Maschinelles Lernen im Bankwesen: 8 Anwendungsfälle und Implementierungsrichtlinien

Nach einem Bericht der Economist Intelligence Unit haben 85 % der Banken eine klare Strategie für die Einführung von KI. Einst teuer und risikoreich in der Implementierung, sind Lösungen für künstliche Intelligenz und maschinelles Lernen mittlerweile so ausgereift, dass Banken sie zur Verbesserung ihrer kritischen Geschäftsfunktionen nutzen. In den letzten zehn Jahren haben viele Finanzinstitute stark in Cloud-Technologien und die Modernisierung ihrer wichtigsten Altsysteme investiert und dabei alte technologische Hindernisse für den Einsatz von Algorithmen des maschinellen Lernens überwunden, so dass sie nun in der Lage sind, die Möglichkeiten des maschinellen Lernens voll auszuschöpfen.

In diesem Artikel werden die wichtigsten Anwendungsfälle des maschinellen Lernens im Bankensektor untersucht, Beispiele aus der Praxis vorgestellt, der Wert von ML-Beratungsdienstleistungen hervorgehoben und ein vierstufiger Fahrplan für die Implementierung des maschinellen Lernens skizziert.

Wie wird maschinelles Lernen im Bankwesen eingesetzt?

Lassen Sie uns nun einige der wirkungsvollsten Anwendungsfälle des maschinellen Lernens in der Bankenbranche diskutieren.

1. Kreditwürdigkeitsprüfung

Eine Umfrage, die während der NACUSO Network-Konferenz 2021 durchgeführt wurde, ergab, dass sechs von zehn Fachleuten aus der Kreditwirtschaft die Underwriting-Technologie der Branche für veraltet halten, während acht von zehn angaben, dass die Einführung von KI und maschinellem Lernen zu einer besseren Risikobewertung führen würde. Im Vergleich zu herkömmlichen Kreditrisikomodellen wie FICO können gut entwickelte Modelle des maschinellen Lernens das Risiko von Kreditnehmern viel genauer bewerten. Mit Hilfe von maschinellem Lernen können Banken ihre Reichweite auf unterversorgte Kundengruppen ausdehnen und mehr Kredite schneller genehmigen, während die Risiken auf ein Minimum reduziert werden.

Die 5Point Credit Union, eine in Texas ansässige Organisation, die 50.000 Mitglieder betreut und ein Vermögen von 830 Millionen US-Dollar verwaltet, hat sich mit Zest AI zusammengetan, um ein maßgeschneidertes Kreditscoring-Modell für maschinelles Lernen zu entwickeln. Als Ergebnis der Implementierung erzielt 5Point nun jedes Jahr einen zusätzlichen Gewinn von 1,5 Millionen Dollar. Der Erfolg des Projekts ist größtenteils auf das umfangreiche Modelltraining zurückzuführen. Neben historischen Verbraucherkreditdaten wurden dem Modell auch FCRA-konforme Daten von Telekommunikations- und Versorgungsunternehmen zugeführt, was die Ausgabegenauigkeit ausreichend erhöhte.

2. die Aufdeckung von Betrug

Nach der Global Economic Crime and Fraud Survey 2022 von PwC waren 46 % der Unternehmen in den letzten 24 Monaten von Betrug, Korruption oder anderen Wirtschaftsverbrechen betroffen. Mit der beschleunigten Einführung des Online-Bankings und der Digitalisierung des Zahlungsverkehrs hat die Zahl der Transaktionen erheblich zugenommen, so dass die Finanzinstitute dringend bessere Betrugsschutzmechanismen einführen müssen.

Da die meisten Banken regelbasierte Systeme zur Betrugserkennung einsetzen, ist es nicht verwunderlich, dass sich die Täter immer neue Taktiken einfallen lassen, um die Schwachstellen des Systems auszunutzen. Doch mit Hilfe des maschinellen Lernens können sich Finanzinstitute fast in Echtzeit an die sich ständig weiterentwickelnden Betrugsmethoden anpassen. Hochentwickelte Deep-Learning-Modelle, die mit riesigen Datensätzen trainiert wurden, über die die meisten Banken verfügen, ermöglichen es den Unternehmen, verborgene Beziehungen zwischen einer Vielzahl von Datenpunkten zu finden und Anomalien schnell zu erkennen.

