KI im Finanzsektor

Inhaltsverzeichnis

Künstliche Intelligenz im Factoring  

Künstliche Intelligenz (KI) hat bereits viele Branchen verändert, von der Krebsdiagnostik bis zum Fahren. Dies wurde durch ein größeres Datenvolumen und Daten von besserer Qualität, eine größere Rechenleistung und leichter verfügbaren Programmierframeworks, die ausgefeilte Algorithmen unterstützen, angespornt.

In den letzten Jahren hat der Banksektor bereits die Kraft der Digitalisierung (z.B. Online-Banking, Chats mit Kunden) kennen gelernt. Künstliche Intelligenz, insbesondere Machine Learning, ist hierbei der nächste Schritt zur Reduktion von Bürokratie und der Steigerung von Sorgfalt und Fairness im Kreditvergabeprozess.

Effizienz leidet, wo auch noch heute viele sich wiederholende Arbeiten manuell vorgenommen werden, z.B. bei der Einflechtung von neuen Regularien, was viel Zeit von Rechts- und Finanzexperten wie auch von Informatikern bedarf. Künstliche Intelligenz für besondere Zwecke im Finanzsektor kann spezifische Probleme Lösen, z.B. in der Kundenbindung, dem Finanzmanagement oder der Cybersecurity. Daher kann man sich als Factoring Bank die Frage stellen:

Was bewegt Unternehmen grundsätzlich dazu künstliche Intelligenz in ihre Business- Prozesse einzuführen?

  • Ein Bedürfnis nach erhöhter Geschwindigkeit und Effizienz
  • Die Möglichkeit für tiefere, daten-gesteuerte Einsichten
  • Komplexe Regularien und Compliance-Anforderungen
  • Schlechter Kundenservice und lange Wartezeiten
  • Kreditscores, die nicht die gesamte Geschichte erzählen


Vorteile von Machine Learning in Finance & Banking?

  • Neuartige Prozesse und Produkte mit KI-Technologie generieren neue Einnahmequellen.
  • Fraud Desertion und künstliche Intelligenz: Mehrdimensionale und gerichtsstandübergreifende Betrugsversuche werden sofort erkannt.
  • Datengesteuerte Kundensegmentierung mit Hilfe von Künstlicher Intelligenz: Die Kundenakquise wird personalisierter, optimierter und datengesteuerter
  • Finanzberichte, Compliance-Zusicherungen und Verwaltungsaufgaben werden mit Hilfe von machine learning automatisiert und standardisiert.
  • Die Risikobewertung und die Besicherung können über die Kreditwürdigkeit hinaus gehen.
  • Ansprüche werden validiert und Verluste können zusätzlich durch Bildverarbeitung ermittelt werden.


Artificial Intelligence im Factoring

Finanzierungen von Forderungen bildet hinsichtlich des Nutzens von KI-basierten Methoden keine Ausnahme. Während Bereiche wie die Supply Chain Finance (SCF) und verschiedene Forderungsplattformen, die versuchen, bestätigte Rechnungen zu kommodifizieren sich aufgrund von einfachen Informationsübertragung und grundlegende Automatisierungstools entwickelt haben, ist das traditionelle Factoring jedoch eher widerstandsfähig gegen Änderungen. Zwar vereinfachen neuere Betriebsplattformen den Factoring-Prozess und gestalten diesen effizienter, dennoch werden sie immer noch stark von menschlichem Fachwissen und Entscheidungen bestimmt.

Das Zusammenspiel mehrerer Risiken wie Käuferkreditrisiko, Lieferantenrisiko, Leistungsrisiko, operationelles Risiko und Betrugsrisiken ist von Natur aus komplex und somit ein wesentlicher Grund dafür, dass er von den weitreichenden Erfahrungen des jeweiligen Managers abhängt. Der Mangel an tiefem Wissen über diese miteinander verbundenen Risiken und das Missverständnis ihrer Komplexität hat zu vielen erfolglosen IT-Versuchen geführt, Verknüpfungen mithilfe von Technologie zu erstellen, anstatt den gesamten Prozess umfassend zu automatisieren und zu digitalisieren.


Chancen KI-basierter Systeme

Die Einführung fortschrittlicher KI-basierter Module wird erhebliche organisatorische und technologische Auswirkungen auf das Factoring und insbesondere auf die Factoring-Banken selbst haben. Auf organisatorischer Ebene kann die Fähigkeit eines Systems selbst Empfehlungen abzugeben und/oder Entscheidungen zu treffen, die menschliche Beteiligung deutlich verringern. Ein spannendes Feld bieten KI-Systeme, die auf verschiedenen Algorithmen für maschinelles Lernen basieren. Diese können lernen wie menschliche Entscheidungen in bestimmten Geschäftsbereichen getroffen werden, indem sie darin trainiert werden, Daten über vergangene Entscheidungen und Muster in Daten zu interpretieren. Gleichzeitig werden die aktuell getroffenen Entscheidungen überwacht. Diese Art von KI übernimmt das Fachwissen menschlicher Entscheider.

