FOCONIS Newsletter 02/2021

Nachdem wir bereits im letzten Newsletter grob unser zukünftiges Produkt FOCONIS Predictive Analytics angekündigt haben, möchten wir Sie heute mit einem großen Update über den Status und die Funktionsweise informieren. Für uns sind Künstliche Intelligenz und Machine Learning spannende, zukunftsweisende Themen und wir hoffen, auch Sie für die Möglichkeiten begeistern zu können, die beides auch für Ihr Haus mit sich bringt.

Die FOCONIS steht seit jeher für das Thema Datenqualität ein und nach mehr als 20 Jahren am Markt wissen wir sehr genau, welche Bereiche der Schuh besonders drückt. Das zeigt auch die Vielzahl verschiedener Funktionspakete, die für das Kontrollprozess-System FOCONIS-ZAK^® erhältlich sind. Einige der Erweiterungen wurden primär entwickelt, um Banken und Sparkassen auch in der Beratungsqualität oder Prozesseffizienz zu unterstützen oder sogar Potenziale im Gesamtvertrieb zu identifizieren und sukzessive zu heben. Unterm Strich haben ZAK-Funktionspakete jedoch eines gemeinsam: ohne ein gesundes und hochwertiges Daten-Fundament können noch so intelligente Automatisierungen oder Algorithmen nicht implementiert, noch so vielversprechende Potenziale nicht identifiziert werden.

Da sich die FOCONIS-ZAK^® Funktionspakete im Unterbau jeweils um die Güte der Daten kümmern, geht die FOCONIS nun einen Schritt weiter und bringt jene, die ihre Hausaufgaben beim Thema Datenqualität gemacht haben, auf das nächste Level: Künstliche Intelligenz und Machine Learning sind die Stichworte, die sich im Umfeld der neuesten Entwicklung der FOCONIS wiederfinden. „Predictive Analytics“ zieht direkt zwischen dem Daten-Fundament und den Vertriebsprozessen der Institute eine Art intelligenten Zwischenboden ein: eine akkurate Vorhersage einer Wahrscheinlichkeit von relativen Kaufaffinitäten.

Klingt kompliziert? Ist es aber eigentlich gar nicht. Mit „akkurat“, „Vorhersage“, „Wahrscheinlichkeit“ und „Kaufaffinität“ haben wir zwar in nur einem Satz gleich vier verschiedene Begriffe für Ergebniswerte, die mit Hilfe künstlicher Intelligenz bestimmt werden. Um das Ganze sinnvoll zu erklären, fängt man jedoch am besten von hinten an und Sie werden schnell erkennen, welchen Wert das Ganze hat.

Mit der relativen Kaufaffinität ist die Neigung des einzelnen Kunden oder einer Haushaltseinheit gemeint, ein bestimmtes Produkt zu nutzen/kaufen/beauftragen. Die Frage dahinter: Wie interessant wäre für einen bestimmten Kunden ein bestimmtes Produkt?

Die Wahrscheinlichkeit bestimmt den prozentualen Faktor für die relative Kaufaffinität. Die Frage lautet also: Wie hoch ist die Wahrscheinlichkeit der relativen Kaufaffinität eines bestimmten Kunden für ein bestimmtes Produkt?

Die Vorhersage (engl. „prediction“) beschreibt die modellbasierte Einschätzung, ob überhaupt eine relative Kaufaffinität bei einem beobachteten Kunden gegeben ist oder nicht. Hier lautet also die Frage: haben wir genügend aussagekräftige (sprich: korrekte) Daten, auf deren Basis eine Wahrscheinlichkeit für die relative Kaufaffinität eines bestimmten Kunden zu einem bestimmten Produkt errechnet werden kann? Zur Berechnung ist ein fehlerfreier und vollständiger Datenbestand das A und O – zumindest bei den Variablen (Features), die bei den speziell selektierten Algorithmen für eine Vorhersage berücksichtigt werden sollen.

Eine vorhergesagte Wahrscheinlichkeit für die relative Kaufaffinität eines Kunden A zu einem Produkt X kann bis hierhin noch so vielversprechend ausfallen. Ausschlaggebend ist am Ende vor allem die ermittelte Accuracy (dt. „Genauigkeit“, „Akkuratesse“). Legen wir den Berechnungen und Lernmodellen der KI unzureichende oder qualitativ minderwertige Daten zugrunde, indiziert dies, dass wir den Bereich der gezielten Vorhersage von Wahrscheinlichkeiten verlassen und deutlich im Bereich der groben Schätzung agieren, was den Sinn und Zweck künstlicher Intelligenz gänzlich verfehlt.

