Genaue Vorhersagen über die Zukunft sind seit langem eine begehrte Fähigkeit. Im Laufe der Menschheitsgeschichte haben die Menschen danach gestrebt und alle möglichen Mittel und Disziplinen eingesetzt, um sie zu erlangen - von der Wissenschaft bis hin zum Übernatürlichen.
Endlich scheint es so, als ob wir dem Einblick in die Zukunft so nahe sind wie nie zuvor, und zwar nicht mit Hilfe von Kristallkugeln, sondern mit Hilfe von maschinellem Lernen und Big Data. Von personalisiertem Banking bis hin zu auf maschinellem Lernen basierenden Börsenprognosen bietet die prädiktive Analytik im Finanzwesen eine Vielzahl von Anwendungsmöglichkeiten.
Lassen Sie uns einen Blick darauf werfen, wie Predictive-analytics-Experten Finanzteams von Unternehmen, Investmentbanken und anderen Finanzorganisationen dabei helfen, fortschrittliche Analysen in ihre Geschäftsabläufe einzubinden, um die Zukunft so greifbar wie möglich zu machen.
Was ist prädiktive Analytik im Finanzwesen?
Predictive analytics ist ein digitaler Prozess, der die Interpretation von Finanzdaten aus deskriptiven und diagnostischen Analysen umfasst, um die Möglichkeiten zukünftiger Ergebnisse zu berechnen.
Das Verfahren der Analyse historischer Daten zur Vorhersage der Zukunft ist im Finanzsektor nicht neu. Banken, andere Finanzinstitute und Unternehmen im Allgemeinen haben schon immer versucht, Wahrscheinlichkeiten zu schätzen, indem sie vergangene Ereignisse interpretierten.
Der Wert der prädiktiven Analytik liegt darin, dass diese Aufgabe wesentlich schneller erledigt werden kann und die Vorhersagen viel präziser sind. Dank der modernen Verbesserungen bei der Geschwindigkeit und Genauigkeit von Predictive Analytics können Finanzunternehmen den Umfang ihrer Implementierung erhöhen und die Technologie in strategischen und taktischen Bereichen ihres Geschäfts breiter einsetzen.
Nach Angaben von Statista wird der weltweite Markt für Predictive Analytics bis 2028 auf 41,52 Milliarden US-Dollar anwachsen.
Top 3 Predictive-Analytics-Modelle im Finanzwesen
Im Finanzbereich sind dies die drei am häufigsten verwendeten prädiktiven Modelle:
|
Klassifikationsmodell Das Klassifizierungsmodell gehört zu den einfachsten Predictive-Analytics-Modellen, die ein binäres Ergebnis liefern. Im Bankkontext werden Klassifizierungsmodelle häufig verwendet, um Entscheidungen auf der Grundlage einer umfassenden Bewertung des Themas zu treffen. So kann es beispielsweise vorhersagen, ob die Aktien eines bestimmten Unternehmens steigen oder fallen werden. |
Ausreißermodell Das Ausreißermodell wird verwendet, um signifikante Abweichungen in einem Datensatz zu erkennen, was es zu einem der am häufigsten verwendeten Modelle zur Betrugserkennung macht. Wenn beispielsweise die Kreditkarte eines Kunden zum Kauf einer übermäßig teuren Uhr in einer Stadt verwendet wird, in der er nicht wohnt, wird das Ausreißermodell diese Transaktion als potenziell betrügerisch einstufen, da es sich um ein ungewöhnliches Verhalten handelt. |
Zeitreihenmodell Das Zeitreihenmodell verfolgt eine bestimmte Variable über einen bestimmten Zeitraum hinweg, um vorherzusagen, wie sich diese Variable in einem anderen bestimmten Zeitrahmen auswirken wird. In der Finanzwelt wird das Zeitreihenmodell beispielsweise häufig verwendet, um vorherzusagen, wie sich ein bestimmter Finanzwert (wie der Preis eines Wertpapiers oder die Inflationsrate) im Laufe der Zeit verändern wird. |
Die 6 Vorteile von Predictive Analytics im Finanzwesen
|
1 |
