21. Februar 2020

Outgesourcte Intelligenz und gefallene Reiche

Blog 3_Titelbild

Jahrhundertelang war «Teile und herrsche» der wichtigste Grundsatz vieler erfolgreicher Herrscher und Machthaber. Er half ihnen dabei, Kontinente zu erobern, uralte Kulturen in die Knie zu zwingen und unermessliche Reichtümer an sich zu raffen. Doch der falsche Umgang mit der daraus folgenden Diversität und die wachsende Komplexität dieser neuen Welt brachten viele dieser Reiche zu Fall.

Komplexe und zersplitterte Realität
Ab einem bestimmten Punkt konnten viele dieser Machthaber nicht länger mit der wachsenden Komplexität und der höchst zersplitterten Realität Schritt halten, ohne die Dinge erheblich zu vereinfachen sowie beträchtliche Kompromisse und Zugeständnisse zu machen. Die «Teile und herrsche»-Strategie vermittelte das kurzlebige, irreführende Gefühl, alles unter Kontrolle zu haben. Doch tatsächlich untergrub sie zunehmend die Macht der Herrscher, gefährdete ihre Herrschaft und beschränkte ihren globalen Einfluss. Nach und nach tauschten sie ihr gesammeltes Wissen ein, ohne in der Lage zu sein, die Ergebnisse dieser Tauschgeschäfte zu ihrem Vorteil zu nutzen. 
Und was hat das mit den Schlachtfeldern der Finanzindustrie im 21. Jahrhundert zu tun?
Leider handeln viele moderne Unternehmen – einschliesslich Banken und Finanzinstitute – genauso. Sie machen dieselben Fehler, vereinfachen oder ignorieren die Komplexität der Welt und zerteilen ihre Customer Intelligence, indem sie sie outsourcen oder damit Geschäfte machen. Dabei sind die Vorteile integrativer, konsistenter 360°-Customer-Intelligence-Analysen mehr als offensichtlich – im Hinblick auf gewonnene Erkenntnisse, Vollständigkeit, Exaktheit, Synergien, Kosten, Infrastruktur, Daten und Ressourcen.


Konsistente Analyse von Verhaltensmustern
Eine einfache, adäquate lineare Regressionsanalyse oder eine Entscheidungsbaumanalyse, die isoliert in einem dieser Bereiche durchgeführt wurde, kann sich als wertvolle Quelle für bisher unbekannte Verhaltensmuster herausstellen, sobald sie durch weitere Dimensionen ergänzt und einheitlich aus einer multidimensionalen Perspektive betrachtet und analysiert wird.
In solchen Fällen können vollkommen statische, normalerweise irrelevante oder sogar unberücksichtigte Attribute die Situation plötzlich für eine Weile verändern, bevor sie wieder verschwinden und zur «Normalität» zurückkehren. Doch was ist «normal»? Wie stabil ist dieses «normal» heutzutage? Und für wie lange? Können wir wirklich die Komplexität der Aussenwelt abbilden, indem wir ein paar R- oder PYTHON-Algorithmen auf einen Haufen Daten anwenden und so eine isolierte Frage oder ein isoliertes Problem betrachten? Wie subjektiv erfolgt die Auswahl dieser Algorithmen, ihre Konfiguration und ihre Parametrierung? Sind wir für all das wirklich auf die Fähigkeiten und die Verfügbarkeit eines nahezu unbezahlbaren quantitativen Analysten angewiesen?
Wir sprechen über ausgeklügelte Ansätze der Datenanalyse, diskutieren und philosophieren darüber, was maschinelles Lernen und was künstliche Intelligenz ist, lassen uns von der Künstliche-Intelligenz-Welle mitreissen und von Modewörtern blenden. Gleichzeitig scheinen wir vor lauter Bäumen den Wald nicht zu sehen und konzentrieren uns auf isolierte Probleme und Silos, statt uns auf einheitliche, konsistente Weise mit der Komplexität zu befassen.
Und warum? Weil es einfacher, bequemer und praktischer ist. Weil unsere Welt und oft auch unser Denken stark strukturiert und in Bereiche eingeteilt sind. Wenn wir mit Komplexität konfrontiert werden, neigen wir dazu, sie zu vereinfachen oder gar zu ignorieren.

