Machine Learning Revolutioniert Factoring Prozesse

Künstliche Intelligenz (KI) hat bereits vie­le Branchen ver­än­dert, von der Krebsdiagnostik bis zum auto­no­men Fahren. Erreicht wur­de dies durch ein grö­ße­res Datenvolumen, Daten von bes­se­rer Qualität, eine grö­ße­re Rechenleistung und leich­ter ver­füg­ba­ren Programmierframeworks, die aus­ge­feil­te Algorithmen unterstützen.

Künstliche Intelligenz im Factoring

In den letz­ten Jahren hat die Branche der Banken und Versicherungen bereits die Kraft der Digitalisierung (z. B. Online-Banking, Vertriebs- und Support-Chats mit Kunden) ken­nen­ge­lernt. Der nächs­te Schritt zur Reduktion von Bürokratie sowie der Steigerung von Sorgfalt und Fairness im Kreditvergabeprozess ist Künstliche Intelligenz, ins­be­son­de­re Machine Learning im Factoring Prozess.

Bei dem Thema Einflechtung von neu­en Regularien, was viel Zeit von Rechts- und Finanzexperten wie auch von Informatikern bedarf, lei­det Effizienz beson­ders dann, wenn vie­le wie­der­ho­len­de Arbeiten, manu­ell vor­ge­nom­men wer­den. Im Finanzsektor kann künst­li­che Intelligenz für beson­de­re Zwecke spe­zi­fi­sche Probleme lösen, wie z. B. in der Kundenbindung, dem Finanzmanagement oder der Cybersecurity.

Daher kann man sich als Factoring Bank die Frage stellen:

Was bewegt Unternehmen und Banken, Künstliche Intelligenz in Ihren Business-Prozessen einzuführen?

• Bedürfnis nach erhöh­ter Geschwindigkeit und Effizienz
• Möglichkeit für tie­fe­re, daten­ge­steu­er­te Einsichten
• Komplexe Regularien und Compliance-Anforderungen im Unternehmen
• Schlechter Kundenservice und lan­ge Wartezeiten für Support Services
• Kreditscores, da sie nicht die gesam­te Geschichte erzählen

Welche Vorteile von Machine Learning gibt es in Finance & Banking?

• Digitale Prozesse und Produkte mit KI-Technologie gene­rie­ren neue Einnahmequellen für die Bank der Zukunft.
• Fraud Desertion und Künstliche Intelligenz kön­nen mehr­di­men­sio­na­le und gerichts­stand­über­grei­fen­de Betrugsversuche sofort erkennen
• Datengesteuerte Kundensegmentierung mit Hilfe von Künstlicher Intelligenz, per­so­na­li­siert und optimiert
• Finanzberichte, Compliance-Zusicherungen und Verwaltungsaufgaben wer­den mit Hilfe von Machine Learning auto­ma­ti­siert – folg­lich standardisiert.
• Die Risikobewertung und die Besicherung kön­nen über die Kreditwürdigkeit hin­aus gehen und lie­fern Banken und Versicherungen ein ganz­heit­li­ches Bild der Situation
• Ansprüche wer­den vali­diert und Verluste kön­nen zusätz­lich durch Bildverarbeitung ermit­telt werden.

Artificial Intelligenz im Factoring Prozess

Finanzierungen von Forderungen bil­det hin­sicht­lich des Nutzens von KI-basier­­ten Methoden kei­ne Ausnahme. Während Bereiche wie die Supply Chain Finance (SCF) und ver­schie­de­ne Forderungsplattformen sich auf­grund von ein­fa­cher Informationsübertragung und grund­le­gen­de Automatisierungstools ent­wi­ckelt haben, ist das tra­di­tio­nel­le Factoring jedoch eher wider­stands­fä­hig gegen Änderungen. Zwar ver­ein­fa­chen neue­re Betriebsplattformen den Factoring-Prozess und gestal­ten die­sen effi­zi­en­ter, den­noch wer­den sie immer noch stark von mensch­li­chem Fachwissen und Entscheidungen bestimmt.

