Samenvatting

  • Vermogensbeheerders hebben moeite om aan de verwachtingen van klanten te voldoen wat betreft productaanbevelingen in de stijl van e-commerce, vanwege complexe productkenmerken, nalevingsvereisten en veelzijdige doelstellingen.
  • Op regels of segmentatie gebaseerde benaderingen leiden tot algemeen advies dat niet op maat is, waardoor het vertrouwen van klanten wordt aangetast en de schaalbaarheid wordt beperkt.
  • Door machine learning-modellen, wiskundige optimalisatie (portefeuilleoptimalisatie), grote taalmodellen en een Agentic AI te combineren, kunnen banken diverse data integreren data de ruwe output van machine learning omzetten in betere verklaringen, aanbevelingen en geautomatiseerde acties.

Vermogensbeheer zit vast in het verleden. Klanten leven in een wereld van moeiteloze, hypergepersonaliseerde aanbevelingen van YouTube, TikTok of Amazon, maar banken blijven producten aanprijzen op basis van regelboeken, logge segmentatie en giswerk van adviseurs. Banken hebben moeite om gelijke tred te houden met de verwachtingen van klanten en de complexiteit van de hedendaagse portefeuilles. Hybride AI hier verandering in brengen. Door machine learning, portefeuilleoptimalisatie en de contextuele intelligentie van grote taalmodellen te combineren, aangestuurd door een Agentic AI , kunnen vermogensbeheerders aanbevelingen doen die slim, persoonlijk en op het juiste moment komen. Het systeem kan leren van elke interactie, past zich automatisch aan regelgeving aan en legt zichzelf uit in taal die klanten en adviseurs daadwerkelijk begrijpen.

Het resultaat is een ware doorbraak: adviseurs krijgen scherpere richtlijnen, digitale kanalen worden conversiemotoren en klanten voelen zich begrepen in plaats van als doelwit. Banken die hybride AI omarmen, AI het volgende tijdperk van adviesverlening vormgeven: een tijdperk waarin menselijke relaties worden versterkt doorAI , en waarin vertrouwen niet wordt opgebouwd door persoonlijke banden of verkooptechnieken, maar door intelligentie.

Inleiding

In het tijdperk van Netflix zijn we in ons dagelijks leven gewend geraakt aan sterk gepersonaliseerde producten en diensten. Klanten van vermogensbeheer, en met name de segmenten die worden bediend door relatiebeheerders (RM’s), verwachten steeds vaker dat aanbevelingen voor financiële producten net zo op maat worden gesneden als bij films of winkelen. Maar het realiseren van personalisatie in Netflix-stijl in een risicovolle, streng gereguleerde vermogenscontext is veel complexer. Financiële producten hebben complexe kenmerken, waaronder risiconiveaus, voorwaarden en fiscale implicaties, en moeten aansluiten bij de unieke doelstellingen en beperkingen van elke klant. Bedrijven die deze personalisatiekloof overbruggen, kunnen de betrokkenheid en loyaliteit van hun klanten vergroten.

In dit whitepaper wordt onderzocht hoe generatieve AI productaanbevelingen in vermogensbeheer AI transformeren door middel van een hybride aanpak die traditionele machine learning en portefeuilleoptimalisatie combineert met GenAI.

De kloof op het gebied van personalisatie in vermogensbeheer

Vermogensbeheer staat voor unieke uitdagingen die het moeilijk maken om effectieve productaanbevelingen te doen. Op machine learning gebaseerde aanbevelingen die in de e-commerce worden gebruikt, zijn doorgaans afgestemd op één doel (het op één na beste product om te kopen), maar vermogensbeheerders moeten rekening houden met meerdere doelstellingen en beperkingen: kapitaalgroei, inkomsten, risicobeperking, fiscale efficiëntie, liquiditeit, evenals de individuele doelstellingen en voorkeuren van klanten. Zowel ML als PO zijn gebaseerd op gestructureerde data; een holistische productaanbeveling moet echter ook ongestructureerde informatie omvatten, zoals markttrends, risicoprofielen van klanten, gedragspatronen en het sentiment van klanten. Deze informatie is moeilijk te coderen in gestructureerde gegevens waarop ML- en PO-modellen moeten worden getraind.

