Markt News

istock.com/PhonlamaiPhoto

Machine Learning in Banken: Auf die Euphorie folgt Ernüchterung   🎧

Das zeigen Marktanalysen und eine Expertenbefragung der Unternehmensberatung Cofinpro. Sarah Menz, Expert Consultant bei der Firma, erklärte: „Finanzdienstleister sind prädestiniert für den Einsatz von Machine Learning. Die Technologie ermöglicht es, erhebliche Effizienzpotenziale zu heben oder präzise Prognosen zu ermöglichen. Aber noch stockt die operative Umsetzung.“ Dies liege vor allem an den Daten, die nicht optimal aufbereitet sind. Menz fügte hinzu: „Wenn die Daten nicht im richtigen Format oder ohne Bezugspunkte zueinander vorliegen, erschwert dies die Aufbereitung für eine maschinelle Analyse erheblich. Zudem müssen die Daten in ausreichender Quantität vorliegen. Ein weiteres Problem: Für die ersten Versuche werden oft ungeeignete Anwendungsfälle gewählt. Und so folgt auf die Euphorie Ernüchterung, weil viele Versprechen nicht eingelöst werden."

Die Experten der Unternehmensberatung verfassten einen Handlungsleitfaden zu Machine Learning mit Empfehlungen. Für Finanzdienstleister sei es zunächst wichtig, im Kleinen anzufangen. Lieber mit einem überschaubaren Anwendungsfall starten und sich mit der Technologie vertraut machen, statt von Anfang an auf den Big Bang zu setzen, so die erste Empfehlung. Die erzielten Quick Wins könnten dann iterativ ausgebaut werden. Zudem müssten die richtigen Anwendungsfälle gefunden werden. Machine Learning sei keine Universallösung, sondern ein Werkzeug für passende Probleme. Die Wahl geeigneter Anwendungsfälle sollte daher kritisch geprüft werden, ansonsten drohten erhöhte Kosten und Fehleranfälligkeit. Am besten sei es, zunächst bestehende Anwendungsfälle anzupassen.

Datenmanagement hat oberste Priorität
Darüber hinaus seien Daten von zentraler Bedeutung für die Finanzinstitute. Quantität und Qualität der Daten, mit denen der Algorithmus gefüttert werde, seien entscheidend für gute Ergebnisse. Das Datenmanagement habe deshalb oberste Priorität, da sonst falsche Schlussfolgerungen gezogen würden. Zudem müsse Übermut gebremst werden. Dies bedeute etwa, vor dem Start zu prüfen, ob im Unternehmen die erforderlichen Ressourcen vorhanden seien und genügend Spezialisten das Projekt begleiten könnten. Dazu gehöre auch fachliches Expertenwissen. Damit der erste Aufschlag treffe, sei externe Hilfe häufig sinnvoll.
Wichtig sei zudem auch langfristiges Denken. Machine-Learning-Anwendungen reiften mit der Zeit. Vom Prototypenstadium bis zum verlässlichen Problemlöser könne es ein weiter Weg sein. Durch kontinuierliches Testen, Trainieren und Einführen neuer Modelle verbesserten sich die Ergebnisse beständig. Ein weiterer Punkt: Offen bleiben für Bewährtes. Machine Learning sei eine Zukunftstechnologie und könne Teilbereiche der Branche revolutionieren. Aber traditionelle, einfachere Analysemethoden seien für manche Anwendungen immer noch besser und effizienter. Machine Learning sollte nur für einen passgenauen Use-Case angewendet werden, hieß es.

Für die Zukunft der Technologie seien die Branchenexperten optimistisch gestimmt, so die Unternehmensberatung. Consultant Lars Kellinghausen resümierte: „Noch ist Machine Learning eine Technologie mit erheblichem Potenzial, die jetzt bereits für einzelne Zwecke zielgerichtet eingesetzt wird. Langfristig wird sich die Technologie aber als eine Lösung unter vielen im Standardwerkzeugkasten jeder Bank durchsetzen. Bis dahin besteht für die Institute das Potenzial, sich vom Wettbewerb zu differenzieren.“ (ud)
+++
Melden Sie sich bei Interesse zu unserem Web-Seminar „KI-gestützte Prognosemodelle zur Ermittlung von Kreditausfallwahrscheinlichkeit in Kreditinstituten“ an.

 

Stichworte

Verwandte Artikel

Anzeige

Lexikoneinträge