AI kan het operationele risicobeheer in het bankwezen verbeteren

Risicobeheer is een integraal onderdeel van de bankensector. Door financiële risico’s te nemen, kunnen banken winst genereren. Risicobeheer heeft als doel om dit proces te beheersen door potentiële verliezen voorspelbaarder te maken. Dit maakt banken robuuster voor externe effecten. Wat volgt is een artikel van Lars de Ruiter en Matthias Geerse, twee Finance & Risk experts van adviesbureau Solid Professionals.

Waar winst gemaakt kan worden door bepaalde financiële risico’s te accepteren, is het operationele risico intrinsiek anders. Operationele risico’s veroorzaken alleen verliezen – financieel in termen van bottom-line impact en niet-financieel in de vorm van bijvoorbeeld reputatieschade. De gevolgen van operationele risicogebeurtenissen kunnen een grote impact hebben op een organisatie en het mondiale financiële systeem, zoals we nog weten van de kredietcrisis (2008). Het is dan ook niet verwonderlijk dat operationeel risico steeds meer aandacht krijgt binnen de financiële sector, waarbij banken proberen de operationele risico’s die ze nemen te minimaliseren, terwijl ze eveneens rekening houden met de strategische doelen van de organisatie. 

In het afgelopen decennium is er grote vooruitgang geboekt in de ontwikkeling van kunstmatige intelligentie (AI). AI-algoritmen blinken uit in data-analyses en hebben zich zo ontwikkeld dat ze de menselijke prestaties op veel verschillende vlakken overtreffen. Steeds meer bedrijven benutten deze technologische vooruitgang en zetten deze in om verschillende soorten processen te optimaliseren, zoals marketing, verkoop en e-commerce, productie en logistiek. In onze huidige, datagedreven wereld wordt verwacht dat deze trend zich zal voortzetten, ook binnen het operationele risicobeheer.

Uitdagingen binnen het operationele risicobeheer

In juni 2011 publiceerde het ‘Basel Committee on Banking Supervision’ de ‘Principles for the Sound Management of Operational Risk’ (BCBS), die een kader bieden voor de ontwikkeling van gedegen operationeel risicobeheer. Drie jaar later werd een onderzoek uitgevoerd om te meten in welke mate banken zich aan deze principes hielden. Deze principes stellen onder meer dat banken een ‘risk appetite’ en ‘tolerance statement’ moeten schrijven. Banken meldden dat dit een grotere uitdaging is voor operationeel risico dan voor andere risicocategorieën. Ze schrijven dit toe aan de aard en de alomtegenwoordigheid van operationeel risico. De banken die zich wel aan dit principe hielden, gaven veelal aan de ‘achteruitkijkende’ meetstandaarden van operationeel risico te gebruiken, zoals operationele verliezen als percentage van de bruto-inkomsten

Het bovenstaande voorbeeld onderstreept de uitdagingen waarmee banken worden geconfronteerd bij het beheer en bij de meting van operationeel risico. In vergelijking met financieel risico is operationeel risico een meer kwalitatief studiegebied. Terwijl financieel risicobeheer al lang de belangrijkste prioriteit van het bankwezen is, wordt er pas veel korter veel aandacht geschonken aan operationeel risicobeheer, waardoor er minder data beschikbaar is. Voorspellend modelleren is hier dus een grotere uitdaging. 

Daar komt nog bij dat de gebeurtenissen in operationeel risico veel diverser zijn. Het Baselcomité definieert operationeel risico als het “risico van verlies als gevolg van ontoereikende of falende interne processen, mensen en systemen of externe gebeurtenissen”. Interne fraude, datalekken en reputatieschade zijn zeer verschillende problemen, maar kunnen ook zeer nauw met elkaar verbonden zijn. Veel van de informatie die betrekking heeft op operationeel risico bestaat uit tekstuele input, waardoor het dus veelal gaat om kwalitatieve data. Het kwalitatieve karakter van operationeel risico wordt weerspiegeld in het Baselcomité-raamwerk, dat richtlijnen omvat voor organisatiestructuren, bedrijfscultuur, bewustzijn en voor kwalitatieve rapportages.