Traditionele aanbevelingssystemen in vermogensbeheer zijn, voor zover ze al bestaan, vaak nogal simplistisch. Veel banken baseren zich op regelgestuurde vermogensallocatie of brede klantsegmentatie. Dit zijn grove instrumenten die geen rekening houden met persoonlijke nuances, zoals de interesse van een klant in duurzaam beleggen of zijn of haar behoefte aan liquiditeit. Dit kan ook leiden tot generieke, standaardaanbevelingen. Daarom vallen veel relatiebeheerders terug op handmatige benaderingen, waarbij ze vertrouwen op hun eigen ervaring en intuïtie in plaats van op data inzichten. Klanten krijgen op hun beurt mogelijk productaanbiedingen voorgeschoteld die los lijken te staan van hun doelstellingen, waardoor hun vertrouwen in het adviesproces afneemt.

De vooruitgang op het gebied van AI, met name GenAI in combinatie met machine learning en portefeuilleoptimalisatie, biedt een manier om een grote sprong voorwaarts te maken.

Een hybride GenAI-aanpak voor slimmere aanbevelingen

Om de huidige beperkingen te ondervangen, stellen we een hybride, op GenAI gebaseerde aanbevelingsengine voor die speciaal is afgestemd op vermogensbeheer. Met ‘hybride’ bedoelen we dat deze engine verschillende AI combineert en menselijk toezicht integreert, waarbij de sterke punten van elk onderdeel worden benut en de zwakke punten worden ondervangen.

1) Machine learning: traditionele ML-modellen zijn effectief bij het analyseren van data klantgedrag, data beleggingen, productaanvragen of klikken op websites of in apps. Dit brengt patronen en inzichten over vergelijkbare groepen aan het licht (bijvoorbeeld door vast te stellen dat klanten die vergelijkbaar zijn met klant A interesse tonen in ESG-aandelenfondsen).

2) Portefeuilleoptimalisatie: het systeem houdt rekening met endogeen verschillende doelstellingen en beleidsmaatregelen op het gebied van bedrijfsvoering en regelgeving, waaronder

  • Nalevingsregels: Dit zorgt ervoor dat, hoe creatief de AI ook AI , de suggesties gepast en toegestaan zijn en in overeenstemming zijn met de bedrijfsstrategie, bijvoorbeeld het risicoprofiel.
  • Strategische assetallocatie: modelportefeuilles waarin de visie van de portefeuillebeheerder en aannames over de kapitaalmarkt, zoals liquiditeitsvereisten, zijn verwerkt.
  • Campagnes: door de CIO of CFO geleide prioritering van beleggingscategorieën om de verkoopmedewerkers op een bepaald moment te sturen naar bepaalde producten of productcategorieën, bijvoorbeeld een streeftoewijzing binnen een beleggingscategorie zoals obligaties of aandelen

3) Kanaalintegratie:

  • Om het systeem mensgericht te gebruiken, moet het worden geïntegreerd in de dagelijkse workflow van de vermogensbeheerder. Aanbevelingen moeten worden weergegeven in het CRM-dashboard van de adviseur of als meldingen in een mobiele app voor gebruik onderweg. Het platform moet de feedback van de adviseur registreren: („de klant is alleen geïnteresseerd in informatie over obligaties in Amerikaanse dollar”). Na verloop van tijd ontstaat zo een leercirkel waarin de AI aan wat adviseurs nuttig vinden en wat niet, en zich zo afstemt op de klant.
  • Voor digitale kanalen – mobiele bankapps, chatdiensten, e-mail – moet het systeem rekening houden met kanaalspecifieke berichten, zoals beknopte productpresentaties die op het juiste moment worden aangeboden.

4) Redenering op basis van LLM’s: een component op basis van een groot taalmodel (LLM) voegt context toe aan aanbevelingen en kan op regels en machine learning gebaseerde input verwerken en daar een redeneringslaag aan toevoegen. LLM’s kunnen ongestructureerde data verwerken, data informatie over modelportefeuilles, klantprofielen, notulen van klantgesprekken en marktonderzoek, om de op machine learning en regels gebaseerde input te evalueren. Als een machine learning-model bijvoorbeeld een fonds in de technologiesector signaleert dat door klanten die vergelijkbaar zijn met onze doelklant is gekocht, kan het LLM opmerken dat klant A onlangs in een e-mail zijn terughoudendheid ten aanzien van tech-aandelen heeft geuit. Het LLM kan vervolgens de rangschikking van de aanbevelingen aanpassen of een alternatief voorstellen.