Die Danske Bank, eine der größten Banken Dänemarks, hat beispielsweise ein ML-gesteuertes System zur Betrugserkennung eingeführt. Mit dem alten regelbasierten System zur Betrugserkennung hatte die Danske Bank 1.200 falsch positive Ergebnisse pro Tag und eine Betrugserkennungsrate von 40 %. Nach der Implementierung des maschinellen Lernens für die Betrugserkennung konnte die Danske Bank die Zahl der Falschmeldungen um 60 % reduzieren und die Betrugserkennung um 50 % steigern.

3. übermäßige Personalisierung

Heute ist die Bereitstellung hervorragender Kundenerlebnisse einer der wichtigsten Erfolgsfaktoren im Bankensektor, und maschinelles Lernen kann den Banken ein viel tieferes Verständnis der Verhaltensweisen, Bedürfnisse und Wünsche der Kunden vermitteln. Dies ermöglicht es Finanzinstituten, ihre Angebote zunehmend zu personalisieren, AI-Unterstützung bei der Vermögensverwaltung anzubieten, die Kundenbindung zu erhöhen und Kundenerwartungen in Echtzeit zu erfüllen.

Beispielsweise können auf maschinellem Lernen basierende Budgetierungstools, die in mobile Banking-Apps integriert sind, Kunden dabei helfen, bessere finanzielle Entscheidungen zu treffen. Auf der Grundlage der Transaktionshistorie kann ein Algorithmus für maschinelles Lernen die Ausgabenmuster der Nutzer erkennen und Vorschläge zur Verbesserung der Budgetierung machen. Auf diese Weise hat sich die TransUnion Bank mit der ML-gestützten Budgetierungs-App Mint zusammengetan, um ihren Kunden Tipps zur Verbesserung ihrer Kreditwürdigkeit zu geben. Solche Tools fördern die Kundentreue und erhöhen den Customer Lifetime Value.

4. die Automatisierung von Aufgaben

Bankrevisionen und Dokumentationen sind notorisch mühsame, aber wichtige Aufgaben, die jede Bank erledigen muss. Prüfer verbringen viele Stunden damit, Dokumente routinemäßig zu prüfen, um die Einhaltung der regulatorischen Standards sicherzustellen. Mit Techniken des maschinellen Lernens lassen sich stattdessen Tausende von Seiten prüfen und die wichtigsten Informationen erkennen, wodurch die Banken Tausende von Stunden einsparen können.

Quontic, eine Gemeinschaftsbank mit Sitz in New York, hat eine neue ML-gestützte Lösung zur Aufgabenautomatisierung auf ihrer bestehenden Plattform eingeführt. Mit dem Ziel, die digitale Kundenerfahrung zu verbessern und die Herausforderung zu meistern, die Nicht- und Unterbanker zu erreichen, hat Quontic zwischen Oktober 2018 und November 2019 ein bemerkenswertes Wachstum bei einer Reihe von Kennzahlen verzeichnet:

• 210 % Anstieg der Gesamtzahl der Bankkunden
• 100 % Anstieg bei den neuen Privatkunden
• Anstieg der Privatkundeneinlagen um 261
• 15%iger Anstieg der Refinanzierung im Jahresvergleich

Das Projekt trug entscheidend dazu bei, dass Quontic in einem von großen Unternehmen beherrschten Markt agil und wettbewerbsfähig blieb. Seit Beginn der Initiative hat die Bank ihren Hauptsitz um 20.000 m² Bürofläche erweitert, ein ganz neues Team für Hypothekenkredite aufgebaut und steht kurz vor der Eröffnung einer neuen Niederlassung in New York, um speziell die chinesisch-amerikanische Gemeinschaft zu bedienen.

5. Verbesserung der Cybersicherheit

Nach einer Studie von IBM aus dem Jahr 2022 sind die Finanz- und Versicherungsbranche das fünfte Jahr in Folge die am häufigsten angegriffene Branche. Angesichts der enormen Mengen an hochsensiblen Daten, über die Banken verfügen, kann sich ein größerer Cyberangriff als fatal erweisen. Darüber hinaus ist es nicht mehr möglich, sich auf die üblichen Sicherheitsmaßnahmen zu verlassen, da das Instrumentarium der Cyberkriminellen immer größer wird und sich schneller weiterentwickelt als je zuvor. Aus diesem Grund setzen Finanzinstitute zunehmend auf maschinelles Lernen, um ihre Sicherheit zu verbessern.

