Von Chatbots und Robocalls

Wie kann Künstliche Intelligenz sinnvoll im Credit Management eingesetzt werden? Dr. Maria Douneva und Prof. Dr. Florian Artinger von der Simply Rational GmbH erläutern anhand praktischer Beispiele, wie künstliche Intelligenz das Leben von Credit Managern erleichtern kann – und welche Rolle der menschliche Faktor dabei spielt.

Montagmorgen, vor Ihnen liegt die Akte von Julia Vorfelder, 38, PR-Managerin. Sie hat einen Kredit für eine Eigentumswohnung in Düsseldorf aufgenommen und ihre letzte IKEA-Rechnung noch nicht beglichen. Wie sollte sie am besten zur Zahlung aufgefordert werden – per E-Mail, SMS oder WhatsApp? Morgens, nachmittags oder abends? Mit oder ohne Ratenzahlungsangebot?

Bereits mit diesen wenigen Optionen ergeben sich 18 Möglichkeiten; meist hat man noch viel mehr. Die Entscheidung für die beste kann Künstliche Intelligenz (KI) übernehmen. Es geschieht automatisiert, niemand muss zum Hörer greifen – und die Schuldnerin ist zufrieden, weil die Zahlungsaufforderung sie über ihr favorisiertes Medium zu einem günstigen Zeitpunkt erreicht.

Das ist nur ein Beispiel für die Einsatzmöglichkeiten von KI im Credit Management. KI hat das Potenzial, komplexe Entscheidungen zu vereinfachen und effizienter zu gestalten. Das Ziel ist dabei nicht, den Menschen zu ersetzen. Fachexpertise ist unerlässlich, um KI sinnvoll auf- und einzusetzen. Aber was genau umfasst KI, und welche Herausforderungen im Credit Management können damit wie gelöst werden?

Künstliche Intelligenz (KI) und Maschinelles Lernen (ML)
Der Begriff KI weckt immer noch Assoziationen zu Science-Fiction, dabei begegnet uns KI täglich: wenn uns bei Amazon nach einem Kauf weitere Produkte vorgeschlagen werden, wenn Facebook personalisierte Werbung anzeigt oder wenn unser Mailpostfach Spammails identifiziert. KI ist der Oberbegriff dafür, wenn menschliche Intelligenz mithilfe von Computern simuliert und auf große Datenmengen angewendet wird.

Maschinelles Lernen (ML) ist ein Teilgebiet von KI. Genauso wie Menschen aus vergangenem Verhalten lernen und daraus Entscheidungen für die Zukunft ableiten, können Computermodelle Daten aus der Vergangenheit analysieren und darauf basierend Vorhersagen treffen. Zum Beispiel: Wie wahrscheinlich ist es, dass Frau Vorfelder ihren Kredit abzahlen kann und gleichzeitig ihre IKEA-Rechnung fristgerecht begleicht? Für eine Antwort benötigt das Computermodell Daten aus der Vergangenheit, die zu ähnlichen Ereignissen gehören, beispielsweise, wann sie ihre letzte Zalando-Rechnung bezahlt hat. Dies kann ergänzt werden mit allgemeineren Daten, die mit dem Vorhersageziel – also der Rechnungszahlung – zusammenhängen (z.B. das Einkommen). Aber wie viele und welche Daten sind notwendig, um eine gute Vorhersage zu erhalten?

Genauigkeit, Transparenz und Dynamik
Bei den großen verfügbaren Datenmengen kann man sich schnell dazu verleiten lassen, möglichst viele Daten zu verwenden. Je mehr Daten, desto besser? Nicht unbedingt. Theoretisch könnte man das Modell darum erweitern, ob Frau Vorfelder Haustiere hat oder welches ihr Lieblingsrestaurant ist. Das würde aber das Modell komplexer machen und das Datenmanagement deutlich teurer. Unter Umständen können zu viele Daten sogar zu schlechteren Ergebnissen führen, wie jüngste Ergebnisse aus der Wissenschaft zeigen. Das Ziel ist also stattdessen: So viele Daten wie nötig, so wenig wie möglich.

Sobald entscheidende Faktoren identifiziert sind, ist das jedoch nicht genug. Menschliches Verhalten ist dynamisch und auf diese Dynamik muss reagiert werden. Dafür sind selbstlernende Systeme wie das aus dem Eingangsbeispiel besonders geeignet. Nach dem „Trial-and-error“-Prinzip wird eine Aktion häufiger ausgeführt, wenn sie zu guten Ergebnissen führt, ansonsten wird die Strategie gewechselt. So lernt die KI im Laufe der Zeit und wird immer genauer.