Gesunkene Kosten |
Durch die Integration von Predictive Analytics in die Budgeterstellung und Risikomodellierung können Finanzunternehmen einen besseren Einblick in die täglichen Cashflows erhalten und die Kosteneffizienz ihrer Operationen erhöhen. |
|
2 |
Minimierte Risiken |
Predictive-analytics hilft Finanzinstituten, bestimmte wirtschaftliche Szenarien zu modellieren und evidenzbasierte Entscheidungen zu treffen, die Risiken minimieren. |
|
3 |
Verringerter Betrug |
Maschinelles Lernen und fortschrittliche statistische Modelle ermöglichen es Unternehmen, große Datenmengen in Echtzeit zu verarbeiten und Betrug genauer zu erkennen. |
|
4 |
Personalisierte Dienstleistungen |
Durch die Analyse großer Mengen von Kundendaten können Unternehmen Kundenprofile besser verstehen, personalisierte Dienste in großem Umfang anbieten und die Kundenbindung erhöhen. |
|
5 |
Steigerung der Einnahmen |
Maschinenlernfähige Prognosemodelle ermöglichen es Anlageexperten, datengestützte und profitablere Entscheidungen über den Markt zu treffen. |
|
6 |
Steigerung der Mitarbeiterzufriedenheit |
Predictive-analytics nimmt den Mitarbeitern manuelle Arbeit ab, so dass sie sich auf interessantere und wertsteigernde Aufgaben konzentrieren können, was die allgemeine Mitarbeiterzufriedenheit und Produktivität erhöht. |
6 Anwendungsfälle von Predictive Analytics im Finanzwesen
1. Senkung der Kosten für das Haushaltsgebäude
Die jährliche Runde der Budgeterstellung ist ein Paradebeispiel dafür, wie Unternehmen von den Fortschritten in der Finanzsoftwareentwicklung, einschließlich Predictive Analytics, profitieren können.
Die Erstellung eines Budgets ist im Vergleich zu anderen, die später in diesem Artikel behandelt werden, nicht unbedingt eine risikoreiche Tätigkeit. Dennoch bindet sie die Buchhaltungsabteilung eines Unternehmens gegen Ende eines jeden Geschäftsjahres in der Regel für Wochen, vielleicht sogar Monate.
Da die Aufstellung von Budgets für Hunderte von Einzelposten eine Tätigkeit ist, die von Kostenvorhersagen abhängt, sind predictive-analytics-Softwarelösungen in Kombination mit angepassten Buchhaltungstools mit Automatisierungsfunktionen gut dafür geeignet. Durch die Analyse historischer Daten zur Hervorhebung von Mustern und zur Vorhersage von Kosten innerhalb weniger Augenblicke kann eine Predictive-Analytics-Lösung Routinebudgets erstellen, ohne die Arbeit eines ganzen Buchhaltungsteams in Anspruch zu nehmen.
Besser noch: Da Predictive Analytics "Was-wäre-wenn"-Fragen beantworten kann, können Buchhalter ein Routinebudget nehmen und verschiedene Strategien und Szenarien testen, um neue Budgetierungsansätze zu implementieren. Alles in allem kann der jährliche Budgetierungsprozess durch die Anwendung von Predictive Analytics schneller, genauer und zu geringeren Kosten als je zuvor durchgeführt werden.
Beispiel: PwC
PwC, ein zweitgrößtes Netzwerk für professionelle Dienstleistungen, half beispielsweise einem großen Finanzinstitut, den täglichen Cashflow besser vorherzusagen und die Rendite der Zahlungsaktivitäten zu steigern. Durch die Integration eines Vorhersagemodells und eines Datenvisualisierungstools in den Rahmen der Budgetprognose konnte das Finanzinstitut viel besser verstehen, wie sich verschiedene Ereignisse auf den Cashflow auswirken. Infolgedessen konnte der Kunde seinen Prognosezeitraum von 3 auf 12 Monate verlängern, den Mitarbeitern mehr Zeit für wertschöpfende Aufgaben geben und genauere Budgetentscheidungen treffen.
