Verhaltensanalyse per KI: Kundenabwanderung vorhersehen und verstehen

In einer Zeit, in der digitale Technologien die Finanzbranche revolutionieren, schreitet die Integration künstlicher Intelligenz unaufhaltsam voran. Die jüngsten Erkenntnisse der Branche haben einen wichtigen Trend aufgezeigt: Die Anwendung von KI-Modellen zur präzisen Vorhersage des Kundenverhaltens in der Vermögensverwaltung. Im Fokus steht besonders die „Kundenabwanderung“: ein in der Branche weit verbreiteter Begriff, der auf das Risiko hinweist, dass Kunden ihre Konten auflösen oder zur Konkurrenz wechseln. Berater, die frühzeitig Warnhinweise erhalten, können ihre Aufmerksamkeit darauf richten und Kunden davon überzeugen, ihre Konten nicht zu schließen oder zum Mitbewerber zu gehen – ein entscheidender strategischer Vorteil in der Branche. Die Nutzung von KI im Kontext der Kundenabwanderung birgt aber auch Risiken. Als komplexe Black-Box-Systeme bergen diese Modelle das Potential für unfaire Entscheidungen, die rechtliche Konsequenzen mit sich bringen können. Daher setzt Objectway die Shap-Methode ein, die jegliche KI-basierte Handlungshinweise entschlüsselt. So wissen Finanz-Berater genau, wovon sie sprechen, und können dem System vertrauen.

Zu den verfügbaren Informationen, die innerhalb eines Finanzinstituts genutzt werden können, gehören die Anlageperformance, der Kontakt zu Beratern sowie die wahrgenommene Servicequalität. Diese Faktoren sind entscheidend für die Vorhersage des Kundenverhaltens. Modelle des maschinellen Lernens haben sich hierbei als äußerst effektive Werkzeuge erwiesen, um große Datenmengen zu analysieren, Muster zu erkennen und Kundenabwanderung mit beeindruckender Genauigkeit vorherzusagen. Dies geschieht durch die Analyse von "statischen" und "dynamischen" Merkmalen der Kunden. Statische Merkmale bleiben konstant und ändern sich nicht im Laufe der Zeit, während dynamische Merkmale das kontinuierliche Verhalten darstellen und eine Vorverarbeitung erfordern.

Eine der fundamentalsten Erkenntnisse, von denen ein vielbeschäftigter Berater profitieren könnte, ist die Angabe der Wahrscheinlichkeit, dass ein Kunde die Firma verlässt – die bekannte "Vermeidung von Kundenabwanderung". Eine Reihe von Machine-Learning-Methoden, die von Objectway entwickelt und getestet wurden, helfen zu verstehen, ob ein Kunde die Bank innerhalb einer bestimmten Zeitspanne verlassen wird. Als Black-Box-KI-Systeme sind diese Modelle jedoch komplex. Ihre Angaben zu verstehen kann Finanzberater herausfordern und birgt so Fehlerpotential. In diesem Zusammenhang spielt die Erklärbarkeit von KI-Modellen eine entscheidende Rolle. Unsere Modelle müssen transparent sein und nachvollziehbare Entscheidungswege ihrer Vorhersagen liefern. Dies ist von großer Bedeutung, insbesondere vor dem Hintergrund der Datenschutz-Grundverordnung (DSGVO) und des 'Rechts auf Offenlegung.' Im schlimmsten Fall könnten „unfaire Entscheidungen“ getroffen und mit rechtlichen Folgen gravierenden finanziellen Konsequenzen für die Vermögensverwalter mit sich bringen. Transparenz und Rechenschaftsflicht sind deshalb unentbehrliche Elemente der KI-Integration im Finanzwesen. Die durch KI gewonnenen Erkenntnisse müssen demnach von den Beratern klar erläutert werden. Ein umfassendes Risikomanagement für die Nutzung von KI für Beratungszwecke wird benötigt, um die potenziellen Gefahren von Fälschungen, KI-Verzerrungen und KI-Halluzinationen zu antizipieren und zu minimieren.

Die Kundenbindung ist für den Unternehmenserfolg entscheidend, da die Gewinnung neuer Kunden teuer ist und der Verlust von Kunden den Umsatz negativ beeinflusst. Daher hat Objectway in langjähriger Zusammenarbeit mit der Universität Bari, führende Institution auf dem Gebiet der Erforschung und Anwendung von KI-Modellen in realen Geschäftssituationen, ein innovatives System zur Vorhersage der Kundenabwanderung entwickelt. Dieses System basiert auf fortschrittlichen maschinellen Lernmodellen, die durch die Analyse komplexer Muster in umfangreichen Datensätzen eine exakte Prognose der Kundenabwanderung ermöglichen. Zudem kommt das hochmoderne Konzept der Shapley Additive Explanations (SHAP) zum Einsatz, eine modellunabhängige Methode, die detaillierte Erklärungen für die Ergebnisse jedes maschinellen Lernmodells bereitstellt. Die Berechnung von Shapley-Werten ermöglicht es, den Beitrag jeder Funktion zur Vorhersage zu quantifizieren und so die Erklärungen des Modells zu veranschaulichen. Die Bedeutung dieses Ansatzes wird deutlich, wenn man die Auswirkungen auf den Finanzberater betrachtet. Unsere Modelle ermöglichen es den Kundenberatern, ihren Kunden genau zu veranschaulichen, warum das System glaubt, dass ein bestimmter Klient die Bank verlassen könnte. Dieses Wissen ist für die Kundenbindung und -betreuung von unschätzbarem Wert. Erklärungsmodelle für die KI-basierte Vorhersage von Kundenabwanderungen müssen wortwährend geprüft und optimiert werden. Obwohl die gegenwärtigen KI-Systeme zahlreiche Vorzüge bieten, wird ihre Effektivität in der Interaktion mit Menschen durch die begrenzte Fähigkeit zur Erläuterung eingeschränkt. Daher ist es erforderlich, eine neue Generation von KI-Systemen zu entwickeln, die in der Lage sind, auf natürliche Weise mit Benutzern zu interagieren, indem sie klare Erklärungen für automatisch getroffene Entscheidungen bereitstellen.

Die genaue Vorhersage der Kundenabwanderung ist nur ein Beispiel für die vielfältige Anwendung von KI-Methoden in der Finanzberatung. Die Verfügbarkeit von strukturierten und unstrukturierten Daten sowie die Auswahl der besten ML-Methoden sind ebenfalls entscheidende Faktoren. Die Integration erklärbarer KI wie SHAP bietet eine zusätzliche Dimension, um das Kundenvertrauen zu stärken und regulatorische Anforderungen zu erfüllen. In einer Welt, in der die Finanzindustrie zunehmend von Technologie und Daten angetrieben wird, wird die Fähigkeit, das Kundenverhalten präzise vorherzusagen und gleichzeitig Rückverfolgbarkeit zu gewährleisten, zu einem entscheidenden Wettbewerbsvorteil für Finanzinstitute.