Greenhill, eine weltweit tätige, unabhängige Investmentbank, verwendet ein auf maschinelles Lernen gestütztes Cybersicherheitssystem Falcon, das von dem in den USA ansässigen Sicherheitsunternehmen CrowdStrike entwickelt wurde. Die Plattform stützt sich auf einen proprietären maschinellen Lernalgorithmus in der Cloud, der kontinuierlich eine Vielzahl von Ereignissen im System von Greenhill analysiert, um potenzielle Bedrohungen zu erkennen. Als Ergebnis der Einführung von Falcon schätzt Greenhill einen Rückgang der Fehlalarme um 75 % und jährliche Einsparungen in Höhe von etwa 300 000 Dollar.

6. Risikomanagement

Im Bankensektor ist die Simulation oft die wichtigste Entscheidungshilfe. Eine genaue Bewertung der Fähigkeit einer Bank, bestimmten wirtschaftlichen Schocks standzuhalten, ist nicht nur eine aufsichtsrechtliche Anforderung, sondern auch ein wirkungsvolles strategisches Instrument. Der traditionelle Top-Down-Ansatz für Simulationen hat sich zwar als relativ effektiv erwiesen, kann aber kleine, aber potenziell entscheidende Nuancen in den Daten nicht berücksichtigen. Gut abgestimmte Modelle des maschinellen Lernens können dagegen nichtlineare Beziehungen zwischen den Finanz- und Branchendaten der Banken erkennen.

Barclays, eine britische multinationale Universalbank, ging eine Partnerschaft mit Simudyne ein, einem anderen britischen Unternehmen, das auf Simulationsplattformen spezialisiert ist. Simudyne war eines der ersten Unternehmen, das die Vorteile des Cloud-Computing in Echtzeit für kommerzielle Anwendungen im Bankwesen entdeckte und eine proprietäre, auf maschinellem Lernen basierende Technologie entwickelte, die die schnelle Erstellung von Computersimulationen ermöglicht. Dank der Cloud- und Machine-Learning-Technologien können Simulationen nach Bedarf skaliert werden, und ihre Entwicklung wird wesentlich kostengünstiger. Neben der Bewertung von Markt- und Kreditrisiken nutzt Barclays die Technologie von Simudyne zur Vorhersage und Simulation von "Ausfallansteckung", d. h. einer Situation, in der der Abschwung einer Bank auf andere übergreift.

7. Chatbots

Dank der bemerkenswerten Fortschritte bei der Verarbeitung natürlicher Sprache in den letzten zehn Jahren sind virtuelle Assistenten für viele Banken zu zuverlässigen Kundendienstlösungen geworden. Die heutigen fortschrittlichen virtuellen Assistenten können jedoch über die Beantwortung einfacher Kundenanfragen hinausgehen und zunehmend persönlichere und nützlichere Finanzberatung anbieten.

Der auf maschinelles Lernen gestützte Chatbot Erica der Bank of America hat seit seiner Einführung im Jahr 2018 fast eine Milliarde Interaktionen bearbeitet. Nach vier Jahren kontinuierlicher Selbstverbesserung kann Erica nun mehr als eine Million einzigartige Kundenfragen beantworten. Am wichtigsten ist jedoch, dass Erica den Kunden der Bank umsetzbare personalisierte Finanzberatung bieten kann, einschließlich Einblicke in die Portfolio-Performance.

8. die Verarbeitung von Dokumenten

Die Klassifizierung von Dokumenten ist eine bekanntermaßen arbeitsintensive, aber wichtige Aufgabe für Finanzinstitute. Maschinelles Lernen kann die Zeit, die für die Kennzeichnung, Klassifizierung und Organisation von Finanzdokumenten benötigt wird, erheblich verkürzen, und wenn optische Zeichenerkennung (OCR) angewendet wird, können maschinelle Lernmodelle auch bei Papierdokumenten helfen.

Datamatics, ein in Indien ansässiges Unternehmen, das Datenverwaltungsdienste anbietet, unterstützte eine große US-Bank bei der Klassifizierung von über 1,8 Millionen unstrukturierten Hypothekendokumenten. Nach der Fusion von sechs Banken musste das Unternehmen auch die Hypothekendokumente in einem einzigen Dokumentenverwaltungssystem zusammenführen, um sie weiter abrufen zu können.