2. Verringerung der Prognoserisiken im Investmentbanking
Für einige Unternehmen, wie z.B. Investmentbanken, ist das Finanzwesen keine Randfunktion, sondern eine Kernkompetenz, bei der jede Entscheidung mit Blick auf die Zukunft getroffen werden muss. Natürlich ist diese Art von Geschäft risikobehaftet, und genaue Prognosen der finanziellen Leistung sind unerlässlich - und konzentrieren sich in der Regel auf Faktoren außerhalb des Unternehmens selbst.
Zwei Hauptaufgaben von Investmentbanken bestehen beispielsweise darin, Unternehmen bei Fusionen und Übernahmen zu unterstützen und als Vermittler bei der Freigabe von Aktien, Anteilen und anderen Wertpapieren zu fungieren. In beiden Fällen muss sich die Bank auf Erkenntnisse und Vorhersagen über ihren Kunden stützen und auf der Grundlage dieser Informationen Bewertungen vornehmen.
Für Anleger sind Unternehmensanleihen wohl eine sicherere Option als Aktien und Wertpapiere, da die Erträge nicht direkt mit Gewinnen und Verlusten verbunden sind. Außerdem stehen die Inhaber von Anleihen im Falle einer Finanzkrise, die zum Konkurs eines Unternehmens führt, in der Warteschlange für die Rückzahlung ganz vorne.
Allerdings gibt es für Investmentbanken, die Unternehmen bei der Emission von Anleihen unterstützen, eine Vielzahl von Risiken. Eine potenzielle Gefahr besteht zum Beispiel darin, dass eine falsche Einschätzung der Nachfrage - die bei manuellen Prognosen immer möglich ist - dazu führen kann, dass die Bank keinen angemessenen Preis für die Anleihen erhält.
Beispiel: Overbond
Overbond ist ein kanadisches Startup-Unternehmen, das Investmentbankern und ihren Kunden quantitative KI-Analysedienste zur Verfügung stellt, die menschliche Fehler bei der Emission, dem Verkauf und dem Kauf von Anleihen ausschließen.
Die auf neuronalen Netzen basierenden Algorithmen von Overbond können die Preise und den Zeitpunkt neuer Anleiheemissionen vorhersagen, wobei die Genauigkeit der Renditevorhersagen bei 0,02 % liegt. Sie tun dies durch die Analyse von Echtzeit-Sekundärhandelsdaten für Unternehmen und ihre Konkurrenten, zusammen mit Kreditratings und Daten aus Unternehmensbilanzen.
Für Investmentbanker und ihre Kunden können diese Funktionen Erkenntnisse liefern, die sie bei Entscheidungen über Zeitpunkt, Preis und Laufzeit von Unternehmensanleihen unterstützen. Für investierende Gläubiger hilft eine kostenlos nutzbare, eingeschränkte Version des Tools dabei, die Termine von Neuemissionen abzuschätzen und sich auf den Kauf vorzubereiten.
3. politische Risikosignale für Hedge-Fonds-Manager
Für Hedgefonds ist es traditionell schwierig, politische Ereignisse und die Wahrscheinlichkeit ihres Auftretens vorherzusagen und abzuschwächen. Auch wenn die Geopolitik keinen großen Einfluss auf die allgemeinen Marktbewegungen hat, so kann sie doch einen entscheidenden Einfluss auf Anlagewerte haben, die auf Regierungsmaßnahmen reagieren.
Beispiel: Predata
Ein in New York ansässiges Startup-Unternehmen erhielt 3,25 Millionen Dollar Risikokapital, um eine Plattform für Hedge-Fonds-Manager zu schaffen, mit der sie potenzielle politische Ereignisse erkennen und deren Auswirkungen auf sensible Strategien vorhersagen können. Das Unternehmen Predata ermöglicht Vorhersagen von Ereignissen bis zu 90 Tage im Voraus durch die Analyse von Signalen, die sich aus der Aktivität der sozialen Medien ergeben.
