Career at

News at

Techmonitor

  • [Translate to Deutsch:]
    Le trio infernal - Wenn Card Scheme, Tech-Provider und eine Bank sich verbünden

    Die drei großen Namen Apple, Mastercard und Goldman Sachs haben eine Kooperation gestartet, um eine eigene Apple-Kreditkarte inklusive einem attraktiven Ökosystem für Endnutzer zu lancieren. Dieser Artikel geht auf die Struktur des Ökosystems und dessen mögliche Implikationen auf andere Akteure der Finanzwelt ein.

     

    Die Apple Card stellt einen weiteren großen Schritt bei Apples Wandlung vom Hardwarehersteller in Richtung Dienstleister dar und scheint auch für die beteiligten Partner ein Win-Win-Win-Szenario zu sein.

    Goldman Sachs erzielt neue Einzelhandels- und Kartenumsätze, Apple gewinnt ein weiteres Instrument zur Erhöhung der Kundenbindung und Mastercard nutzt sein Geschäftsmodell einschließlich der Systemgebühren auch in der digitalen Welt. Diese Konstellation erscheint durchaus kohärent, da sich Goldman Sachs aufgrund seines eher schwachen Retail-Geschäfts im Gegensatz zu anderen potenziellen Kartenemittenten nicht kannibalisiert. Mastercard hingegen realisiert zusätzliche Einnahmen und bietet Goldman Sachs ein exklusives Kreditkarten-Setup mit einem relativ einfachen Kartenlayout ohne CVC, Signaturfelder oder NFC-Funktionalität. Es ist wahrscheinlich, dass Apple ähnlich wie bei Apple Pay die Internationalisierung seines Kartenservice anstreben wird.

     

    Die Autoren argumentieren, dass dieser Fall demonstriert wie Banken zu potentiell austauschbaren Infrastrukturanbietern werden können, während Technologieunternehmen wie Apple die treibende Kraft bei Ökosystem-Geschäftsmodellen darstellen. Bei weiterer Betrachtung erscheint es auch nicht außer Frage, dass Apple oder Mastercard selbst zu Kartenausstellern werden. In diesem Zusammenhang zeigt das Beispiel der Apple Card, dass Banken die sich nach etablierten Methoden und Strategien richten in Zukunft an strategischer Relevanz verlieren könnten. Der Artikel erläutert, dass diese eine zweigleisige Strategie verfolgen sollten, bei der sie ihre eigene fundierte Antwort bezüglich einer kurzfristigen Kooperation mit Apple definieren und diese mittel- bis langfristig betrachtet in eine holistische Zahlungsstrategie einbetten.

  • Card Schemes

    Kartensysteme ermöglichen einen vereinfachten und garantierten Geldaustausch zwischen Händlern, Kunden sowie ihren Banken, indem sie internationale Netzwerke betreiben und einheitliche Standards nutzen. Sie definieren Regeln für die Weiterleitung von Zahlungsermächtigungen und Abwicklungsanträgen in Point-of-Sale- und E-Commerce-Transaktionen zwischen Händlern und Kartenherausgebern, sowie für Auszahlungen am Geldautomaten oder Käufe mit Cashback-Transaktionen.

     

  • [Translate to Deutsch:]
    Gradient Boosting vs. Deep Learning. Möglichkeiten des Einsatzes Künstlicher Intelligenz im Banking

    Künstliche Intelligenz gewinnt zunehmend an Bedeutung und ist heutzutage eines der am häufigsten diskutierten Technologiethemen. Dieser Artikel erläutert und diskutiert zwei Ansätze und deren Durchführbarkeit für die Nutzung von KI bei Anwendungsfällen in der Finanzbranche: Deep Learning und Gradient Boosting.

    Während künstliche Intelligenz und das Deep Learning-Modell erhebliche Medienaufmerksamkeit erzeugen, ist das Gradient Boosting in der Öffentlichkeit noch relativ unbekannt.

     

    Deep Learning basiert auf komplexen künstlichen Neuro-Netzwerken, die Daten in hoher Geschwindigkeit über eine geschichtete Netzwerkstruktur verarbeiten. In der letzten Schicht wird dann eine Entscheidung über ein zuvor definiertes Problem getroffen. Dies ermöglicht die Lösung komplexer Probleme, kann aber zu unzureichender Transparenz und Nachvollziehbarkeit des Entscheidungsprozesses führen, da grundsätzlich ein einzelner großer Entscheidungsbaum verfolgt wird. Die deutsche Bankenaufsichtsbehörde BaFin hat bereits erklärt, dass im Hinblick auf Nachvollziehbarkeit keine Algorithmen akzeptiert werden, die aufgrund ihrer Komplexität nicht mehr verständlich sind.

     

    In diesem Zusammenhang argumentieren die Autoren, dass Gradient Boosting eine geeignetere Alternative sein könnte, da Entschlüsse auf eine Reihe kleinerer Entscheidungsbäume gestützt werden, die leichter zu interpretieren und verstehen sind. Darüber hinaus erfordern Gradient Boosting-Modelle im Vergleich zu Deep Learning weniger Daten, um funktional zu werden.

     

    Aussagen über die Dominanz eines der beiden Modelle sind nicht möglich, da beide zu guten Ergebnissen bei der Klassifizierung hochdimensionaler Daten kommen. Unter Berücksichtigung regulatorischer Anforderungen, wie z.B. der Transparenz in der Finanzbranche, könnte jedoch Gradient Boosting einen geeigneteren Ansatz zur Nutzung von künstlicher Intelligenz darstellen.