At vurdere, hvor stor en risiko en bankkunde kan og vil løbe med sin investering, er en af de sværeste opgaver for selv erfarne bankrådgivere. Resultatet afhænger nemlig ikke kun af kolde tal, indkomster og udgifter.
Det handler også om, hvad man som kunde ville føle, hvis man en dag åbnede netbanken og opdagede, at værdien af ens investering var faldet med 20 procent.
»Vi er mange, der ikke lige ved, hvad vores risikoprofil er, selv hvis vi bliver spurgt direkte,« fortæller Peter Bruun, der er afdelingsleder ved Bankdata, som leverer IT til 11 danske banker.
»Det handler om at få prøvet kunden af både i forhold til fakta, følelser og konsekvenser. Så det kræver meget af rådgiveren, der skal undersøge det. Det er et svært fagligt område,« fastslår Peter Bruun.
Bankdata har derfor trænet et neuralt netværk til at crunche de input, som bankrådgiverne indhenter fra kunden, og komme frem til, hvor meget kunden kan tåle at tabe - og hvor meget de er villige til at tabe.
»For en rådgiver betyder det, at man kan have samtlige kollegaer med til mødet og give en samstemmig second opinion til, hvad kunden skal rådes til. Og den effektivitet får vi ikke på andre måder.«
Best-practice data
Bankdata leverer finansielle it-løsninger til bankerne Alm. Brand Bank, Djurslands Bank, Jyske Bank, Kreditbanken, Nordfyns Bank, Nordjyske Bank, Ringkjøbing Landbobank, Skjern Bank, Sparekassen Sjælland-Fyn, Sydbank og Østjydsk Bank, der tilsammen dækker 1,5 mio. danske bankkunder. Til oktober implementeres systemet til risikoprofilering i ni af de 11 banker, mens de to sidste - Sydbank og Jyske Bank - anvender egne, alternative løsninger. På sigt skal systemet udbredes til alle 11 medlemsbanker. Ny teknologi, ny adgang til data og bedre viden end nogensinde om kunden spår gyldne tider for finanssektoren. Men også etiske dilemmaer, tekniske udfordringer og kulturelle konflikter, når globale mastodonter skal gøre forretningen datadrevet. Version2 sætter i denne uge fokus på avanceret dataanalyse i finanssektoren. Læs med, når vi undersøger, hvordan man sætter dataanalyse først, sætter machine learing til at analysere, hvad kunder skal investere i, og hvordan man får det hele præsenteret, så kundens creepiness-grænse ikke overtrædes. Se hvordan Intellix' platform fungerer her:Bankdata
Dataanalyse i finanssektoren
Til formålet har Bankdata entreret med selskabet Intellix, som leverer software, der skal gøre det nemt at omsætte en kompleks vurdering – med mange forskellige typer af faktorer – til data, som et neuralt netværk kan lære af.
Intellix forklarer selv, hvordan softwaren virker med en case fra forsikringsbranchen, hvor en rådgiver skal vurdere, om en kunde har en sund livsstil.
Her indtaster man – på baggrund af erfarne rådgiveres vurdering – de mest åbenlyse eksempeldata, altså de mest klokkeklare eksempler på sunde og usunde mennesker.
Hos Bankdata har man ligeledes bedt de mest erfarne rådgivere i korpset om best-practice-eksempler på god rådgivning, som systemet er blevet fodret med.
Hver case er blevet kvalificeret af andre rådgivere, fortæller Peter Bruun.
»Det er klart, at den data, vi giver systemet, i udgangspunkt skal have en kvalitet, man kan stå inde for. Og derfor er det de meste erfarne rådgivere, der har udvalgt og reviewet hver case.«
Spotter huller
Når softwaren har fået de mest åbenlyse cases, kan softwaren selv identificere, hvilke kombinationer af svar den mangler.
De cases kan de erfarne rådgivere så svare på for at lukke hullerne i netværkets træningsdata. Systemet kan også identificere de spørgsmål, som ikke har reel indvirkning på resultatet.
Spørgsmålene kan så slettes for at lette processen – medmindre spørgsmålet af en eller anden grund er til for at opfylde et lovkrav.
Resultatet er et machine learning-system, der med tilstrækkelig data kan levere rådgivning, som måler sig med selv de bedste bankrådgiveres.
Og samtidig udviser den vigtige forsigtighed, hvis datagrundlaget ikke giver noget klart svar.
»Vi skal ikke anbefale kunden en investering, der er unødigt risikabel, og derfor skal systemet hælde mod mere sikkerhed, hvis resultatet er uklart,« forklarer Peter Bruun.
»Og hvis vi fodrer den med data, der ikke giver mening, og som den ikke har set før, så hælder den netop mod mere sikkerhed.«
Online på sigt
I dette efterår går Bankdata i gang med at implementere løsningen i ni banker. I første omgang vil det blive brugt som støtte til rådgiveren, der stadig vil mødes personligt med kunden og bede denne om den data, systemet skal bruge.
På sigt vil Bankdata undersøge muligheden for at lade kunder bruge værktøjet online via netbanken.
»Og så er der mulighed for at inddrage nogle af de oplysninger, vi allerede har om kunden. Det vil selvfølgelig kræve et samtykke fra kunden,« siger Peter Bruun.
Uanset hvad rådgiver og algoritmer kommer frem til, vil det ultimativt altid være kundens valg, hvad han eller hun vil bruge sine penge på.
I sådanne tilfælde vil systemet også kunne fungere som dokumentation for, at en kunde f.eks blev rådet imod en særlig risikabel investering.
Endelig forventer Bankdata generelt, at den strukturerede proces, der er indbygget i systemet, gør, at kundens risikoprofil bliver eksplicit, så rådgivere ikke misser detaljer om kundens forhold, som leder til kritiske misforståelser på sigt.
»Noget af det værste, der kan ske på investeringsområdet, er, når der mangler en forventningsafstemning mellem kunde og bank. Det viste finanskrisen med al tydelighed,« slutter Peter Bruun.
...men det er dyrt at lave god journalistik. Derfor beder vi dig overveje at tegne abonnement på Version2.
Digitaliseringen buldrer derudaf, og it-folkene tegner fremtidens Danmark. Derfor er det vigtigere end nogensinde med et kvalificeret bud på, hvordan it bedst kan være med til at udvikle det danske samfund og erhvervsliv.
Og der har aldrig været mere akut brug for en kritisk vagthund, der råber op, når der tages forkerte it-beslutninger.
Den rolle har Version2 indtaget siden 2006 - og det bliver vi ved med.
