KI im Kreditmanagement

Das Gebiet der Künstlichen Intelligenz ist sehr breit gefächert. Dazu gehören regelbasierte Systeme, sogenannte Expertensysteme, die schon lange für die Steuerung von Prozessen oder zur Entscheidungsfindung im Kreditmanagement eingesetzt werden.

In diesem Blogpost beziehen wir uns auf Verfahren, die auf überwachten oder unüberwachten Lernverfahren aufsetzen. Grundsätzlich gilt dabei: Wir brauchen große Datenmengen. Wenn wir aber im B2B-Bereich tätig sind, dann sind die häufig, zumindest bei den anwendenden Unternehmen zu klein, um wirklich KI einzusetzen. Meistens fehlen z. B. für eine Insolvenzprognose eine ausreichende Anzahl an ausgefallenen Unternehmen. Was also dann?

Genügend Daten gibt es z. B. häufiger im Bereich der Zahlungserfahrungen. Hier könnte man versuchen, nicht nur aufgrund bestimmter Muster, schnell Schlechtzahler zu erkennen. Aufgrund des Zahlungsverhalten könnte versucht werden zu identifizieren, wie sich Gefahren, dass bei dem jeweiligen Unternehmen Zahlungen ausfallen, verändern. Dieses könnte wiederrum in ein Unternehmensrating einbezogen werden.

Ein weiterer Aspekt, bei dem wir mit KI wirklich Fortschritte machen, ist die Textanalyse. Hier können Informationen zu einem Unternehmen aus unterschiedlichen Quellen, die sich im Internet finden lassen, eventuell Hinweise darauf geben, dass ein Unternehmen wirtschaftliche Schwierigkeiten hat und potenziell Zahlungsschwierigkeiten zu erwarten sind. In den ersten Schritten kann es auch sicherlich nur ein „Warnsystem“ für den Kreditmanager sein, das es dann personell zu verifizieren gilt.

Verfügt man über umfangreiche quantitative Zahlungszeitreihen der Stammkunden, so könnte man vielleicht auch eine bessere Prognose der Zahlungseingänge als bisher vornehmen. Diese Aufgabenstellung ist allerdings äußerst komplex und bedarf weiterer tiefer Untersuchungen, bis hier wirklich zufriedenstellende Lösungen präsentiert werden können.

Hat man umfangreiche Datenbestände verfügbar, dann kann die KI z. B. da unterstützen, wo unterschiedliche Datentypen miteinander verbunden werden. Ein zurzeit interessantes Forschungsthema ist die Frage, ob klassische Jahresabschlussanalysen mit der automatischen Analyse von textbasierten Informationen, z. B. aus Anhängen oder Analystenreports kombiniert werden können, um bessere Prognoseergebnisse zu erzielen. Hier können vielfältige Informationen ergänzend betrachtet werden. Die Verbesserungen werden allerdings eher graduell denn revolutionär sein.

Überall da, wo flexible Geschäftsprozesse existieren, in denen das Ergebnis von dem beschrittenen Weg abhängt, könnten bei ausreichender Datenlage ebenfalls Muster enthalten sein, mit denen sich erkennen lässt, wann welcher Weg beschritten werden soll. Typisches Beispiel dafür ist die Kundenansprache bei der Einforderung von ausstehenden Zahlungen. Was ist dabei der erfolgsreichste Weg?

In Zukunft könnte es möglich sein, anhand eines Kunden- oder Interessentenprofils abzuleiten, welche Zahlungsmodalitäten angeboten werden sollten oder welche Absicherungsstrategien für das jeweilige Geschäft eingeschlagen werden sollen.

Beim Privatkundenbereich hingegen liegen üblicherweise deutlich mehr Fälle und Daten vor. Klassische Kundenratings können hier z. B. durch Aktivitäten der Personen in sozialen Medien angereichert werden.

Bei Analyse numerischer Daten gibt es mittlerweile Vorgehensweisen, bei denen schnelle Analysen mit KI-basierten Lösungen erzeugt werden. Für den Regelbetrieb werden diese mit klassischen statistischen Verfahren nachgebildet.

Zusammenfassend lässt sich sagen, dass diese Ansätze im B2B-Geschäft sicherlich an verschiedenen Stellen Verbesserungen bringen werden. Dabei geht es aber nicht um disruptive Veränderungen, es ist vielmehr von graduellen Verbesserungen auszugehen. Insofern kommt es zukünftig noch maßgeblich auf die Expertise des Kreditentscheiders an. In diesem Sinne wünsche ich Ihnen in dieser turbulenten Zeit gute Entscheidungen.