Das moderne Bankwesen ist durch steigende Datenverfügbarkeit, regulatorische Anforderungen und wachsende Erwartungen an datengetriebene Entscheidungen geprägt. Banken agieren in einer heterogenen Informationsumgebung aus strukturierten Finanzdaten, semistrukturierten operativen Informationen sowie großen Mengen unstrukturierter Text- und Bilddaten. Trotz erheblicher Fortschritte im maschinellen Lernen – insbesondere in der Verarbeitung natürlicher Sprache und in multimodalen Modellen – bleiben Forschung und Praxis häufig fragmentiert. Analytische Lösungen adressieren meist isolierte Probleme, ohne zu zeigen, wie Datenrepräsentationen, Prozesse, Modelle und strategische Entscheidungen systematisch zusammenwirken. Diese Dissertation untersucht, wie analytische Methoden entlang eines integrierten Lebenszyklus zur Wertschöpfung im Bankwesen beitragen. Hierzu wird die Wertschöpfungskette der Künstlichen Intelligenz im Bankwesen als konzeptioneller Rahmen eingeführt. Sie verbindet die Ebenen Datenverständnis, Prozessautomatisierung, Modelladaption und strategische Intelligenz und beschreibt, wie aus Daten nachhaltiger Mehrwert entsteht. Die vier Forschungsarbeiten liefern komplementäre Beiträge entlang dieser Ebenen. Erstens wird gezeigt, wie unstrukturierte externe Informationen in strukturierte Repräsentationen überführt werden können, etwa durch skalierbare Unternehmensembeddings aus Webseiten. Zweitens wird demonstriert, wie multimodale, layout-sensitive Modelle dokumentenzentrierte Bankprozesse wie Kontoeröffnung oder Identitätsprüfung zuverlässig automatisieren. Drittens werden Transfer-Learning-Ansätze entwickelt, die die Prognose von Rückgewinnungsquoten bei Verteilungsverschiebungen und heterogenen Merkmalsräumen verbessern. Viertens wird die Literatur zu NLP-Anwendungen im Bankmarketing systematisch aufgearbeitet und aufgezeigt, wie unstrukturierte Textdaten strategische Kunden-, Markt- und Wachstumsentscheidungen unterstützen können.
Christopher Gerling (Tue,) studied this question.