Meine Forschung

Ich erforsche, wie KI unstrukturierte Daten für Entscheidungen und Prozesse im Bankwesen nutzbar macht. Schwerpunkte sind multimodale Dokumentenanalyse, Unternehmensrepräsentationen und Transfer Learning bei knappen Daten.

Meine Dissertation

Creating Value with Artificial Intelligence in Banking: Data, Processes, Models, and Strategy

Humboldt-Universität zu Berlin · 2026 · summa cum laude

Dissertation im HU-Repositorium lesen

AI Value Chain

Die AI Value Chain ordnet vier Studien danach ein, welche Fragen ihre Methoden beantworten können: welche Informationen sich erschließen lassen, wie sie in Arbeitsabläufe eingehen, wann Modelle übertragbar sind und wo Evidenz für die strategische Nutzung fehlt. Die Perspektiven überlappen sich, etwa wenn die Wahl der Datenrepräsentation sowohl die Dokumentenverarbeitung als auch die Übertragbarkeit von Modellen beeinflusst.

Datenrepräsentation

Branchenkennziffern bilden Unterschiede in den Geschäftsaktivitäten einzelner Unternehmen nur grob ab. Mit Company2Vec habe ich aus Website-Inhalten mittels Word2Vec und Dimensionsreduktion Vektoren für deutsche Unternehmen erstellt. In der Studie lieferten die Vektoren eine feinere Ähnlichkeitsmessung als NACE-Branchenkennziffern und ermöglichten es, Gruppen vergleichbarer Unternehmen zu bilden.

Company2Vec — German Company Embeddings Based on Corporate Websites

Prozessautomatisierung

Bei Handelsregisterauszügen hängt die Bedeutung eines Textausschnitts auch von seiner Position auf der Seite ab. Wir haben LayoutXLM für die Klassifikation einzelner Dokumentbestandteile angepasst und in Ablationsstudien den Beitrag von Text, Layout und Bildmerkmalen getrennt geprüft. Das Layout verbesserte die Klassifikation in dieser Fallstudie deutlich, und mit 250 annotierten Seiten zum Feinabstimmen erreichte das Modell einen F1-Wert von über 0,75.

Multimodal Document Analytics for Banking Process Automation

Modellanpassung

Ausfälle sind in vielen Kreditportfolios selten, und Quelldaten können sich in ihren Merkmalen und Verteilungen vom Zielportfolio unterscheiden. Für den Preprint haben wir einen Transformer für tabellarische Daten entwickelt, der trotz unterschiedlicher Merkmalsräume Rückgewinnungsquoten einzelner Kredite und Prognoseverteilungen für Portfolios liefert. Bei wenigen Zielbeobachtungen schnitt er in den Experimenten besser ab als Vergleichsmodelle, besonders wenn sich die Eingabeverteilungen oder der Zusammenhang zwischen Merkmalen und Rückflüssen änderten, während Verschiebungen der Zielverteilung schwierig blieben.

Transfer Learning for Loan Recovery Prediction under Distribution Shifts with Heterogeneous Feature Spaces

Strategische Nutzung

Welche Marketingentscheidungen Banken auf Basis von Textdaten unterstützen können, ist in der Forschung nur punktuell untersucht. Wir haben 109 Studien systematisch ausgewertet und die Befunde entlang der Customer Journey und des Marketing-Mix eingeordnet. Nur acht der berücksichtigten Studien befassten sich direkt mit Sprachverarbeitung im Bankmarketing, vorwiegend mit Kundenbindung, während Kundengewinnung, personalisierte Ansprache und externe Textquellen seltener untersucht wurden.

Natural Language Processing in Bank Marketing: A Systematic Review and Strategic Gap Analysis

Weiterführende Forschungsfragen

  • Wann hilft Transfer Learning bei wenigen Zielbeobachtungen, und bei welchen Unterschieden zwischen Quelle und Ziel geht der Vorteil verloren?
  • Wann rechtfertigt eine zusätzliche Modalität wie Layout oder Bild den Aufwand für Datenerfassung, Annotation und Betrieb?
  • Wie lässt sich der Nutzen über die Modellgüte hinaus beurteilen, etwa anhand des manuellen Prüfaufwands oder der Qualität nachgelagerter Entscheidungen?