Kundentypen identifizieren
Nachdem die Anfrage von Frau Vorfelder abgearbeitet ist, liegt als nächste diejenige von Anton Jenitschek auf dem Tisch. Er ist 58, arbeitslos, geschieden und hat drei Kinder. Sollte er einen Kredit für eine Eigentumswohnung in Düsseldorf erhalten? Dieser Fall ist definitiv anders als derjenige von Frau Vorfelder, und auch dieses Wissen kann man der KI antrainieren.

Wie ein Neugeborenes weiß die KI am Anfang nichts und benötigt Informationen zum Lernen. Angenommen, wir haben Daten von 10.000 Menschen zu ihrem Alter, Geschlecht, Einkommen, Medium der Kontaktaufnahme und Zahlungszeitpunkt. Zuerst geben wir der KI nur einen Teil der Daten, nämlich von 1.000 Menschen. Die KI untersucht die Daten auf Zusammenhänge, also beispielsweise: Inwiefern hängen Einkommen und Medium der Kontaktaufnahme mit dem Zahlungszeitpunkt zusammen? Für diese 1.000 Menschen könnte das Ergebnis lauten, dass es zwei Kategorien gibt – die „Vergesslichen“, die eigentlich immer zahlen könnten, und die „Überschuldeten“, die, wenn überhaupt, nur zu bestimmten Zeitpunkten Rechnungen begleichen können.

Um zu überprüfen, ob diese Einteilung sinnvoll ist, werden im nächsten Schritt dem Modell nun die Daten der anderen 9.000 Menschen gegeben. Falls die Einteilung sinnvoll ist, finden sich im größeren Datensatz die gleichen Zusammenhänge. Vielleicht stellt sich aber heraus, dass es einen dritten oder noch mehr Kundentypen gibt und die Einteilung angepasst werden muss. Mit dem fertigen Modell können dann Kundentypen bereits frühzeitig mit hoher Zuverlässigkeit vorhergesagt werden.

Chatbots, Robocalls und interaktive Webseiten
KI im Credit Management muss nicht nur im Hintergrund laufen, sondern kann auch gewinnbringend im direkten Kontakt mit SchuldnerInnen eingesetzt werden. Anstatt für jedes Anliegen Termine mit KundenberaterInnen zu vereinbaren, können sich SchuldnerInnen an einen Chatbot wenden oder telefonisch mithilfe eines Robocalls beraten werden. Die KI agiert hier im Bereich von Spracherkennung und -verarbeitung und ist vor allem bei einfachen, immer ähnlich strukturierten Anliegen und einer jüngeren Zielgruppe sehr gut ergänzend einsetzbar.

Diese Angebote lassen sich auf interaktiven Webseiten einbetten und um weitere Funktionen ergänzen. Es können Ratenzahlungen vereinbart werden, die nachhaltig vom Schuldner bedient werden können oder Informationen über Kreditprodukte so in interaktive Tools verpackt werden, dass KundInnen nachhaltiges Finanzwissen erlangen und so gute sowie auf ihre persönliche Situation zugeschnittene Optionen wählen. Auch hier ist menschliches Wissen erforderlich, um die Angebote benutzerfreundlich und nach psychologischen Prinzipien zu gestalten.

KI kommt nicht ohne den Menschen aus
Die breiten Einsatzmöglichkeiten von KI im Credit Management haben das Potenzial, Entscheidungsprozesse zu vereinfachen, zu beschleunigen und zu verbessern. Das ist jedoch nur optimal möglich unter Berücksichtigung des menschlichen Faktors sowohl auf Seite der SchuldnerInnen als auch der ExpertInnen im Credit Management.

Dr. Maria Douneva, Consultant Simply Rational GmbH, Lehrbeauftragte Universität Basel
maria.douneva@simplyrational.de
Dr. Maria Douneva, Consultant Simply Rational GmbH, Lehrbeauftragte Universität Basel maria.douneva@simplyrational.de
Prof. Dr. Florian Artinger, Mitgründer und Geschäftsführer Simply Rational GmbH, Professor für Digital Business Berlin International University of Applied Sciences, Assoziierter Wissenschaftler am Max-Planck-Institut für Bildungsforschung
florian.artinger@simplyrational.de
Prof. Dr. Florian Artinger, Mitgründer und Geschäftsführer Simply Rational GmbH, Professor für Digital Business Berlin International University of Applied Sciences, Assoziierter Wissenschaftler am Max-Planck-Institut für Bildungsforschung florian.artinger@simplyrational.de


X