Um die mehr als 35 Millionen Seiten an Hypothekendokumenten automatisch zu indizieren und in 275 Kategorien zu klassifizieren, entwickelte Datamatics einen Workflow, der mit OCR, RPA, NLP und maschinellem Lernen ausgestattet ist. Im Ergebnis verbesserte die Bank die Klassifizierungsgenauigkeit um 87%, reduzierte die Betriebskosten um 50% und erzielte Einsparungen von über 150 Arbeitsstunden pro Monat.

Maschinelles Lernen im Bankwesen: 4 Schritte zur Umsetzung

Hier ist ein vierstufiger Ansatz für die Implementierung von maschinellem Lernen im Bankwesen, der von den Beratern für maschinelles Lernen von Itransition erstellt wurde. Sie vermittelt Ihnen eine Vorstellung von dem erforderlichen Aufwand und den Risiken, die bei jedem Schritt zu beachten sind.

Schritt 1: Bestimmen Sie Ihren Geschäftsfall

Auch wenn der Hype um die künstliche Intelligenz vorbei zu sein scheint, sind einige Bankleiter aufgrund von Markttrends und Wettbewerbsdruck immer noch begierig darauf, maschinelles Lernen zu implementieren. Stattdessen müssen die Führungskräfte einer Bank zunächst die strategischen Geschäftsziele klar identifizieren und beurteilen, wie maschinelles Lernen eingesetzt werden kann, um eine Organisation bei der Erreichung dieser Ziele zu unterstützen.

Diese Technologie wird dann wirklich disruptiv, wenn ihre Entwicklung von den wichtigsten Entscheidungsträgern und Führungskräften eines Unternehmens im gesamten Unternehmen klar kommuniziert wird. Mit einer klaren Vision vor Augen fällt es Managern dann viel leichter, Möglichkeiten des maschinellen Lernens in ihren jeweiligen Abteilungen zu erkennen. Anschließend sollten die Manager diese Möglichkeiten den Führungskräften des Unternehmens präsentieren, die dann auf der Grundlage der entscheidenden Informationen auf Abteilungsebene eine ganzheitliche Strategie für maschinelles Lernen entwickeln können.

Wenn das Unternehmen nicht viel Erfahrung mit maschinellem Lernen hat, ist es am besten, den Ansatz der niedrig hängenden Früchte zu nutzen. Die Suche nach einfach zu implementierenden Lösungen mit schnellem ROI hilft der Bank, technologische Engpässe aufzudecken, zu verstehen, wie maschinelles Lernen in großem Umfang angewendet werden kann, und ihre langfristige Vision für maschinelles Lernen zu verfeinern. Laut einer anderen Deloitte-Studie ist ein vielfältiges Portfolio von KI-Anwendungsfällen ein gemeinsames Merkmal von Banken, die diese Technologie erfolgreich eingeführt haben.

Schritt 2: Bereiten Sie Ihre Daten vor

Bei der Vorbereitung der Daten für die Nutzung durch Algorithmen des maschinellen Lernens müssen die Banken auf die Datenqualität und die Einhaltung der Vorschriften achten.

Die aus dem maschinellen Lernen gewonnenen Erkenntnisse sind nur so gut wie die dabei verwendeten Daten. Jeder, der sich mit Datenanalyse auskennt, hat schon einmal von 'garbage in, garbage out' gehört. Eine niedrige Datenqualität oder eine falsche Speicherung, die gegen geltende Vorschriften verstößt, kann den Aufwand für die Entwicklung und Installation von Werkzeugen für maschinelles Lernen leicht ins Leere laufen lassen.

Banken verfügen über eine riesige Menge an Daten, z. B. über das Einkommen, das Ausgabeverhalten, die demografischen Daten, den sozialen Status und den Beschäftigungsstatus ihrer Kunden. Diese Daten können wertvolle Erkenntnisse liefern und zu vielen Aspekten beitragen, von der Prozessautomatisierung bis hin zur Entwicklung neuer Produkte und Dienstleistungen.

