Haben Sie sich schon einmal über eine seltsame Abbuchung auf Ihrer Kreditkartenabrechnung oder eine kryptische Transaktion in Ihrem Bankauszug gewundert? Um herauszufinden, wo und wofür Sie das Geld ausgegeben haben, müssen Sie womöglich Ihre Bank kontaktieren, damit sie Ihnen Auskunft über den Händler oder den Verwendungszweck gibt. Ein positives Kundenerlebnis sieht und fühlt sich anders an. 

Auch bei Zahlungsdaten ist Genauigkeit also das A und O. Sie sind entscheidend, um massgeschneiderte Erlebnisse und höhere Zufriedenheit zu schaffen – von Transparenz über Empfehlungen bis hin zu Vorhersagen. Auf dem Weg dahin sind die Finanzdienstleister auf hochwertige, umfassende Zahlungsdaten angewiesen.

Payment Enrichment ist der Prozess der Anreicherung von Transaktionen, um die Qualität und den Informationsgehalt von Zahlungsdaten zu erhöhen und personalisierte Empfehlungen zu geben. Es handelt sich dabei um eine Unterkategorie des Data Enrichment, das seit den 1990er-Jahren im Marketing und im Detailhandel Verbreitung findet, um Kundenprofile zu verbessern und gezieltere Marketingkampagnen zu ermöglichen. Mit dem Aufkommen von Big Data und fortschrittlichen Analysetechnologien haben Fintechs und Finanzdienstleister, darunter auch SIX, begonnen, Payment Enrichment zu entwickeln und einzusetzen, um Transaktionsdaten selbsterklärend zu machen. Dazu kombinieren sie ihre eigenen Zahlungsdaten mit externen Datenquellen und verwenden verschiedene Techniken wie Mustererkennung, um die Bedeutung der Transaktion herzuleiten. Dadurch können sie neue Inhalte wie die Kategorie (z. B. Transport, Lebensmittel), eindeutige Händlernamen, Logos und geografische Informationen über den Händler, d. h. den Standort des Geschäfts, generieren. Diese angereicherten Daten verbessern nicht nur das Kundenerlebnis, sondern machen auch KI-Anwendungen effizienter und optimieren wichtige Prozesse wie Rückbuchungen.

Stellen Sie sich ein Bankkonto vor, das die Zahlungsdaten Ihrer Kundin sammelt und ihr Ausgabeverhalten analysiert. Als Bank können Sie Muster in den Ausgaben erkennen, zum Beispiel häufige Einkäufe in bestimmten Geschäften, regelmässige Zahlungen für Abonnements oder wiederkehrende Rechnungen. Mit diesen Informationen können Sie Ihrer Kundin helfen, bessere Finanzentscheidungen zu treffen. Wenn Sie beispielsweise feststellen, dass die Kundin häufig in einem bestimmten Lebensmittelgeschäft einkauft, können Sie ihr eine Kreditkarte mit Cashback-Prämien anbieten. Alternativ können Sie intuitive Services anbieten, die Ihrer Kundin helfen, ihre persönlichen Finanzen besser zu verstehen. Dies kann von einfachen Fragen wie «Wie viel habe ich im letzten Monat gespart?» bis hin zu komplexeren Fragen reichen, zum Beispiel der Erkennung ungewöhnlicher Transaktionen, der Vorhersage künftiger Lebensmittelausgaben oder der Bereitstellung personalisierter Empfehlungen zur Optimierung der Ersparnisse. All dies ist möglich, wenn qualitativ hochwertige Zahlungsdaten mit geeigneten KI-Techniken kombiniert werden, um spezifische Fragen zu beantworten.

Nach der Pflicht kommt die Kür. Das ist wie beim Jonglieren. Zuerst muss der Jongleur die grundlegenden Techniken und Bewegungen beherrschen, um die Bälle oder Keulen sicher in der Luft halten zu können. Erst dann kann er zur Kür übergehen und kreative, komplexere Tricks und Kombinationen ausprobieren. Ähnlich verhält es sich mit der Anwendung von KI bei Open Finance, insbesondere im Zusammenhang mit dem Aufkommen von Multibanking für Privatkundinnen und -kunden in der Schweiz. Hier wird der Bedarf an qualitativ hochwertigen und konsistenten Zahlungsdaten steigen – unabhängig von der Hausbank. Die eigentliche Kunst ist, die verschiedenen Zahlungsdaten von unterschiedlichen Banken und Informationen aus externen Quellen so zusammenzuführen, dass sie für neuartige Anwendungen genutzt werden können, um personalisierte Finanzdienstleistungen anzubieten.

Das Qualitätsmanagement von Zahlungsverkehrsdaten ist dabei wie das Jonglieren kein einmaliger Vorgang, sondern ein kontinuierlicher Prozess. Nur durch ständige Überprüfung und Anpassung kann man die Daten in einer Qualität bereitstellen, die nicht nur die aktuelle Nutzererfahrung verbessert, sondern auch innovative und massgeschneiderte Finanzlösungen ermöglicht.

