Künstliche Intelligenz in der Anlageberatung – Kommt bald der “Robo Advisor 2.0” (Teil 2)
Die Digitalisierung beschäftigt die Finanzindustrie bereits seit sehr langer Zeit (ihre Anfänge lassen sich bis in die 1950er Jahre zurückverfolgen!), bleibt durch ihre immer neuen Facetten aber stets aktuell. Eine dieser Facetten ist die künstliche Intelligenz, die sich nach der Automatisierung physischer und/oder repetitiver Prozesse der letzten Jahrzehnte jetzt an die Automatisierung kognitiver Prozesse heranwagt. Für Anlageberater, die jetzt schon erste Konkurrenz durch Robo Advisors erfahren, ist das Thema so relevant wie noch nie: Waren Robo Advisors bisher keine vollwertigen Alternativen zu einer professionellen Anlageberatung durch menschliche Berater, könnte sich das in Zukunft ändern, wenn Maschinen in die Lage versetzt werden, menschliche Intelligenz nachzubilden.
Welche Anwendungen künstlicher Intelligenz sich auf den Beratungsprozess auswirken und wie die Beratung sich durch sie verändert, hat der Bachelorstudent Timon Jäggi im Rahmen seiner Abschlussarbeit bei Roger Heines am CC Ecosystems untersucht. Im ersten Teil der Beitragsserie haben wir die für die Beratung relevanten KI-Anwendungen Conversational Interfaces (CI), Predictive Analytics (PA) und intelligente Marktsegmentierung vorgestellt. In diesem Beitrag werfen wir einen genaueren Blick, den diese Anwendungen für den Beratungsprozess haben könnten.
Wie KI sich auf die Anlageberatung auswirkt
Grundsätzlich liegt das Potenzial von intelligenten Dialogsystemen in denjenigen Prozessen, in welchen direkter Kundenkontakt stattfindet. Beim Onboarding wäre daher insbesondere eine Implementierung von Chatbots oder Sprachassistenten zur Erfassung der Kundendaten denkbar. Die bisher fortschrittlichsten Conversational Interfaces (CI) sind durch ihre Lernfähigkeit in der Lage, individuelle Bedürfnisse und Interessen der Benutzer zu lernen und abzuspeichern, damit ein umfassendes Kundenprofil angefertigt werden kann (Conrad, 2017). Dadurch könnten bald standardisierte Fragebögen, wie sie zurzeit von vielen Robo Advisors verwendet werden, durch personalisierte Dialoge ersetzt werden. Darüber hinaus könnte ein intelligentes Dialogsystem als persönlicher Assistent fungieren, indem durch intuitive Art der Kommunikation der Anleger stets über Volatilität oder veränderte Performance informiert wird.
Im Gegensatz zu Chatbots und Sprachassistenten, welche primär die Kunde-Bank-Interaktion betreffen, steht bei PA der Beratungsinhalt im Zentrum. Neben der Ermittlung von Produktvorschlägen besitzt PA insbesondere die Fähigkeit, den Kurs eines Finanzinstruments zu prognostizieren (Hegazy, Soliman, & Abdul Salam, 2013, S. 17). Dabei können von den Algorithmen nicht nur historische Marktkurse (sogenannte technische Indikatoren), sondern auch Twitter-Beiträge, politisches Klima oder andere unstrukturierte Daten in die Analyse miteinbezogen werden. Abbildung 1 zeigt das allgemeine Vorgehen eines intelligenten Systems zur Kursprognose.
Die intelligente Kundensegmentierung bietet in der Anlageberatung neue Möglichkeiten, wie Banken ihre potenziellen Neukunden identifizieren können. Zuerst kann die bereits bestehende Kundschaft auf Basis von gesammelten Kundenaktivitäten in heterogene Segmente unterteilt werden. Unter Umständen ergeben sich hierbei neue und vorher nicht bekannte Zusammenhänge. Die dabei identifizierten Segmente und entsprechenden Merkmale können anschliessend dazu verwendet werden, um potenzielle Neukunden, die den bestehenden profitablen Kunden strukturell besonders ähneln (sogenannte statistische Zwillinge), in externen Kontaktlisten zu identifizieren und anzuwerben (BaFin, 2018, S. 73; Tsiptsis & Chorianopoulos, 2009, S. 6; Gentsch, 2018, S. 45). Auch in Bezug auf die Kundenabwanderung kann eine intelligente Kundensegmentierung einen bedeutenden Mehrwert leisten. Eine Segmentierung der Kundschaft nach ihrer Wahrscheinlichkeit, dass sie bestehende Beziehungen zum Unternehmen abbrechen bzw. kündigen, ermöglicht es der Bank, proaktiv gegen potenzielle Kundenabwanderungen vorzugehen.
Insgesamt sind die Anwendungsmöglichkeiten der drei Anwendungen im Bereich der Anlageberatung äusserst vielfältig. Die hier erwähnten Beispiele spiegeln nur einen kleinen Teil der in der Arbeit ermittelten Möglichkeiten wider. Die nachstehende Abbildung 2 dient zur Übersicht und zeigt, in welchen einzelnen Prozessen mögliches Potenzial identifiziert wurde.
Fazit
Obwohl die Anbieter für digitale Vermögensverwaltung die Führung im Innovationswettlauf im Bereich der Anlageberatung übernommen haben und die Investment-Branche mit intuitiven Benutzeroberflächen transformiert haben, setzen viele von ihnen immer noch regelbasierte bzw. nicht-intelligente Algorithmen entlang des Beratungsprozesses ein. Zwar werden bereits einige der zuvor erwähnten Möglichkeiten von gegenwärtigen Anbietern in die Tat umgesetzt, viele stützen sich jedoch nach wie vor auf die klassische Portfoliotheorie nach Markowitz oder Black & Littermann (Sironi, 2016, S. 110). Die Ergebnisse der Potenzialanalyse weisen darauf hin, dass die vielzähligen technologischen Bausteine der künstlichen Intelligenz grosse Veränderungen in gegenwärtigen Beratungsprozessen bewirken können, sodass ein Beratungsroboter, der vielseitige und komplexe Problemstellungen lösen kann, bald keine Utopie mehr sein wird.
Bei Interesse an der vollständigen Bachelorarbeit könnt Ihr Euch gerne an timon.jaeggi@bei-sg.ch wenden.
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.