Gleichzeitig sind die Banken bei der Datennutzung und -speicherung an Vorschriften und den Ehrenkodex gebunden. Ganz zu schweigen davon, dass es ein fataler Fehler ist, das Vertrauen der Kunden zu verlieren. So musste beispielsweise die bulgarische DSK Bank 569.930 Dollar für eine Datenpanne zahlen, die sich auf die Kreditnehmer der Bank auswirkte, weil ihre Finanzdaten an einen nicht vertrauenswürdigen Dritten weitergegeben wurden.

Heutzutage scheinen die Kunden bereit zu sein, den Banken die Nutzung ihrer Daten zu gestatten, wenn dies zu besseren Dienstleistungen führt. Laut der Accenture-Umfrage unter Bankkunden sind zwei Drittel der Kunden daran interessiert, dass die Banken ihre Daten nutzen. Die Bereitschaft, dies zu akzeptieren, ist jedoch begrenzt. Dieselbe Umfrage ergab, dass sie nicht damit einverstanden sind, dass die Bank ihre Daten aus sozialen Medien sammelt.

Es ist von grundlegender Bedeutung, eine Richtlinie für das Datenqualitätsmanagement einzuführen, um die gewünschten Qualitätsstandards für alle zur Analyse verwendeten Datensätze durchzusetzen. Hier sind einige wesentliche Schritte, die zu unternehmen sind:

• Säubern Sie die Daten bei der Erfassung: Legen Sie Prozesse für die Bereinigung von Daten sowie für die Aufnahme neuer Daten in Ihre bestehende Datenbank fest.
• Daten richtig kennzeichnen, wenn sie für überwachtes maschinelles Lernen verwendet werden.
• Ein eindeutiges Nummerierungssystem zuweisen: Viele Finanzinstitute speichern ihre Daten über mehrere Datenbanken verteilt. Die Verwendung eines eindeutigen Nummerierungssystems erleichtert Querverweise, was wiederum dazu beiträgt, ein vollständiges Bild der verfügbaren Daten zu erhalten, anstatt unzusammenhängende Teile zu betrachten.
• Bewahren Sie eine "goldene Kopie": Banken sammeln Daten aus verschiedenen Quellen wie Rating-Agenturen und Datenanbietern. Eine bereinigte "goldene Kopie" dieser Daten ist aus Compliance-Gründen unerlässlich.
• Verfügbare Daten aufrechterhalten: Bei einer normalen Bank verfallen die Daten mit einer Rate von 25 % pro Jahr. Dafür gibt es viele Gründe, wie Eingabefehler, falsche Aktualisierungen, Änderungen der Arbeitsabläufe, Fusionen und Übernahmen usw. Um die Auswirkungen des Datenverfalls zu minimieren, sollten Sie Ihre Daten regelmäßig aktualisieren.

Schritt 3: Verstehen Sie Ihre Algorithmen

Algorithmen liefern statistische Wahrheit. Dies impliziert in bestimmten Fällen die Möglichkeit eines Fehlers. Um die Fehlerwahrscheinlichkeit zu minimieren, muss man die am besten geeignete Methode des maschinellen Lernens und die Art der Algorithmen auswählen, verstehen, woher die Verzerrungen kommen können, und darauf hinarbeiten, ihre Auswirkungen zu minimieren.

Wenn sie richtig ausgewählt werden, bringen Algorithmen des maschinellen Lernens den größten Nutzen. Sie zu verstehen, kann auch helfen, den Schaden zu verstehen, den diese Algorithmen ungewollt verursachen können, und Wege zu finden, ihn zu minimieren.

Erkennen und Minimieren von Verzerrungen

Algorithmen sollen Verzerrungen aufgrund persönlicher Interaktionen und menschlicher Sympathie verringern. Sie öffnen jedoch Tür und Tor für andere Arten von Voreingenommenheit, die sich aus den algorithmischen Einstellungen und Trainingsdatensätzen ergeben. Wenn eine bestimmte Gruppe überwiegt und eine andere Gruppe in den Trainingsdaten unterrepräsentiert ist, werden die Vorhersageergebnisse für die unterrepräsentierte Gruppe weniger genau sein.

Deshalb müssen Banken Algorithmen des maschinellen Lernens auf Fairness testen und sicherstellen, dass die Entwickler die notwendigen Maßnahmen zu diesem Zweck einbauen.

