Mathematische Optimierung ist mehr als nur Daten-basierte Entscheidungen

Die Suche nach der besten Portfolio-Strategie ist nicht immer einfach. Alexander Khounani erläutert, wie sich das volle Potenzial von Daten ausschöpfen lässt und die besten Entscheidungen getroffen werden können.


Daten

ADVERTORIAL

Was passiert, wenn wir die Risikobereitschaft erhöhen? Sind dann mehr profitable Kreditaccounts als Ergebnis möglich? – Fragen wie diese stellen sich Portfolio-Manager täglich. Banken setzen bereits auf Data Lakes und Data Scientists, um auf der Basis von Daten Antworten zu finden und Entscheidungen zu treffen. Doch das ist nicht genug, um im stark umkämpften Markt wettbewerbsfähig zu bleiben.

Erst mit Prescriptive Analytics kommt der Return of Investment (ROI) richtig zum Tragen. Denn mit diesem Ansatz können Data Scientists das volle Potenzial von Daten schöpfen und nutzen. Allerdings wird die mathematische Optimierung in der Praxis bisher wenig eingesetzt. Sie wird für zu komplex, teuer und aufwändig gehalten oder irrtümlich mit bloßem Machine Learning oder Predictive Analytics auf der Basis bestehender Daten verwechselt.

Schnell die besten Entscheidungen treffen

Zu Unrecht – denn richtig eingesetzt hilft mathematische Optimierung beziehungsweise Prescriptive Analytics dabei, die besten Entscheidungen mit Blick auf ein bestimmtes Ziel unter den gegebenen Rahmenbedingungen zu treffen. Unter Analytischer Optimierung versteht man eine präzise mathematische Methode zur Bestimmung der besten Maßnahmen, die ergriffen werden können, um ein bestimmtes Ziel unter Abwägung geschäftlicher, betrieblicher und regulatorischer Rahmenbedingungen zu erreichen.

Mathematische Optimierung hat also mit dem umgangssprachlichen Begriff des Optimierens nur oberflächlich zu tun. Es geht vielmehr darum, die besten Entscheidungen und nicht einfach nur bessere Entscheidungen für ein gewisses Ziel zu treffen. Das Ziel ist es, agil mit veränderlichen Rahmenbedingungen jonglieren und nachjustieren zu können. Anstatt mit bekannten Kundendaten zu kategorisieren und daraus Maßnahmen abzuleiten, startet die mathematische Optimierung bei den Zielen des Unternehmens.

In der Praxis sieht das so aus: Der Optimierungsprozess beginnt mit einer erweiterten Kausalanalyse. Mit automatisierten Techniken werden dabei enorme Mengen an Action-Effect-Modellen erstellt, die vorhersagen, wie Kunden auf verschiedene Maßnahmen eines Finanzinstitutes reagieren könnten und wie das die Key Performance Indicators (KPIs) beeinflussen würde.

Die Action-Effect-Modelle sind Teil eines übergeordneten Entscheidungsmodells, das weitere Geschäftsziele und Rahmenbedingungen wie Ressourcenverteilung oder Risikobereitschaft berücksichtigt. In einem letzten Schritt wird dann Künstliche Intelligenz genutzt, um die optimale Strategie zur Erreichung des Gesamtziels zu finden. Diese Form der Optimierung erstellt und bewertet eine Vielzahl von möglichen Strategieveränderungen oder Szenarien für die beste Entscheidungsfindung.

Steigerung des Neugeschäfts um 29 Prozent möglich

Die Einsparungen, Umsatzzunahmen und Produktivitätssteigerungen liegen für gewöhnlich im zweistelligen Prozentbereich. Home Credit Russia konnte etwa durch mathematische Optimierung einen Anstieg des Portfoliogewinns um 26 Prozent und des Neugeschäfts um 29 Prozent erzielen. Dabei ist die Umsetzung einfacher als gedacht. Die Rechenpower, die dafür nötig ist, lässt sich mit Cloud-Infrastrukturen und -Plattformen einfach abbilden. Folgende Punkte sollte man hierbei im Hinterkopf behalten:

  • Optimierung ist nicht gleich Optimierung: Datenbasierte Entscheidungen allein ergeben noch nicht Optimierung.
  • Das Ziel im Fokus haben: Im Vergleich zum traditionellen Ansatz, bei dem die Portfoliostrategie-Entwicklung mit den bekannten Daten zu Kunden beginnt, sind bei der mathematischen Optimierung die Ziele der Start-, Dreh- und Angelpunkt.
  • Komplexität mit Automatisierung bewältigen: Banken und Versicherer müssen immer schneller wachsende Datenmengen verarbeiten, um mit den Entwicklungen am Markt Schritt zu halten. Analytische Optimierungsplattformen bieten hierfür effiziente Lösungen. Sie ermöglichen die Simulation großer Mengen individueller Kundenfälle unter verschiedenen angenommenen und veränderlichen Rahmenbedingungen. Diese führen so zu richtigen Portfolio­entscheidungen.
  • Einfach optimieren: Über Cloud-Infrastrukturen ist die benötigte Rechenleistung einfach und kostengünstig verfügbar.

Mit einer modernen Optimierungsplattform in der Cloud wird die mathematische Optimierung zum Kinderspiel. Sie schöpft den Wert von Daten erst voll aus. Für Banken, die ganzheitlichen Portfolio-Erfolg anstreben, wird eine der leistungsfähigsten Anwendungen dadurch alltäglich und zum Wettbewerbsvorteil.

 

TIPP: Sie möchten mehr zum Thema Daten lesen? Dann können Sie sich hier informieren