Bleiben Sie mit umsetzbaren Finanzstrategien, Tipps, Nachrichten und Trends einen Schritt voraus.
Automatisierung im Finanzwesen: Maschinelles Lernen, KI und mehr
Big Data ist für Unternehmen im 21. Jahrhundert von großer Bedeutung. Jahrhundert. Der Wettlauf um das Sammeln von mehr Daten, die Verarbeitung dieser Daten zu Erkenntnissen und den Vorsprung vor de
November 14, 2018
![]() |
![]() |

Die Grundlagen des maschinellen Lernens im Finanzwesen
Maschinelles Lernen vs. Künstliche Intelligenz
Die Terminologie rund um künstliche Intelligenz und maschinelles Lernen kann leicht verwirrend sein. Es handelt sich um eine neue und sich schnell entwickelnde Technologie, und wir sind noch dabei, das Vokabular zu entwickeln, um darüber zu sprechen. Das gilt besonders für Anbieter - auch das Marketing spielt eine Rolle bei der Sprache, die wir verwenden. Hier ist, was Sie wissen müssen. Künstliche Intelligenz und maschinelles Lernen werden oft synonym verwendet, aber es handelt sich um zwei verschiedene Dinge:- Künstliche Intelligenz bezieht sich auf eine Maschine (im Allgemeinen eine Software), die sich ohne menschliche Anleitung an neue Situationen anpassen kann. KI-Maschinen sind nicht durch das begrenzt, wofür sie programmiert worden sind.
- Maschinelles Lernen ist eine Methode zur Entwicklung von Maschinen, die in der Lage sind, zu lernen und ihre eigenen Regeln aufzustellen, um Daten zu verstehen.

Wie funktioniert maschinelles Lernen?
Maschinelles Lernen beginnt mit einem Modell, einer Vorhersage, mit der das System zu lernen beginnt. Dieses Modell stammt von dem Menschen, der den Prozess beaufsichtigt. Sie können zum Beispiel vorhersagen, dass ein Betrag X an Investitionen in Personalressourcen einen Betrag Y an Einnahmen bringen wird. Das ist die Ausgangsbasis für das Lernen. Als Nächstes benötigt der maschinelle Lerner Daten. In diesem Fall wären das historische Daten über die Höhe der Investitionen in die Personalabteilung und die Kapitalrendite für jede Investition. Der Lernende vergleicht die Daten mit dem Modell, bewertet, wie gut es passt, und beginnt, das Modell zu verfeinern. Der Prozess wird dann mit neuen Daten wiederholt. Bei jedem Durchgang passt die Maschine das Modell so an, dass es besser zu den Daten passt. In diesem Fall würde die Maschine bei der Vorhersage des ROI von Personalinvestitionen besser werden. Sie würde schließlich ein Modell entwickeln, das weitaus genauer ist als eine menschliche Schätzung es sein könnte.
Erste Schritte mit maschinellem Lernen im Finanzwesen


Herausforderungen für maschinelles Lernen im Finanzwesen
Bei jeder größeren Veränderung sind drei Faktoren zu berücksichtigen: Menschen, Prozesse und Technologie. Beim maschinellen Lernen ist die Technologie der einfache Teil: Die im Handel erhältlichen Lösungen sind in der Regel anpassbar, leicht zu handhaben und haben eine kurze Lernkurve. Bleiben noch die Menschen und Prozesse, die in Ordnung gebracht werden müssen. Seien Sie darauf vorbereitet, diese drei häufigsten Herausforderungen zu meistern:- Datenverwaltung. Wie bereits erwähnt, ist für das maschinelle Lernen eine große Menge an hochwertigen Daten erforderlich. Die Maschine ist nur so gut wie die Daten, mit denen Sie sie füttern. Die meisten Unternehmen verfügen über eine breite und verstreute Datenlandschaft, die sich über mehrere Cloud-Lösungen, vor Ort und sogar auf einzelnen Geräten erstreckt. Es ist wichtig, die Datenlandschaft zu kartieren und eine Pipeline mit vertrauenswürdigen Daten zu sichern.
- Widerstände gegen Veränderungen. Jede große Veränderung wird ein gewisses Maß an Unsicherheit mit sich bringen. Bei künstlicher Intelligenz und maschinellem Lernen sind die Ängste sogar noch größer: Die Menschen haben das Gefühl, dass die Maschinen sie überflüssig machen werden. Helfen Sie Ihrem Team, das maschinelle Lernen als Erweiterung und nicht als Ersatz zu sehen. Das maschinelle Lernen kann die Lebensqualität der Mitarbeiter tatsächlich verbessern; sie können sich sinnvolleren, anspruchsvolleren und interessanteren Aufgaben widmen, die einen höheren Wert für das Unternehmen haben.
Einen Business Case erstellen. Wenn Sie mit einem einfachen Pilotprojekt beginnen, wird es Ihnen leichter fallen, das Projekt zu verkaufen. Konzentrieren Sie sich darauf, wie das Projekt nicht nur zur Effizienzsteigerung beiträgt, sondern auch dazu, dass sich Ihr Team von Aufgaben mit geringem Wert auf solche mit hohem Wert verlagert.
Reale Anwendungsfälle für maschinelles Lernen im Finanzwesen

- Rechnungsstellung: Erkennen Sie fehlende/unvollständige Informationen und setzen Sie sich automatisch mit den Kunden in Verbindung, um die Lücken zu füllen.
- Prüfung von Spesenabrechnungen: Verarbeiten Sie den Großteil der Routineabrechnungen und identifizieren Sie Ausreißer, die ein menschliches Eingreifen erfordern
- Kontenabgleich: Vergleichen Sie Daten aus verschiedenen Quellen, um sie zu konsolidieren.
- Berichte erstellen: Zusammenstellen von Daten aus verschiedenen Quellen zur Erstellung einfacher Berichte
- Aufdeckung von Betrug: Erkennen ungewöhnlicher Muster/Ausreißer in Finanzdaten, die auf Betrug hindeuten könnten.


- https://www.callcredit.co.uk/contact-us/campaign-ebook-data-dilemma
- https://www.mckinsey.com/~/media/McKinsey/Industries/Advanced%20Electronics/Our%20Insights/How%20artificial%20intelligence%20can%20deliver%20real%20value%20to%20companies/MGI-Artificial-Intelligence-Discussion-paper.ashx
- https://www.mediapost.com/publications/article/291358/90-of-todays-data-created-in-two-years.html
- https://www.fool.com/investing/2016/06/19/how-netflixs-ai-saves-it-1-billion-every-year.aspx
Blog abonnieren