Durch die Überwachung und Aufschlüsselung digitaler Konversationen kann die Predata-Vorhersageplattform Manager über die Wahrscheinlichkeit eines politischen Ereignisses warnen und in vielen Fällen Einblicke in dessen wahrscheinlichen Ausgang geben.
Hedge-Fonds können die Anwendung nutzen, um Vorab-Benachrichtigungen über Ereignisse wie folgende zu erhalten:
- Wahlergebnisse
- Arbeitsstreiks
- Nationale Sicherheitsrisiken
- Proteste und Boykotte
Seit der Markteinführung hat sich Predata mit einem anderen Unternehmen zusammengetan, um die Geodaten-Technologie in sein Produkt zu integrieren. Die Software hilft Hedge-Fonds dabei, über Ereignisse und ihre möglichen Folgen auf dem Laufenden zu bleiben, noch bevor die Mainstream-Medien darüber berichten.
4. die Verhinderung von Betrug
Die Predictive-Analytics-Technologie ermöglicht nicht nur Buchhaltungsteams, Investmentbankern und Hedge-Fonds-Managern einen Blick in die Zukunft, um die Leistung zu verbessern, sondern findet auch bei Privatkundenbanken immer mehr Anklang. Anwendungsfälle wurden identifiziert und werden in verschiedenen Bereichen umgesetzt, darunter auch die Betrugsprävention, an der das Interesse der Finanzorganisationen stetig zunimmt, wie die folgende Grafik zeigt.
Seitdem die Kreditkarte als Finanzierungsmethode für Verbraucher aufkam, haben die Kartenaussteller versucht, betrügerische Transaktionen im Handumdrehen zu erkennen, allerdings mit begrenztem Erfolg. Nach Angaben des britischen Finanzministeriums beliefen sich die Verluste durch unerlaubten Finanzbetrug bei Zahlungskarten, Fernbanking und Schecks im Jahr 2020 allein im Vereinigten Königreich auf 783,8 Millionen Pfund. Gleichzeitig werden legitime Kaufversuche im Wert von Milliarden von Dollar von Betrugserkennungssystemen fälschlicherweise abgelehnt.
In letzter Zeit wurden jedoch mehrere auf prädiktiver Analytik und maschinellem Lernen basierende Lösungen eingesetzt, um die Grenzen regelbasierter Betrugserkennungsanwendungen zu überwinden. Sie können dieses Thema in unserem Artikel über Betrugserkennung mit maschinellem Lernen vertiefen. Betrachten Sie jedoch das folgende Szenario als ein Beispiel für ihren Wert.
Natürlich geht es beim erfolgreichen Einsatz von Predictive Analytics in der Betrugsprävention nicht nur um die Verringerung der Falschmeldungen, sondern auch um die Erhöhung der Erfolgsquote beim Abfangen echter betrügerischer Transaktionen.
Beispiel: DataVisor
DataVisor ist ein Beispiel für eine Betrugserkennungsmaschine, die dies erfolgreich tut. Der Anbieter behauptet, dass die Software dank ihrer Vorhersagefähigkeiten die Wahrscheinlichkeit von Betrug bei einer Reihe von Transaktionsarten, von Kartenkäufen bis zu Kreditanträgen, genau einschätzen kann.
Nach dem Einsatz bei einer der größten Banken in den Vereinigten Staaten verbesserte DataVisor die erfolgreiche Erkennung von Betrugsversuchen bei Online-Kreditanträgen um 30 % und erreichte eine Falsch-positiv-Rate von nur 1,3 %.
5. Management des Ausfallrisikos bei Kreditkarten
Traditionelle Kreditscoring-Systeme berücksichtigen viele Faktoren, darunter das Zahlungsverhalten, die Länge der Kredithistorie, die Anzahl der Kreditanfragen und viele andere Messgrößen. Wenn jedoch herkömmliche Finanzdaten fehlen, sind solche Systeme machtlos. Maschinelles Lernen und fortschrittliche Predictive-Analytics-Methoden wiederum ermöglichen es den Banken, die Kreditwürdigkeit ihrer Kunden genauer einzuschätzen und Erkenntnisse aus wesentlich größeren Datensätzen zu ziehen.