Das Primärziel in FOCONIS-ZAK^® „Predictive Analytics“ ist es daher, die maximale Accuracy eines Datenmodells zu erreichen, um einen Prozess definieren zu können, der durch den Einsatz von Trainings- und Testdaten zielgerichtet gesteuert und hinsichtlich des Fortschritts überwacht werden kann. Konkrete Faktoren, um die Vorhersagegenauigkeit des Datenmodells zu optimieren, sind die fachlich fundierte Auswahl und Transformation von Variablen, die Selektion des passenden Algorithmus‘ mit speziell auf den Anwendungsfall angepassten Parametern sowie nicht zuletzt die bereits erwähnte Datenqualität.

Kommen die richtigen Daten zusammen, um die Künstliche Intelligenz von ihrer Konstellation lernen zu lassen (Machine Learning), gelingen mit FOCONIS-ZAK^® „Predictive Analytics“ präzise Vorhersagen zu Gunsten der Vertriebssteuerung.

Abseits dieses Anwendungsfalls kann man mit dieser Technik weitere wichtige Bereiche abdecken, bei denen Prognosen mindestens genauso wichtig sind wie im Bereich der Vertriebssteuerung. Dazu gibt es viele Anwendungsfälle, welche wir gerne mit Ihnen gemeinsam beleuchten.

Fassen wir das Grundsätzliche zusammen: Künstliche Intelligenz, mit den benötigten und korrekten Informationen angereichert, lässt sich vielseitig nutzen – zu Gunsten der Vertriebssteuerung, aber auch zum Schutz der Bank hinsichtlich einer Risikoabwägung oder der Bestandskundenbindung. Machine Learning und Künstliche Intelligenz haben Erfolg, wenn der zugrundeliegende Datenbestand Vollständigkeit aufweist und qualitativ auf höchstem Niveau liegt. Die Funktionspakete „DQM-Kontrollen (Datenqualität)“ sowie „Betreuungs-/Haushaltseinheiten“ und „DVFS (Dynamische Verhaltens- und Finanzsegmentierung)“ bilden das perfekte Fundament für den nachgelagerten Einsatz von FOCONIS-ZAK^® „Predictive Analytics“. Wenn das Fundament stabil steht, kann die „KI-Magie“ entfaltet werden. Daher sprechen wir in diesem Kontext weniger vom unmittelbaren Einsatz eines Produkts, vielmehr jedoch von einem rollierenden Projekt, an dessen Ende ein fortlaufender, vorhergesagter Vertriebserfolg das Unternehmen stärkt, unterstützt und die Kundenbindung auf ein neues Level hebt.

Die FOCONIS entwickelt die Methoden und Algorithmen im Rahmen von Predictive Analytics gemäß etablierten, modernsten Industriestandards. Die Betrachtung, welche Produkte mit welchen Ausprägungen welcher Kunde mit welchem persönlichen und finanziellen Umfeld oder in welcher Lebensphase beauftragt hat, ist – so fremd es zunächst erscheinen mag - absolut vergleichbar mit den intelligenten, lernenden Systemen, die beispielsweise hinter den Empfehlungen von Video-Streaming-Anbietern stehen. Der Branchenriese Netflix hat zur Vorhersage der Wahrscheinlichkeit der Affinität eines Zuschauers zu den verfügbaren Inhalten beispielsweise eine Ausschreibung veröffentlicht, die ein Team von KI-Experten aufgegriffen und unter anderem über eben diese Technik bzw. diesen Algorithmus umgesetzt hat, den die FOCONIS nun in Verbindung mit weiteren Algorithmen in Predictive Analytics nutzt. Mittlerweile ist diese Methode eine weltweit verwendete im Bereich der Künstlichen Intelligenz. Erfolgsunternehmen wie Netflix setzen diese Technik sehr erfolgreich ein. Sollten Sie selbst ein Netflix-Abonnement haben, achten Sie einmal auf den farbigen Hinweis in der Inhaltsbeschreibung („Übereinstimmung X%“).

FOCONIS Predictive Analytics wird innerhalb von FOCONIS-ZAK^® 3 bereitgestellt. Das bedeutet nicht, dass alle Genossenschaftsbanken warten müssen, bis ZAK 3 ab 2022 den Weg in die Systemlandschaft der Atruvia AG geschafft hat. Wer bereits das ZAK Funktionspaket „DVFS (Dynamische Verhaltens- und Finanzsegmentierung)“, früher: Kundensegmentierung Plus, einsetzt, hat die ZAK 3–Technologie bereits im Einsatz und ist somit auch bereit für Predictive Analytics.

Predictive Analytics wird vollständig in ZAK 3 integriert sein und bedarf somit keiner zusätzlichen Hard- oder unterstützenden Software. Die Ergebnisse können in das Kernbankverfahren transferiert werden, so dass die bankinternen Vertriebsprozesse nahtlos mit den KI-Ergebnissen veredelt werden.