HINTERGRUND lingsrestaurant 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 Schuldner * innen eingesetzt werden . Anstatt für jedes Anliegen Termine mit KundenberaterInnen zu vereinbaren , können sich Schuldner * innen 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 , im- mer 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 Expert * innen im Credit Management .
Dr . Maria Douneva Prof . Dr . Florian Artinger
31