English
Polski
Für welche IT-Lösungen entscheiden sich Kunden aus der Finanzbranche am häufigsten?
Maciej Kasprzak, Generaldirektor für Finanztechnologie-Dienstleistungen: Die Antwort hängt vom jeweiligen Kunden ab. Wenn wir uns große Banken ansehen, wollen sie oft Technologiedienste, die sich gegenseitig ergänzen. Im Gegensatz dazu konzentrieren sich innovativere Bereiche auf den Kauf gebrauchsfertiger digitaler Bankprodukte oder Komponenten. Sie tun dies, weil sie sich noch in der Technologie- oder Marktforschungsphase befinden und nach einer Lösung suchen, die ihren Bedürfnissen gerecht wird.
Kleinere Unternehmen sind bereit, fertige Lösungen zu kaufen, weil sie keine Lust haben, Monate oder gar Jahre mit dem Aufbau komplexer Werkzeuge zu verbringen, aber dennoch aufholen wollen. Deshalb wenden sie sich an Unternehmen wie unseres und suchen nach fertigen Komponenten oder spezifischen Kompetenzen. Daher ist die Zusammenarbeit eines Technologieanbieters mit den Marktführern für kleinere Unternehmen sehr wichtig, da sie versuchen, die technologische und geschäftliche Kluft zwischen ihnen zu verringern.
Welche der in Ailleron eingesetzten IT-Technologien würden Sie als innovativ bezeichnen?
Ein gutes Beispiel ist das KI-Banking und der mit der Datenanalyse verbundene Bereich, d. h. Datenplattformen. Diese Systeme sammeln Daten aus verschiedenen Quellen in Echtzeit und ziehen auf der Grundlage der gesammelten Informationen mithilfe fortschrittlicher Algorithmen oder maschineller Lernmodelle Schlüsse.
Künstliche Intelligenz war lange Zeit ein leeres Schlagwort, dem keine praktische Anwendung in der Wirtschaft folgte. Gelegentlich nutzen Unternehmen maschinelles Lernen und Deep Learning in engen Spezialgebieten. Im Finanzsektor zum Beispiel haben sehr innovative Abteilungen und IT-Abteilungen mit dieser Technologie experimentiert, z. B. bei der Betrugserkennung oder dem Risikomanagement. Bei Ailleron konzentrieren wir uns im Bereich der KI auf die Technologien ML (Machine Learning), NLP (Natural Language Processing) und DL (Deep Learning).
Wir verwenden maschinelles Lernen (mit Deep Learning und neuronalen Netzen), unter anderem, to fortgeschrittene Transaktionsklassifizierer oder Empfehlungsmodelle zu erstellen, um wertvolle Informationen aus der Masse der Daten zu gewinnen die die menschlichen Analytiker nicht wahrnehmen können.
Im geschäftlichen Bereich ermöglicht ML eine schnellere Bereitstellung komplexer Datenanalyseergebnisse. Was die Technologie betrifft, so wird sie es uns ermöglichen, von der Programmierung bestimmter Funktionen und der mühsamen Erstellung oder Pflege von Geschäftsregeln wegzukommen und stattdessen selbstlernende Mechanismen einzusetzen.
Wir verwenden NLP (natürliche Sprachverarbeitung) zur Optimierung des Chatbot-Kundendienstess. Wir sind kein Anbieter von Chatbot-Plattformen, aber wir bieten Dienstleistungen zur Verbesserung von Konversationsszenarien an, die bereits in der Finanzbranche implementiert sind.
Zum Beispiel, haben wir einen PoC (Proof-of-Concept) für die Bearbeitung von Kreditanträgen implementiert, bei dem der Chatbot eine Multithreading-Diskussion mit dem Kunden führen und komplexe Fragen beantworten kann.
Der KI-Bereich umfasst auch Analysen, die das Verhalten von Endkunden einer Bank, einer Versicherung oder eines Leasingunternehmens vorhersagen.
Die Datenanalyse erfordert eine optimale Datenplattform, um Daten aus verschiedenen Systemen zu integrieren, Qualität und Konsistenz zu gewährleisten und effizient zu arbeiten. Die Datenplattform selbst kann von Finanzinstituten nicht nur für Analysen genutzt werden, sondern auch als Quelle von Echtzeitdaten für Systeme wie Online-Banking, Mobile und CRM dienen. Ohne die Quellsysteme zu belasten.