5) Reinforcement learning en feedbackloop: een onderdeel voor reinforcement learning evalueert de resultaten en past de aanbevelingsstrategie voortdurend bij. De feedback kan uit meerdere bronnen komen: acties van de klant (heeft de klant het aanbevolen product gekocht of interesse getoond?), acties van de adviseur (heeft de adviseur de aanbeveling met de klant gedeeld of overgeslagen?) en prestatieresultaten (heeft de aanbevolen belegging gepresteerd zoals verwacht ten opzichte van de doelstellingen van de klant?). Deze signalen worden in het leeralgoritme ingevoerd om het model aan te passen.

Via deze veelzijdige, hybride aanpak combineert de aanbevelingsengine data inzichten, contextueel begrip, strikte governance en continu leren. De engine maakt gebruik van generatieve AI, maar is stevig verankerd in de praktijk van persoonlijk vermogensbeheer.

Aan de slag

Door de precisie van machine learning en portefeuilleoptimalisatie te combineren met de contextuele intelligentie van grote taalmodellen en agentische AI een krachtige end-to-end-beslissingsengine worden gecreëerd. Machine learning en portfolio-optimalisatie blinken uit in gestructureerde voorspellingstaken omdat ze grote, schone datasets met hoge nauwkeurigheid kunnen verwerken. Deze outputs zijn echter vaak beperkt en contextblind. Door machine learning-modellen, portfolio-optimalisatie, grote taalmodellen en een agentische AI te combineren, kunnen banken 'ruisende' data klantgesprekken, feedback of marktcommentaar integreren en de ruwe output van machine learning vertalen naar betere verklaringen, aanbevelingen en geautomatiseerde acties.

AI productaanbevelingen in WM bieden een uitstekende kans om de normen voor adviesdiensten in hun respectieve markten te herdefiniëren. Banken zouden het volgende moeten doen:

  • Evalueer het huidige platform en de processen voor klantpersonalisatie. Vaak zijn er maar weinig mensen binnen de bank die het systeem in zijn geheel begrijpen en weten hoe het in de praktijk wordt gebruikt.
  • Ontdek de GenAI-tools en data die al beschikbaar zijn (misschien bent u al dichter bij de implementatie van een dergelijk systeem dan u denkt), en de vele nieuwere modellen en methoden die momenteel op de markt zijn.
  • Experimenteer in gecontroleerde proefprojecten – bijvoorbeeld door te beginnen met een selecte groep adviseurs en klanten en een beperkt productaanbod, om de hybride aanbevelingsengine in de praktijk te testen.

Verder dan hybride AI

De trend om traditionele machine learning te combineren met LLM’s en AI is niet uniek voor de financiële sector. E-commercebedrijven maken zich op voor de opkomst van 'Agentic Commerce': een wereld waarin mensen niet langer rechtstreeks met apps en websites omgaan, maar in plaats daarvan hun persoonlijke AI inzetten om dingen voor hen te ontdekken en transacties uit te voeren. Een wereld waarin klanten hun persoonlijke AI vragen: "hoe kan ik mijn huis het beste herfinancieren" of "zoek eens een paar sneakers voor de verjaardag van mijn zoon".

In deze wereld werken traditionele machine learning en productaanbevelingen niet meer zoals vroeger – in plaats daarvan zullen weAI zien, waarbij AI-systemen zich bezighouden met verkenning, ontdekking, onderhandeling, vertaling en uitvoering, onder toezicht van mensen die de koers bepalen, waar nodig sturen en uiteindelijk goedkeuring verlenen.

Ook vermogensbeheerders kunnen met deze trend te maken krijgen: in plaats van klanten persoonlijk te ontmoeten, zullen relatiebeheerders en hun AI binnenkort wellicht communiceren met AI persoonlijke AI van hun klanten, in plaats van met de klanten zelf. Banken moeten deze verschuiving niet als een bedreiging zien, maar als een uitgangspunt om adviesplatforms te ontwikkelen die het vertrouwen kunnen winnen van AI – en de mensen daarachter.