Künstliche Intelligenz in der Anlageberatung – Kommt bald der “Robo Advisor 2.0”? (Teil 1)
Das Aufkommen von fortschrittlichen Technologien in der Bankenindustrie verändert die Rahmenbedingungen in der Anlageberatung – einer bislang tragenden Säule im Geschäftsmodell einer Bank. Heutige Portfoliomanager stehen in verstärkter Konkurrenz zu vollautomatisierten Anlagelösungen, die gemeinhin als Robo Advisor bekannt sind. Häufig werben die Anbieter von Robo Advisors mit tieferen Preisen und kleineren Mindesteinlagen, wodurch sie eine neue Kundengruppe mit weniger finanziellen Ressourcen ansprechen (Müller & Pester, 2019, S. 227-228). Obschon dadurch die Wettbewerbsintensität und der Margendruck auf das konventionelle Beratungsmodell stetig ansteigt, ist bislang kein Robo Advisor in der Lage, einen Investor so zu unterstützen, wie es ein menschlicher Anlageberater tun würde. In diesem Zusammenhang erklärt Cocca (2017), dass sich bislang bei keinem der gegenwärtigen Robo Advisor eine wirkliche Intelligenz im Sinne von kognitiver Denkleistung feststellen lässt. Die zentrale Herausforderung für Anbieter von vollautomatisierten Anlagelösungen liegt speziell auf der Ebene der Interaktion (Sprach- und Gestenerkennung) sowie auf der Ebene der Informationsverarbeitung (Verknüpfung und Bewertung von Informationen). Die künstliche Intelligenz mit ihren vielzähligen technologischen Bausteinen adressiert beide Herausforderungsebenen und findet dadurch vermehrt Einzug in digitale Anlagelösungen.
Während bisherige Technologien überwiegend dazu dienten, physische und/oder repetitive Arbeitsprozesse zu automatisieren, zielt die künstliche Intelligenz insbesondere auf kognitive Geschäftsprozesse ab. Durch die einzigartige Fähigkeit, menschliche Denkabläufe zu simulieren und zu modellieren, können diejenigen Prozesse automatisiert werden, die bis anhin menschliches Denkvermögen und Kreativität erfordert haben (Gentsch, 2018, S. 1-3).
Auch wenn fast täglich neue Artikel und Untersuchungen zur künstlichen Intelligenz erscheinen, existieren nur wenige Beiträge, die das Potenzial im Beratungsprozess adressieren. Bei vielen Autoren liegt der Forschungsschwerpunkt auf ganz spezifischen Anwendungsbereichen, wodurch lediglich ein kleiner Teil der Wertschöpfung betrachtet wird. Hinzu kommt, dass viele Unternehmen, die vermeintlich künstliche Intelligenz nutzen, nur spärlich Auskunft darüber geben, wie und in welchen Prozessen die Technologie tatsächlich zum Einsatz kommt (De Jesus, 2019). Was fehlt, ist ein systematischer Überblick, wie die vielseitigen und komplexen Fähigkeiten der künstlichen Intelligenz in den einzelnen Beratungsprozessen möglichen Nutzen stiften können. Angesichts dieser Forschungslücke hat Timon Jäggi im Rahmen seiner Bachelorarbeit bei Roger Heines am CC Ecosystems unter anderem versucht, einen Brückenschlag von den vielzähligen Domänen der künstlichen Intelligenz auf der einen Seite zu konkreten Optimierungspotenzialen auf der anderen Seite zu leisten. Hierzu soll folgende Forschungsfrage beantwortet werden:
Forschungsfrage 1: Welche Prozesse im Bereich der Anlageberatung sind von den Fähigkeiten der künstlichen Intelligenz (potenziell) betroffen?
Im ersten Beitrag dieser Reihe stellen wir Euch die Anwendungsbereiche der künstlichen Intelligenz vor, die für die Anlageberatung als besonders relevant identifiziert wurden, bevor wir uns im zweiten Beitrag eingehender mit den potenziellen Auswirkungen dieser Bereiche auf den Beratungsprozess beschäftigen.