Diese Schritte werden empfohlen, um Fairness in Algorithmen des maschinellen Lernens sicherzustellen:

• Entwerfen Sie eine Datenstrategie, die die anwendbaren Richtlinien und Standards festlegt
• Festlegen, wer die Verantwortung für das Endergebnis und/oder die Zwischenergebnisse trägt
• Ein Verfahren zur Entwicklung von Algorithmen anwenden, das Verzerrungen ausschließt
• Einführung der Bewertung von Trainingsdatensätzen
• Kommunizieren Sie die neue Strategie an alle Beteiligten
• Neu entwickelte Algorithmen testen und den gesamten Prozess kontinuierlich überwachen

Schritt 4: Helfen Sie Ihren Mitarbeitern, sich an den Wandel anzupassen

Wenn Mitarbeiter von der Einführung des maschinellen Lernens an ihrem Arbeitsplatz hören, fühlen sie sich möglicherweise verwirrt, vor allem, wenn es keinen einheitlichen strategischen Rahmen für die Umsetzung und die organisatorischen Auswirkungen gibt.

Das kann dazu führen, dass sich die Mitarbeiter entweder von einem möglichen Stellenabbau bedroht fühlen oder sich über künstliche Intelligenz im Allgemeinen lustig machen. Sie könnten davon ausgehen, dass es sich um ein Pilotprojekt handelt, das bald beendet sein wird und alles wieder zur "Normalität" zurückkehrt.

Die Bereitschaft der Mitarbeiter, Veränderungen zu akzeptieren und sich darauf einzustellen, ist entscheidend für den Erfolg eines langfristigen Projekts. Die Mitarbeiter müssen eine so umwälzende Initiative wie das maschinelle Lernen im Bankwesen verstehen, akzeptieren und ein Gefühl der Eigenverantwortung entwickeln. Hier erfahren Sie, wie Sie dies erreichen können.

Erarbeiten Sie eine klare Vision und kommunizieren Sie diese im gesamten Unternehmen

Der erste Schritt besteht darin, sich darüber klar zu werden, wo Ihr Unternehmen hin will und wann es das Ziel erreichen wird. Dazu müssen Sie eine klare Vision und einen strategischen Weg entwickeln, wie Sie maschinelles Lernen in den Alltag Ihrer Bank einbinden können. Die Vision und der Fahrplan müssen den Endnutzern auf allen Ebenen klar vermittelt werden, um sicherzustellen, dass alle auf derselben Seite stehen und dass alle wichtigen Interessengruppen bei dieser wichtigen Initiative mit an Bord sind.

Die Art und Weise, wie die Arbeit erledigt wird, neu denken und eine neue Kultur dafür fördern

Wenn die Strategie steht, müssen die Banken Maßnahmen ergreifen, um ihre Belegschaft auf den erwarteten Wandel einzustellen. Dazu gehört auch die Entwicklung einer Mentalität für die Zusammenarbeit mit maschinellen Lernwerkzeugen und die Flexibilität, sich anzupassen, wenn Veränderungen dies erfordern.

Bei der Neugestaltung des Arbeitsablaufs sollte man sich vor Augen halten, was Menschen am besten können und worin Maschinen gut sind. Da das maschinelle Lernen den Großteil der sich wiederholenden Arbeiten übernehmen kann, werden die Mitarbeiter mehr kreative und wichtige Aufgaben übernehmen.

Um diese effektiv zu erledigen, muss jeder Mitarbeiter selbstständig arbeiten und entscheidungsfreudig sein. In diesem Szenario werden die Mitarbeiter wahrscheinlich auch häufiger Teams bilden. Dies erfordert bei Bedarf eine schnellere Teambildung oder Umstrukturierung, was der traditionellen Bürokratie in Banken widersprechen kann.

Wenn Maschinen die menschliche Arbeit ergänzen, werden menschliche Mitarbeiter die Quelle der Anleitung für diese Maschinen werden.

• Trainer: unterstützen maschinelle Lernalgorithmen bei ihrem Lernprozess
• Erklärer: interpretieren die von den Algorithmen gelieferten Ergebnisse und stellen sicher, dass sie nicht gegen die Regeln verstoßen
• Sustainers: Sie stellen sicher, dass Algorithmen ihrem Zweck treu bleiben und nicht in Richtung Voreingenommenheit oder andere unethische Praktiken abdriften. Außerdem sorgen sie dafür, dass sich die Algorithmen mit dem veränderten Kundenverhalten weiterentwickeln