Wenn KI-basierte Systeme als Berater fungieren, könnten somit Routineentscheidungen an Nachwuchskräfte übergeben werden, während erfahrene Factoring-Mitarbeiter für die Bewältigung komplexer Situationen eingesetzt werden. Dem Factoring Unternehmen ermöglicht einen daraus resultierender Produktivitätsgewinn, Betriebskosten zu senken und zugleich einen größeren Kundenstamm zu bedienen.

Für den KI-Softwareentwickler/-Hersteller ist es äußerst wichtig, fokussiert zu bleiben um klare, glaubwürdige, spezifische und erreichbare Ergebnisse festzulegen. Lediglich Erfahrung in KI-gesteuerte BI Prozessen und ein tiefes Verständnis der heutigen Grenzen im maschinellen Lernen und Big Data, sind ein wichtiger Baustein um das Factoring auf ihrem AI-Weg zufriedenstellend zu begleiten. 

Die breos GmbH sieht großes Potenzial bei der Verwendung von Computeralgorithmen und Vorhersagemodellen im Factoring in drei Schlüsselbereichen einen deutlichen Mehrwert zu erzielen:

  1. Eine hochpräzise und zeitnahe Risikobewertung führt zu einer erheblichen Reduzierung der Risikokosten und Präzisionserhöhung.
  2. Die Verwendung von entscheidungsautomatisierten Algorithmen ist ein evidenzbasiertes Verfahren – “data driven decision”.
  3. Einführung, ohne vorhandene Prozesse und die Beziehungen zwischen Lieferkettenelementen stark modifizieren zu müssen

Das gemeinsame Thema dieser drei Bereiche ist die Fähigkeit kritische Erkenntnisse aus hochvolumigen, (un)strukturierten Hochgeschwindigkeitsdaten mehrerer Quellen zu extrahieren und integrieren. Mit diesem Grundgerüst können optional und iterativ die KI- Möglichkeiten divers ausgeweitet werden. 


Potenzielle Bereiche für den Einsatz von künstlicher Intelligenz 

  • Verwässerungseffekt:  Im Gegensatz zur statistischen Analyse von Rechnungs-, Zahlungs- und Gutschriftdaten, verwenden KI-basierte Technologien Algorithmen für und unterstützt die Analyse der Grundursachen von Kapitalverwässerung und die Erstellung genauerer Echtzeitanalysen.
  • Diagnose von Lieferantenproblemen: Das Erkennen von rechnungsbezogenen Problemen (z.B. vermehrte Produktstreitigkeiten) ist häufig ein Zeichen für schwerwiegende Lieferantenprobleme. Kompetente Analysen können einem Factoring-Anbieter helfen, das Kreditrisiko der Lieferanten zu überwachen.
  • Kreditrisiko des Käufers: Lieferanteninformationen bieten wertvolle Einblicke in die finanzielle Gesundheit von Käufern. Hierzu zeigen Zahlungsmuster, Kaufmuster, Produktmix und verschiedene sekundäre Indikatoren, potenzielle Anzeichen für Kreditprobleme.
  • Betrugsrisiko – Fraud Detection: Das Erkennen von Rechnungsanomalien auf Grundlage von Algorithmen zur Verarbeitung natürlicher Sprache und zum Clustering von Dokumenten, oder die Erkennung von doppelten Rechnungen und Rechnungen, die an mehrere Geldgeber gesendet wurden.
  • Audits: Da der Factoring-Anbieter an die Systeme des Lieferanten und möglicherweise einiger Käufer angeschlossen ist, könnten regelmäßige Audits durch eine fortlaufende Überwachung ergänzt (und in einigen Fällen sogar ersetzt) werden. 


Die Implementierung der oben beschriebenen Funktionen zur Unterstützung der Aktivitäten von Factoring-Organisationen erfordert die Entwicklung soziotechnischer Systeme, die sich auf 

  1. den Entwurf fortschrittlicher AI-basierter Lösungen,
  2. deren Interaktion mit vielen Unternehmenssystemen (ERP, CRM usw.), Kommunikationssysteme (z. B. E-Mail, Messaging) für den Datenaustausch und
  3. deren Integration in bestehende Geschäftsprozesse


konzentrieren. Daher muss man beim Entwerfen AI-basierter Systeme nicht nur technische, sondern auch organisatorische Aspekte berücksichtigen. Im Allgemeinen haben Stakeholder (Factoring-Anbieter, ihre Kunden und Schuldner) konfliktionäre Ziele und Bedürfnisse. Insbesondere gibt es unterschiedlich ausgeprägtes Vertrauen in die Automatisierung im Allgemeinen und in KI-Technologien im Besonderen und unterschiedliche rechtliche und Compliance Anforderungen (z. B. in verschiedenen Gerichtsbarkeiten tätig zu sein).

Ob machine learning lediglich als Berater menschlicher Entscheidungsträger fungiert oder dieser Entscheidungen statt dem Menschen übernimmt ist im Einzelfall variabel anzupassen. Techniken aus der Geschäftsanalyse (Anforderungsentwicklung, Produktlinienentwicklung) werden verwendet, sowohl technische als auch organisatorische Übereinstimmung sicherzustellen.

Sollten Sie weitergehende Fragen haben, sprechen Sie uns an!

Foto von Scott Webb von Pexels

Share on facebook
Share on linkedin
Mehr Entdecken

Hinterlasse einen Kommentar

avatar
  Abonnieren  
Benachrichtige mich bei