Die Hauptidee hinter AI Banking ist es, sofortige, definierte Maßnahmen in Echtzeit zu ergreifen, wenn der Kunde eine bestimmte Aktivität in den digitalen Kanälen der Bank durchführt. Eine fortschrittliche Kundensegmentierung ermöglicht es uns, ihr Verhalten vorherzusagen, z. B. die Absicht, eine Beziehung zur Bank zu beenden. So kann das Institut geeignete Maßnahmen ergreifen, um dies zu verhindern.
Wir bieten Banken Modelle zur Klassifizierung von Kundengruppen auf der Grundlage historischer Daten oder von Echtzeit-Ereignissen. Große Banken setzen ähnliche Technologien bereits mehr oder weniger stark ein. In vielen Finanzinstituten erfolgt die Kundensegmentierung jedoch immer noch auf der Grundlage von Parametern, die von Analysten festgelegt werden.
In diesem Fall bedeutet ML, dass wir das gesamte Spektrum von Daten analysieren und die Beziehungen oder Verbindungen erfassen können, die für den menschlichen Verstand unerreichbar sind. Wir arbeiten auch an der Nutzung von Graphdatenbanken zur Durchführung multidimensionaler Analysen (Graph ML).
Nutzen die Kunden von Ailleron bereits Cloud-Produkte und -Dienste?
Alle unsere Lösungen verwenden einen ausgereiften Cloud-nativen Ansatz. Die Anwendungen sind für die Ausführung auf verschiedenen Cloud-Plattformen von Google, Microsoft, AWS und anderen Anbietern vorbereitet. Wir passen uns jedoch den Präferenzen unserer Kunden im Bereich "Clouding" an, da die Vorschriften des Finanzsektors diese häufig beeinflussen.
Sie verfügen über umfangreiche Erfahrungen in der Zusammenarbeit mit verschiedenen Privat- und Firmenkunden. Welche Bankentrends sind Ihrer Meinung nach am beliebtesten?
Neben der KI-Nutzung ist eine weitere Bereich der Innovation ist die Microservices-Architektur. Alle von uns entwickelten Lösungen basieren darauf, was eine hohe Skalierbarkeit und große Flexibilität bei der Einführung in verschiedenen Umgebungen mit sich bringt. Die Microservice-Architektur ist bereits in kleineren Organisationen beliebt, in denen Systemaustauschprozesse relativ einfach sind. Die AI-Banking-Lösung von Ailleron ist auf einer ereignisgesteuerten Architektur aufgebaut. Daher muss sie sich nicht der Herausforderung stellen, in Echtzeit auf Ereignisse zu reagieren, wie es die meisten bestehenden IT-Systeme tun müssen.
Was noch? Die fortgeschrittene Gamification hat bereits das Bankwesen erreicht, und wir können sie vor allem bei Bankangeboten für die jüngste Generation beobachten. Die Autoren dieser Lösungen versuchen, die Bindung der Nutzer an die mobile App zu erhöhen und ein einzigartiges Kundenerlebnis zu schaffen.
Der Gamification-Trend wird auch durch maschinelles Lernen vorangetrieben und ermöglicht die Personalisierung für einen bestimmten Nutzer. Dies ist ein Beispiel für die Abkehr von der Anwendung typischer Geschäftsregeln, um die Gewohnheiten der Nutzer besser zu verstehen und eine hyper-personalisierte Kommunikation zu ermöglichen.
Zusammenfassend lässt sich sagen, dass der Markt vor einer weiteren Prozessautomatisierung und einer fortgeschrittenen Datenanalyse steht, um wertvolle Schlüsse aus den Daten zu ziehen.
Bevor dies geschieht, muss der Finanzsektor Investitionen tätigen, um Technologie-Stacks zu aktualisieren und neu aufzubauen und skalierbare, effiziente Datenplattformen zu schaffen. Dies sind wesentliche Voraussetzungen für den Einstieg in die Welt der personalisierten Kommunikation. Wir bei Ailleron freuen uns, Finanzinstitute in all diesen Bereichen zu unterstützen.
Lesen Sie hier den zweiten Teil unseres Interviews