Vernetztes Denken
Gehen wir einen Schritt zurück, verschaffen uns ein Bild der Gesamtsituation und überdenken diese. Würden Sie einem Kunden ein weiteres Bankprodukt anbieten, weil dies auf der Grundlage Ihrer CRM-Analyse im Bereich Cross- und Up-Selling empfehlenswert scheint, obwohl Sie wissen, dass seine Kreditwürdigkeit zweifelhaft ist, dass er in negativer Berichterstattung auftaucht, und dass er wahrscheinlich in Geldwäscherei und Steuerhinterziehung verwickelt ist? Nein, wahrscheinlich nicht.
Würde es Sie interessieren, dass der betreffende Kunde zusätzlich auch noch höchst nachlässig in Bezug auf den Schutz vor Cyber-Angriffen ist, wodurch er sich selbst und Sie hohen Integritätsrisiken aussetzt? Oder dass Sie aufgrund dessen oder aus mehreren Gründen sogar kurz davor sind, ihn als Kunden zu verlieren? Ja, bestimmt.
Würden Sie wissen wollen, wie die aktuellen Entwicklungen auf dem Finanzmarkt dieses bestimmte Kundenprofil mit all seinen Portfolios, Expositionen, Risiken und Chancen beeinflussen? Wahrscheinlich schon. 
Und denken Sie, dass Ihrem Kunden daran gelegen wäre, von Ihnen kompetent und fundiert darüber beraten zu werden, was es aus steuerlicher oder grenzüberschreitender Sicht bedeuten würde, wenn er in ein anderes Land auswandern würde? Ja, definitiv.
Die Antworten scheinen klar und offensichtlich zu sein, und doch tappen wir immer wieder in die Falle irrationaler Verhaltensmuster, indem wir isolierte Sichtweisen anwenden und diese Probleme aus einer einzigen, vereinfachten Perspektive betrachten.

Hybride Ansätze
Es ist jedoch nicht schwer, diese Probleme hinter sich zu lassen. Dynamisches Risk & Opportunity Based Profiling ist eine inte­grale, einheitliche und konsistente Methode für die kontext- und situa­tionsbezogene Anwendung unzähliger fortschrittlicher hy­brider Ansätze, die maschinelles Lernen und künstliche Intelligenz kombinieren. Auf der Grundlage aller verfügbaren statischen und dynamischen Kundendaten sowie interner und externer Intelligenz konzentriert sich dynamisches Risk & Opportunity Based Profiling nicht nur darauf, eine bestimmte Frage oder ein bestimmtes Problem isoliert zu untersuchen, sondern es liefert eine analytische 360°-Sicht auf den Kunden und sein gesamtes Profil mit allen Risiken, Gefahren und Chancen gleichermassen.
Natürlich erfüllt dynamisches Risk & Opportunity Based Profiling nicht nur die Anforderungen des überarbeiteten Schweizer Geldwäschereigesetzes, sondern es erlaubt Ihnen, das Compliance-Thema erleichtert abzuhaken. Es sorgt ausserdem für Sicherheit sowie für die Korrektheit und Wirtschaftlichkeit Ihrer täglichen 
Entscheidungen. Dadurch werden Risiken und Gefahren reduziert, Verluste vermieden oder minimiert und Gewinne maximiert.


Nikolai Tsenov
Nikolai Tsenov

Er ist seit 2015 Produktmanager Compliance bei Finnova
und verfügt über mehr als 20 Jahre Erfahrung in den
Bereichen Compliance, Risikomanagement und Datenanalyse.
Mit seinem analytischen Rahmenkonzept FAF ist er Gewinner des
«Banking IT Innovation Award 2016» der Universität St. Gallen.