Beispiel: Carbon
Carbon, eine digitale Bank für den unterversorgten afrikanischen Markt, hatte Schwierigkeiten, das Kreditrisiko von Bürgern ohne vorherige Kredithistorie zu bewerten. Um dieses Problem zu lösen, wandte sich die Bank an DataRobot, ein Unternehmen, das KI- und Cloud-basierte Lösungen anbietet. Die KI-Cloud-Plattform von DataRobot ermöglicht es Carbon, die Kreditwürdigkeit einzelner Kunden innerhalb von fünf Minuten automatisch zu bewerten.
Das auf maschinellem Lernen basierende System sammelt Daten aus Erst-, Zweit- und Drittquellen und erstellt einen Kreditscore, so dass Kunden mit höheren Scores Zugang zu besseren Tarifen erhalten. Darüber hinaus schätzt das System auch die Ausfallwahrscheinlichkeit für jeden Kunden, die dann zur Anpassung der Kreditkonditionen verwendet wird.
Neben der Kreditentscheidungsmaschine hat die Bank auch ein Abwanderungsmodell eingeführt, das die Kunden aufspürt, bei denen die Wahrscheinlichkeit am größten ist, dass sie die Dienstleistungen von Carbon nicht mehr in Anspruch nehmen, so dass die Bank vorbeugende Maßnahmen ergreifen und sie halten kann.
Der Leiter der Datenwissenschaft bei Carbon berichtet, dass das Team 25 % mehr Mitarbeiter benötigt hätte, um den gleichen Arbeitsaufwand zu bewältigen. Jetzt kann das Team von Carbon die frei gewordene Zeit der Mitarbeiter für strategischere Aufgaben einsetzen.
6. die Optimierung der Customer Journeys
In der heutigen Ära des Bankwesens hängt die Wettbewerbsfähigkeit eines Finanzinstituts weitgehend von seiner Fähigkeit ab, personalisierte Kundenerfahrungen zu bieten. Auf der Grundlage der enormen Datenmengen, die die Nutzer online generieren, können sich Banken von der Konkurrenz abheben, indem sie ihre Dienstleistungen auf den einzelnen Kunden zuschneiden, wie dies bei der KI-gestützten Vermögensverwaltung der Fall ist, die viele Banken inzwischen einsetzen. Allerdings erfordert die Hyperpersonalisierung von Kundenerlebnissen in großem Maßstab auf maschinelles Lernen gestützte prädiktive Analysen und detailliertere Daten.
Beispiel: Teradata
Teradata Vantage ist eine intelligente Multi-Cloud-Datenplattform, die die Datenanalytik für große Unternehmen rationalisiert. Im Zuge der digitalen Transformation erkannte eine Abteilung einer großen, multinationalen Bank, dass sie ihre Kunden besser verstehen muss, um die Kundenakquise zu maximieren, Haltepunkte in der Customer Journey zu erkennen und die Kundenbindung zu erhöhen, und führte Teradata Vantage ein.
Durch die Einführung neuer digitaler Variablen wie Page Scores und Besuchsdauern kann die Bank nun Kunden mit hohem Interesse identifizieren, bevor sie einen Antrag stellt. Auf der Grundlage der bisherigen Transaktionen und Interaktionen der Kunden mit allen digitalen Kanälen kann die Bank diese hochinteressanten Kunden mit zunehmend personalisierten Nachrichten ansprechen. Durch den Einsatz des Teradata-Systems konnte die Bank die Klickrate für personalisierte Nachrichten um das 50-fache erhöhen.
