dem Kundenverhalten werden zu noch innovativeren, personalisierten und flexibleren Produkten führen. Die Verbreitung zusätzlicher intelligenter Monitoring- und Screening-Software wird dazu beitragen die Kostenbelastung deutlich zu reduzieren sowie risikobehaftete Aktivitäten auf mögliche Incompliances zu überwachen.