Das Zusammenspiel meh­re­rer Risiken wie Käuferkreditrisiko, Lieferantenrisiko, Leistungsrisiko, ope­ra­tio­nel­les Risiko und Betrugsrisiken ist von Natur aus kom­plex. Dies ist ein wesent­li­cher Grund, dass die Beurteilung des Gesamtrisikos von den weit­rei­chen­den Erfahrungen des jewei­li­gen Managers abhängt. Der Mangel an tie­fem Wissen über die­se mit­ein­an­der ver­bun­de­nen Risiken und das Missverständnis ihrer Komplexität hat des­halb zu vie­len erfolg­lo­sen IT-Versuchen in der Branche geführt. Es miss­lang Verknüpfungen mit­hil­fe von Technologie zu erstel­len, statt den gesam­ten Prozess umfas­send zu auto­ma­ti­sie­ren und zu digi­ta­li­sie­ren. Der Finanzbranche steht inner­halb der Digitalisierung mit dem Einsatz von Künstlicher Intelligenz der nächs­te Innovations-Sprung bevor.

Chancen KI-basierter Systeme für die Banken der Zukunft – Was sollten Sie 2022 nicht verpassen?

Die Einführung fort­schritt­li­cher KI-basier­­ter Lösungen wird erheb­li­che orga­ni­sa­to­ri­sche und tech­no­lo­gi­sche Auswirkungen auf das Factoring und ins­be­son­de­re auf die Factoring-Banken selbst haben. Auf orga­ni­sa­to­ri­scher Ebene kann die Fähigkeit eines Systems selbst Empfehlungen abzu­ge­ben und/oder Entscheidungen zu tref­fen, die mensch­li­che Beteiligung im Factoring Prozess deut­lich ver­rin­gern. Ein span­nen­des Feld bie­ten KI-Systeme, die auf ver­schie­de­nen Algorithmen für maschi­nel­les Lernen basie­ren. Diese kön­nen ler­nen, wie mensch­li­che Entscheidungen in bestimm­ten Geschäftsbereichen getrof­fen wer­den, indem sie dar­in trai­niert wer­den, Daten über ver­gan­ge­ne Entscheidungen und Muster in Daten zu inter­pre­tie­ren. Von KI-System getrof­fe­ne Entscheidungen wer­den vor Ausführung von einem Entscheider geprüft und frei­ge­ge­ben. Diese Art der Künstlichen Intelligenz über­nimmt somit das Fachwissen mensch­li­cher Entscheider im Geschäft der Banken und Versicherungen. So sieht Banking in 2022 aus.

Erfahrene Factoring-Mitarbeiter wer­den für die Bewältigung kom­ple­xer Situationen ein­ge­setzt und kön­nen somit Routineentscheidungen an Nachwuchskräfte über­ge­ben, wäh­rend KI-basier­­te Systeme als Berater fun­gie­ren. Dem Factoring Unternehmen ermög­licht der Einsatz die­ser neu­en Lösungen, Gewinn von Produktivität in arbeits­in­ten­si­ven Prozessen, Betriebskosten zu sen­ken und zugleich eine grö­ße­re Anzahl von Kunden mit gerin­ge­ren Ressourcen digi­tal zu bedienen.

Für den KI-Softwareentwickler/-Hersteller ist es äußerst wich­tig, fokus­siert zu blei­ben, um kla­re, glaub­wür­di­ge, spe­zi­fi­sche und erreich­ba­re Ergebnisse fest­zu­le­gen. Wichtige Bausteine, um das Factoring auf ihrem AI-Weg zufrie­den­stel­lend zu beglei­ten, sind mit­un­ter Erfahrung in KI-gesteu­er­­ten BI Prozessen und ein tie­fes Verständnis der heu­ti­gen Grenzen im maschi­nel­len Lernen und Big Data.

Chancen von Künstlicher Intelligenz im Factoring Business

Die BREOS GmbH sieht für die Finanzbranche in drei Schlüsselbereichen, bei der Verwendung von Computeralgorithmen und Vorhersagemodellen im Factoring, gro­ßes Potenzial und die Möglichkeit einen deut­li­chen Mehrwert zu erzielen:

1. Eine hoch­prä­zi­se und zeit­na­he Risikobewertung führt zu einer erheb­li­chen Reduzierung der Risikokosten und Präzisionserhöhung in Finanzierungs-Entscheidungen
2. Die Verwendung von ent­schei­d­ung­au­to­ma­ti­sier­ten Algorithmen ist ein evi­denz­ba­sier­tes Verfahren – “data dri­ven decision”
3. Einführung von Digital-Technologie, ohne dabei vor­han­de­ne Prozesse und die Beziehungen zwi­schen Lieferkettenelementen stark modi­fi­zie­ren zu müssen

Das gemein­sa­me Thema die­ser drei Bereiche ist die Fähigkeit, kri­ti­sche Erkenntnisse aus hoch­vo­lu­mi­gen, (un)strukturierten Hochgeschwindigkeitsdaten meh­re­rer Quellen zu extra­hie­ren und inte­grie­ren. Die KI-Möglichkeiten wer­den somit optio­nal und schritt­wei­se mit die­sem Grundgerüst im Unternehmen aus­ge­wei­tet. Gerade die Finanzbranche in Deutschland wird in 2022 extrem von den neu­en Technologien der Digitalisierung und Künstlicher Intelligenz profitieren.