Tipps zur Implementierung von Predictive Analytics im Finanzwesen
Um den größten Nutzen aus Predictive Analytics zu ziehen, müssen die meisten Finanzinstitute erhebliche organisatorische Veränderungen vornehmen. Die Transformation sollte ganzheitlich angegangen werden, um sicherzustellen, dass die technische Basis, die Organisationsstruktur und die Mitarbeiter auf derselben Seite stehen.
|
Verbesserung der Datenverwaltung Mit etablierten Data-Governance-Standards haben Data-Science-Teams eine viel bessere Chance, Vorhersagemodelle zu erstellen, die greifbare Vorteile bringen. Zwar verfügen Finanzunternehmen oft über eine Fülle von Daten, doch deren schlechte Qualität oder mangelnde Zugänglichkeit schränken ihr Potenzial ein. Sich die Zeit zu nehmen, ein System einzurichten, in dem die Daten bereinigt, strukturiert und an einer Stelle konsolidiert werden, ist eine der wichtigsten Voraussetzungen für die erfolgreiche Implementierung von Predictive Analytics. |
Verbesserung der technologischen Basis Die übergreifenden Ineffizienzen, die üblicherweise mit Altsystemen verbunden sind, sind in der Finanzbranche besonders relevant. Die alten monolithischen Architekturen der Banken waren nicht für die Datenmengen ausgelegt, die ein modernes Unternehmen bewältigen muss, und erwiesen sich als weitgehend unflexibel, was die Einführung neuer Technologien angeht. Predictive Analytics oder jede andere Technologie, die sich auf Daten stützt, um greifbare Geschäftsergebnisse zu erzielen, profitiert von modularen Infrastrukturen, in denen Technologien leicht entfernt oder hinzugefügt werden können. |
|
Neugestaltung der Organisationsstruktur Die Einführung fortschrittlicher Analysestrategien erfordert häufig eine Neuorganisation von Teamstrukturen und Arbeitsabläufen. Während Finanzinstitute ähnliche Endziele verfolgen, ist die Art und Weise, wie sich Predictive Analytics in die Arbeitsabläufe integrieren lässt, von Unternehmen zu Unternehmen unterschiedlich. Um Predictive Analytics einzubinden, müssen daher Data-Science-Teams, IT-Abteilungen und Geschäftsbereiche effektiv zusammenarbeiten, um umsetzbare datengesteuerte Strategien zu entwickeln. |
Ein Kulturwandel In der Regel erfordern datengesteuerte digitale Transformationen einen Wandel in der Denkweise von Unternehmen. Herkömmliche Schulungsprogramme mit einem linearen Lernansatz können ein guter Anfang sein, aber Unternehmen mit einer Kultur, die kontinuierliches Selbstlernen fördert, haben eine größere Chance, das Beste aus Predictive Analytics herauszuholen. Eine dezentrale Entscheidungsfindung in Verbindung mit engagierten und datenkundigen Mitarbeitern kann die Übernahme neuer Anwendungsfälle beschleunigen und Geschäftsanwendern helfen, schneller Erkenntnisse aus Modellen abzuleiten. |
Eine große Zukunft für Predictive Analytics im Finanzwesen
Bevor wir diese Zusammenfassung von Predictive-Analytics-Anwendungsfällen im Finanzwesen abschließen, sei noch einmal darauf hingewiesen, dass bei jeder Beschaffungsentscheidung Vorsicht geboten ist. Viele der derzeit verfügbaren Plattformen erfordern einen hohen Anfangsaufwand von Datenwissenschaftlern und Bankfachleuten und sollten, ähnlich wie die Anwendungen von Predictive Analytics in der Immobilienwirtschaft, nicht als todsichere Lösungen angesehen werden.
Es ist ratsam, in der Implementierungsphase jeder neuen Predictive-Analytics-Anwendung die Einbindung eines Beratungs- und Entwicklungspartners zu berücksichtigen.
Mit der Zeit und der Reife der Lösungen könnte die Vorhersage der Zukunft im Finanzwesen jedoch weniger von Menschen abhängig werden, und die Einführung könnte weniger kompliziert werden. In der Zwischenzeit wäre es unklug, die Möglichkeiten der digitalen Vorhersage zu übersehen oder die potenziellen Erträge zu vernachlässigen, selbst wenn erhebliche Anfangsinvestitionen erforderlich sind.
