HINTERGRUND
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 .
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
30
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 Lieb-