KI-Anwendungen für den Robo Advisor 2.0
Damit das Potenzial der künstlichen Intelligenz im Forschungsfeld der Anlageberatung entsprechend untersucht und dargelegt werden kann, wird in der Arbeit ein modularer Ansatz verwendet. Das heisst, die Technologie wird nicht als Ganzes, sondern als Summe von mehreren technologischen Bausteinen bzw. Anwendungen behandelt. In einem ersten Schritt wurde die theoretische Grundlage ausgearbeitet, um ein ausreichendes theoretisches Verständnis zu schaffen. Hierbei wurde etwas ausführlicher auf die künstliche Intelligenz und deren konzeptionelle Funktionsweise eingegangen[1]. Im Zuge dieser Ausarbeitung wurden drei Anwendungsdomänen, welche eine potenzielle Transformation existierender Beratungsformen in Richtung «Robo Advisory 2.0» herbeiführen können, identifiziert und genauer charakterisiert.
Intelligente Dialogsysteme, auch Conversational Interfaces (CI) genannt, stellen die erste Anwendung dar, die grosses Potenzial in der Anlageberatung aufweist. Je nach Form des Inputs kann zwischen Chatbots (textbasierte Dialogsysteme) und Sprachassistenten (audiobasierte Dialogsysteme) unterschieden werden. Ein wesentlicher Vorteil gegenüber anderen Interaktionskanälen ergibt sich primär aus dem hohen Mobilitätsgrad. So kann ein Dialogsystem typischerweise geräte- und applikationsübergreifend in mobile Endgeräte implementiert werden, damit der Kunde unabhängig von Ort und Zeit mit der Bank interagieren kann. Beispielsweise nutzt der Finanzdienstleister Wells Fargo den Messenger-Dienst von Facebook, um einfache Kundenanfragen automatisch zu beantworten (Marous, 2018). Gemäss Leukert et al. (2019) ist die Qualität der heutigen Chatbots und Sprachassistenten genügend gut, um Anwender mittels intuitiver Art der Interaktion durch komplexe Unternehmensprozesse zu begleiten.
Eine weitere potenzialreiche Anwendung ist gemeinhin als Predictive Analytics (PA) bekannt. PA ist eine auf künstlicher Intelligenz basierende Anwendung, die Banken helfen kann, aus einer riesigen Datenmenge Muster zu erkennen, um darauf basierend Vorhersagen zu unternehmensrelevanten Inhalten zu treffen (Joshi, 2018, S. 1-2). Dabei können von den Algorithmen meist von Menschen nicht wahrnehmbare Zusammenhänge identifiziert werden (LeCun, Bengio, & Hinton, 2015, S. 438). Die heute zur Verfügung stehenden Datensätze von Banken sind vielfach zu gross, als dass sie von menschlichen Experten vollumfänglich für ihre Analyse berücksichtigt werden können (Wess, 2019, S. 146). Bekannt wurde PA insbesondere durch die intelligente Produktempfehlung von Amazon oder die individuelle Filmempfehlung von Netflix. Ein dahinterstehender Algorithmus verarbeitet Inputdaten wie IP-Adresse oder Suchverlauf und erstellt daraufhin Prognosen, welche Services und Produkte vom Kunden am wahrscheinlichsten benötigt oder gekauft werden. Ein wesentlicher Vorteil von PA ist vor allem die Abwesenheit von subjektiven Beeinflussungen. Die Modelle beruhen auf rein objektiven Informationen und schliessen dadurch Bauchgefühl-Entscheidungen kategorisch aus (Gentsch, 2018, S. 4).
Ferner stellt die intelligente Marktsegmentierung eine weitere potenzialreiche Anwendung dar. Banken ersetzen zunehmend starre und verallgemeinerte Segmentierungsansätze durch individuelles Profiling, welches der immensen Komplexität und Vielschichtigkeit der Kundenbedürfnisse gerecht wird. Mithilfe der Kundensegmentierung durch intelligente Algorithmen kann eine Bank dieser Entwicklung Rechnung tragen, indem der Markt automatisch in sinnvolle und geordnete Mikrosegmente unterteilt wird (Tsiptsis & Chorianopoulos, 2009, S. 4). Durch dieses Verfahren können ertragreiche Käufergruppen identifiziert werden, um deren spezifische Eigenschaften zu ermitteln. Ähnlich wie bei PA können auch durch die intelligente Kundensegmentierung Vorhersagen über Kundenverhalten gemacht werden. Weiss eine Bank beispielsweise, zu welchem Segment ein spezifischer Kunde gehört, kann sie ihre Verkaufschancen erhöhen, indem sie diesem gezielt segmentspezifische Angebote unterbreitet.