• Verwässerungseffekt: Im Gegensatz zur sta­tis­ti­schen Analyse von Rechnungs‑, Zahlungs- und Gutschrift-Daten, ver­wen­den KI-basier­­te Technologien Algorithmen und unter­stüt­zen die Analyse der Grundursachen von Kapitalverwässerung und die Erstellung genaue­rer Echtzeitanalysen.
• Diagnose von Lieferanten-Problemen: Das Erkennen von rech­nungs­be­zo­ge­nen Problemen (z. B. ver­mehr­te Produktstreitigkeiten) ist häu­fig ein Zeichen für schwer­wie­gen­de Lieferanten-Probleme. Kompetente Analysen kön­nen einem Factoring-Anbieter hel­fen, das Kreditrisiko der Lieferanten zu überwachen.

• Kreditrisiko der Kunden: Lieferanteninformationen bie­ten wert­vol­le Einblicke in die Kreditwürdigkeit der Kunden. Hierzu zei­gen Zahlungsmuster, Kaufmuster, Produktmix und ver­schie­de­ne sekun­dä­re Indikatoren, poten­zi­el­le Anzeichen für Kreditprobleme.
• Betrugsrisiko – Fraud Detection: Das Erkennen von Rechnungsanomalien auf Grundlage von Algorithmen zur Verarbeitung natür­li­cher Sprache und zum Clustering von Dokumenten oder die Erkennung von dop­pel­ten Rechnungen und Rechnungen, die an meh­re­re Geldgeber gesen­det wurden.
• Audits: Da der Factoring-Anbieter an die Systeme des Lieferanten und mög­li­cher­wei­se eini­ger Kunden ange­schlos­sen ist, könn­ten regel­mä­ßi­ge Audits durch eine fort­lau­fen­de Überwachung ergänzt (und in eini­gen Fällen sogar ersetzt) werden.

Was bedeutet das für die KI-Entwicklung in der Finanzbranche?

Die Implementierung der oben beschrie­be­nen Funktionen zur Unterstützung der Aktivitäten von Factoring-Organisationen erfor­dert des­we­gen die Entwicklung sozio­tech­ni­scher Systeme, die sich auf

• den Entwurf fort­schritt­li­cher AI-basier­­ter Lösungen,
• deren Interaktion mit vie­len Unternehmenssystemen (ERP, CRM usw.), Kommunikationssysteme (z. B. E‑Mail, Messaging) für den Datenaustausch und
• deren Integration in bestehen­de Geschäftsprozesse

kon­zen­trie­ren. Daher müs­sen Hersteller von KI-Technologie für die Finanzbranche beim Entwerfen ihrer AI-basier­­ten Systeme nicht nur tech­ni­sche, son­dern für ihre Services auch orga­ni­sa­to­ri­sche Aspekte berück­sich­ti­gen. Im Allgemeinen haben Stakeholder (Factoring-Anbieter, ihre Schuldner) kon­flikt­io­nä­re Ziele und Bedürfnisse. Es gibt einer­seits ein unter­schied­lich aus­ge­präg­tes Vertrauen in die Automatisierung im Allgemeinen. Unterschiede an die Anforderungen von KI-Technologien haben aber auch sehr unter­schied­li­che recht­li­che und Compliance Anforderungen (z. B. in ver­schie­de­nen Gerichtsbarkeiten tätig zu sein).

Ob Machine Learning ledig­lich als Berater mensch­li­cher Entscheidungsträger fun­giert oder die­ser Entscheidungen statt dem Menschen über­nimmt, ist im Einzelfall varia­bel anzu­pas­sen. Um sowohl tech­ni­sche als auch orga­ni­sa­to­ri­sche Übereinstimmung sicher­zu­stel­len, wer­den Techniken aus der Geschäftsanalyse (Anforderungsentwicklung, Produktlinienentwicklung) verwendet.

Sollten Sie wei­ter­ge­hen­de Fragen haben, spre­chen Sie uns an!