De computer als lezer

AI kan een waardevolle rol spelen bij het upgraden van operationele risicopraktijken. Het gaat dan in het bijzonder om machine learning (ML) – het gebied van zelflerende computeralgoritmen – dat veelbelovend is. ML-algoritmen kunnen voorspellingen doen op basis van gegevens die aan het algoritme worden gegeven. Onlangs is er grote vooruitgang geboekt op het gebied van natuurlijke taalverwerking (NLP). NLP richt zich op het gebruik van tekstgegevens voor voorspellingen. Een voorbeeld is dat een algoritme kan leren hoe het tekstreviews van hotels een rating – in cijfer of sterren – moet geven. Door het verwerken van grote hoeveelheden reviews in combinatie met de bijbehorende ratings, kan het algoritme leren om een rating te geven aan een nieuwe review die het nog nooit eerder heeft bekeken. 

“Er zijn veel mogelijkheden voor operationeel risicobeheer om AI en andere gerelateerde technologische ontwikkelingen te benutten.”
_{– Lars de Ruiter en Matthias Geerse}

Over operationeel risico zijn veel tekstuele rapporten geschreven waarin specifieke risico’s en de risicobereidheid van een organisatie worden behandeld. Deze rapporten zijn over het algemeen geschreven door risicomanagers, oftewel experts in hun vakgebied. Ervan uitgaande dat dergelijke risicorapporten informatie bevatten die ontbreekt in de data over financiële verliezen uit het verleden, kan deze kwalitatieve informatie worden geëxtraheerd en worden gebruikt voor voorspellende doeleinden. Maar waarom zouden computers deze taak moeten uitvoeren in plaats van risicodeskundigen? Het antwoord ligt in de fysieke beperkingen van de mens, evenals de onvermijdelijke en haast aangeboren vooroordelen waar onze soort tegenaan loopt. Terwijl mensen moeite hebben om een stuk tekst te onthouden, verwerkt een computeralgoritme gemakkelijk duizenden boeken en vindt het structuur aan de hand van statistische methoden met een bijna perfecte precisie. 

Op weg naar voorspelling van operationeel risico

De prestaties van NLP-algoritmen die woordinbeddingstechnieken gebruiken, zijn de laatste tijd enorm toegenomen. Door de inbedding als uitgangspunt te nemen, leren deze algoritmen de betekenis van volledige zinnen en gebruiken ze deze informatie voor verdere voorspellingen. Dit wordt ook wel een ‘sentimentanalyse’ genoemd. Een populaire toepassing hiervan in de financiële sector maakt het mogelijk om de ontwikkeling van de aandelenkoersen aan de hand van nieuwsartikelen of twitterfeeds te voorspellen. Een recent document van de Nationale Bank van Denemarken laat zien dat dergelijken technieken in staat zijn om te voorspellen of en in welke mate ondernemingen in nood gaan verkeren door hun jaarverslagen te analyseren. Het onder de loep nemen van tekstuele gegevens kan een bijdrage leveren aan kwantitatieve voorspellende modellen, zelfs in de financiële sector, waarbinnen het jargon sterk afwijkt van ons dagelijkse taalgebruik. 

Kortom, er zijn veel mogelijkheden voor operationeel risicobeheer om AI en andere gerelateerde technologische ontwikkelingen te benutten. Een van die mogelijkheden is de classificatie van risicogebeurtenissen. Een computeralgoritme kan bijvoorbeeld risicobeschrijvingen in rapporten lezen (die zijn geschreven door risicomanagers) en deze classificeren op basis van hun impact en frequentie. Het combineren van data over financiële verliezen uit het verleden met kwalitatieve risicorapporten, leidt tot een verbeterde voorspelling van risicovolle gebeurtenissen en kan leiden tot een meer accurate voorspelling van toekomstige verliezen. Het op vergelijkbare wijze meten van abstractere concepten zoals de financiële gezondheid en de cultuur van een organisatie kan hier ook aan bijdragen. 

Lees ook: Solid Professionals wederom verkozen tot topwerkgever.