Im Zahlungsverkehr sind KI-Tools bereits heute bei der Betrugserkennung von Kartenzahlungen unverzichtbar. Sie analysieren riesige Mengen an Transaktionsdaten in Echtzeit, um ungewöhnliche Ausgabenmuster zu identifizieren, die auf potenziellen Betrug hinweisen. Der Einsatz solcher Tools hilft auch bei der Beantwortung einfacher Kundenfragen, wie beispielsweise aus einem FAQ-Katalog. 

Bei der Lastschriftabwicklung verwenden heute Zahlungsverarbeiter KI in erster Linie, um aggregierte Zahlen und Metriken aus Transaktionsdaten zu analysieren und Prognosen zu treffen. In Zukunft gäbe es jedoch noch weiteres Potenzial für einen präventiven Einsatz, etwa bezüglich Betrugswarnungen und Fehlervermeidung.

Bei einer KI, die mit jedem neuen Datenpunkt lernt und ihr «Wissen» direkt aktualisiert, ist von Online-Lernen die Rede. Dieses Verfahren ist jedoch sehr aufwendig und schwer skalierbar. Zudem können bösartige Akteure den Feedback-Loop – also die Rückkopplungsschleife, bei der das Gelernte zurück in das System eingespeist wird, um dessen zukünftiges Verhalten zu beeinflussen – manipulieren. Daher sind KIs in der Praxis oft statisch (sie lernen nicht kontinuierlich) und benötigen menschliche Überwachung während der Updates und Weiterentwicklung.

Weitere wichtige Aspekte bei der Verarbeitung von Zahlungsdaten sind die Einhaltung von Datenschutzgesetzen (z. B. DSGVO), die Implementierung von Sicherheitsprotokollen und die Herausforderungen bei der Sicherstellung der Datensicherheit. Sie gewinnen und erhalten das Vertrauen der Kundinnen und Kunden. Mit dem Einsatz von KI im Schweizer Finanzdienstleistungssektor gehen auch aufsichtsrechtliche Erwartungen der FINMA einher. In diesem Zusammenhang müssen die Finanzdienstleister Kriterien wie Zuverlässigkeit, Gleichbehandlung, Transparenz und Erklärbarkeit erfüllen und dokumentieren, sowie Themen wie Governance und Verantwortlichkeit klären. Insbesondere die Erklärbarkeit stellt für die Forschung seit vielen Jahren ein hartnäckiges und nach wie vor ungelöstes Problem dar. Ein Grund dafür ist, dass viele KI-Modelle, insbesondere komplexe wie Deep-Learning-Netze, als Black Boxes gelten. Diese Modelle treffen Entscheidungen auf der Grundlage interner Prozesse, die für den Menschen schwer nachvollziehbar sind. Ein weiteres Problem ist das sogenannte Uneinigkeitsproblem, bei dem verschiedene Erklärungsmethoden unterschiedliche und manchmal widersprüchliche Erklärungen liefern. Dies erschwert es, eine einheitliche und verlässliche Erklärung für die Entscheidungen eines Modells zu finden. Darüber hinaus sind viele dieser Methoden anfällig für Manipulationen, was die Vertrauenswürdigkeit der Erklärungen weiter beeinträchtigt.

Dazu kommen ethische Überlegungen bei der Nutzung von Daten ins Spiel, das heisst beispielsweise die Vermeidung von Diskriminierung und die Sicherstellung der Fairness.

All diese Faktoren können die schnelle Verbreitung von KI hemmen. Zukünftige Entwicklungen und Innovationen sind deshalb von grosser Bedeutung. Ansätze, wie insbesondere die Sicherheit, die Transparenz und das Kundenvertrauen in KI-gestützten Entscheidungen gefördert werden können, gibt es. Einer davon ist die Integration von KI in Blockchain-Netzwerke.

Durch den Einsatz von Kryptografie macht Blockchain die Verwaltung von und den Zugang zu KI-generierten Daten sicherer und entspricht besser den Erwartungen der Aufsichtsbehörden. Sie verifiziert Datenquellen und überwacht deren Qualität, wodurch sie die Transparenz und Rückverfolgbarkeit der Daten sicherstellt. Smart Contracts regeln die Bereitstellung und Nutzung von KI-Modellen und machen das Ökosystem fair und effizient.

Die Kombination von KI und Blockchain ist vielversprechend, befindet sich aber noch in der Entwicklungs- und Experimentierphase. Ein weiteres spannendes Feld ist die Verbindung von Quantencomputing mit KI und Blockchain. Quantenrechner könnten in der Lage sein, komplexe Berechnungen und Datenanalysen in einer Geschwindigkeit durchzuführen, die weit über die Fähigkeiten klassischer Computer hinausgeht. Stellen Sie sich vor, das Lehrbuch der KI würde durch die immense Rechenleistung von Quantencomputern nicht nur erweitert, sondern regelrecht transformiert. Das könnte zu noch präziseren und effizienteren KI-Modellen führen, die schier unvorstellbare Datenmengen in Echtzeit verarbeiten und analysieren können. Die Synergie von Quantencomputing, KI und Blockchain könnte die Zukunft der Finanzdienstleistungen revolutionieren – wie ein Lehrbuch, dem wir ein Kapitel mit einer völlig neuen Wissensdimension hinzufügen.