Nachdem drei
potenzialreiche Anwendungen identifiziert wurden, wurden sie anschliessend den einzelnen
Prozessen in der Anlageberatung gegenübergestellt. Dadurch konnten deren
konkrete Potenziale in den entsprechenden Prozessen untersucht werden. In
diesem Zusammenhang ist allerdings zu erwähnen, dass die Potenzialanalyse mit
einigen Unsicherheiten behaftet ist, denn nicht alle identifizierten
Möglichkeiten sind auch tatsächlich am Markt zu beobachten. Um das
Gütekriterium der Validität dennoch zu erfüllen, wurden im Rahmen der Arbeit
vier Experteninterviews durchgeführt. Die kombinierten Ergebnisse aus
Potenzialanalyse und Experteninterviews stellen wir Euch dann im zweiten Teil des
Beitrags «Künstliche Intelligenz in der Anlageberatung – Kommt bald der Robo
Advisor 2.0» vor.
[1] Eine kurze Erklärung zur Funktionsweise der künstlichen Intelligenz findet Ihr hier.
Quellen
BaFin. (2018). Big Data trifft auf künstliche Intelligenz: Herausforderungen und Implikationen für Aufsicht und Regulierung von Finanzdienstleistungen. Bonn: BaFin.
Conrad, S. C. (2017). Künstliche Intelligenz – Die Risiken für den Datenschutz. Datenschutz und Datensicherheit, 740-744.
De Jesus, A. (13. Feburar 2019). Robo-advisors and Artificial Intelligence – Comparing 5 Current Apps. Von Emerj: https://emerj.com/ai-application-comparisons/robo-advisors-artificial-intelligence-comparing-5-current-apps/ abgerufen
Gentsch, P. (2018). Künstliche Intelligenz für Sales, Marketing und Service Mit AI und Bots zu einem Algorithmic Business – Konzepte, Technologien und Best Practices. Wiesbaden: Springer Gabler.
Hegazy, O., Soliman, O. S., & Abdul Salam, M. (2013). Stock Market Prediction Using Machine Learning. International Journal of Computer Science and Telecommunications, 4(12), 17-23.
Joshi, A. (2018). Data Analytics & Artificial Intelligence: What it Means for your Business and Society. International Institute for Management Development.
LeCun, Y., Bengio, Y., & Hinton, G. (28. Mai 2015). Deep Learning. Nature(521), 436-444.
Leukert, B., Müller, J., & Noga, M. (2019). Das intelligente Unternehmen: Maschinelles Lernen mit SAP zielgerichtet einsetzen. In P. Buxmann, & H. Schmidt, Künstliche Intelligenz: Mit Algorithmen zum wirtschaftlichen Erfolg (S. 41-61). Berlin: Springer Gabler.
Müller, M., & Pester, M. (2019). Passive Anlagestrategien und Digitalisierung in der Vermögensverwaltung. In M. Seidel, Banking & Innovation 2018/2019 (S. 227-246). Wiesbaden: Springer Gabler.
Marous, J. (14. März 2018). Meet 11 of the Most Interesting Chatbots in Banking. Von The Financial Brand: https://thefinancialbrand.com/71251/chatbots-banking-trends-ai-cx/ abgerufen
Sironi, P. (2016). FinTech Innovation: From Robo-Advisors to Goal Based Investing and Gamification. Chichester, West Sussex: Wiley.
Tsiptsis, K., & Chorianopoulos, A. (2009). Data Mining Techniques in CRM: Inside Customer Segmentation. Chichester, West Sussex, United Kingdom: John Wiley & Sons.
Wess, S. (2019). Mit Künstlicher Intelligenz immer die richtigen Entscheidungen treffen. In P. Buxmann, & H. Schmidt, Künstliche Intelligenz: Mit Algorithmen zum wirtschaftlichen Erfolg (S. 143-160). Berlin: Springer Gabler.
