Frigør kraften ved AI: Omformning af finansielle tjenester

Frigør kraften ved AI: Omformning af finansielle tjenester

Tidsstempel: 17. november 2023 kl. 10
Unlocking the Power of AI: Reshaping Financial Services PlatoBlockchain Data Intelligence. Vertical Search. Ai.

AI er en varmt emne og der er publiceret adskillige artikler om, at finansielle servicevirksomheder, der ikke anvender AI i dag, risikerer at blive forældede i morgen. Men som med mange hypes, forløber industriens indførelse af kunstig intelligens muligvis ikke så hurtigt som normalt forudsagt. Blot som et eksempel har eksperter i de sidste to årtier forudsagt forældelse af banker, der bruger gamle ældre mainframe-systemer. Men selv efter 20 år er mange banker stadig afhængige af kritiske kernebankapplikationer bygget på ældre mainframe-teknologier, og disse banker forbliver lige så stærke (hvis ikke stærkere), som de var for to årtier siden.

Når det er sagt, er AI kommet for at blive, og en gradvis adoption er afgørende. Som diskuteret i min blog, "The Right Fit: Assesing Business Value before Adopting AI/ML" (https://bankloch.blogspot.com/2023/10/the-right-fit-assessing-business-value.html), er det afgørende for banker at vælge deres AI-kampe klogt i stedet for at implementere AI for dets skyld.

Det er derfor bydende nødvendigt at oprette en omfattende liste over AI-brugssager i finanssektoren. Efter min mening kan vi kategorisere alle AI-brugssager i finanssektoren i to hovedgrupper:

Gruppe 1: Mere effektiv håndtering af ustrukturerede data

Denne kategori fokuserer på at indsamle, analysere og behandle data, der ikke kan struktureres pænt i en SQL-database. Det inkluderer typisk data fra dokumenter, tale eller billeder, som ofte stammer fra tredjeparter som regeringen eller fra ikke-digitale kundeservice, der skal transformeres til et digitalt format. Disse use cases sigter primært på omkostningsreduktion, da behandling af ustrukturerede data kan være meget ressourcekrævende. Fremkomsten af ​​kunstig intelligens gør det i stigende grad muligt at automatisere disse processer.

Som eksempler kan nævnes:

  • KYC og KYB dokumenthåndtering: Behandling af identitetskortbilleder, offentlige publikationer eller virksomhedsvedtægter for at få en bedre forståelse af kunder og virksomhedsstrukturer.

  • Identitetsstyring: Svarende til KYC/KYB, men fokuseret på kontinuerlig autentificering og transaktionssignering, ved hjælp af ustrukturerede data som ID-kortbilleder, biometrisk identifikation (som ansigt og fingeraftryk) og adfærdsmæssig identifikation.

  • Brand & Reputation Management: Overvågning af kunde- og mediernes stemning om virksomheden for at reagere på marketingkampagner og adressere negativ omtale. Dette gøres ved at overvåge traditionelle medier og sociale medier (såsom feedback-kommentarer, likes, delinger, meninger..) og andre informationskilder (f.eks. call center-registreringer) for at identificere kundens følelser og tendenser.

  • Skadehåndtering: Automatisering af behandlingen af ​​skader med ustrukturerede data, såsom billeder af beskadigede forsikrede genstande og forsikringsekspertrapporter.

  • Chatbots og automatiserede callcentre: Brug af AI til at kategorisere og tagge kundeinteraktioner, sende interaktioner effektivt, foreslå standardsvarskabeloner og endda fuldautomatisere svar på tværs af forskellige kommunikationskanaler (mail, telefonopkald og chatboks).

  • Følelsesanalyse på e-mails, chatsessioner, stemme- og videooptagelser og ustrukturerede opsummeringer af kommunikation for at forstå kundefeedback og medarbejder-kunde-interaktioner.

  • Udgifts- og fakturahåndtering: Konvertering af finansielle dokumenter til strukturerede data til automatisk behandling (f.eks. korrekt bogføring i den rigtige regnskabskategori).

Gruppe 2: Bedre forudsigelse og ressourceallokering

I den finansielle serviceindustri (ligesom i enhver anden industri) er ressourcer som mennesker og penge sparsomme og bør allokeres så effektivt som muligt. AI kan spille en afgørende rolle i at forudsige, hvor disse ressourcer er mest nødvendige, og hvor de kan give den højeste merværdi.

Bemærk: Kundens opmærksomhed kan også betragtes som en knap ressource, hvilket betyder, at enhver kommunikation eller ethvert tilbud skal være yderst personligt tilpasset for at sikre, at kundens begrænsede opmærksomhed udnyttes optimalt.

Disse use cases kan kategoriseres i to underkategorier:

Sektor-agnostiske use cases

  • Segmentering af kunder baseret på tilgængelige data (f.eks. kundeprofilering, analyse af transaktionsmønstre, tidligere og umiddelbar kundeadfærd…) for at bestemme de bedst mulige midler (bedste kanalmix) og kommunikationsstil (kontaktoptimering) og allokere ressourcer til kunderne med det højeste potentiale fremtidige indtægter.

  • Churn detektion at identificere og fastholde kunder med risiko for at forlade. Ved at allokere ekstra ressourcer til disse kunder, såsom medarbejdere, der kontakter kunden eller tilbyder bestemte incitamenter (f.eks. rabatter eller bedre renter) for at forhindre kunden i at trække sig.

  • Identificer de bedste kundeemner og salgsmuligheder: ud af en liste over kundeemner identificere dem, der har størst sandsynlighed for at blive kunde, men identificer også hvilke eksisterende kunder, der bedst kan målrettes for kryds- og opsalgshandlinger.

  • Forudsige udviklingen i efterspørgsel og udbud, f.eks. identificere hvor pengeautomater eller filialer bedst skal placeres, forudsige hvor mange kundesupportinteraktioner der kan forventes for at sikre optimal bemanding af kundesupportteamet eller forudsige belastningen på IT-infrastrukturen for at optimere omkostningerne til cloud-infrastruktur.

  • Næstbedste handling, Næstbedste tilbud eller anbefalingsmotor for personaliserede kundeinteraktioner, dvs. forudsige hvilken handling, produkt eller tjeneste, der mest sandsynligt vil interessere en bruger på et givet tidspunkt. At tillade nem adgang til denne proces kan hjælpe kunden eller enhver anden bruger (såsom interne medarbejdere) med at nå deres mål hurtigere, hvilket resulterer i øgede indtægter og reducerede omkostninger.

  • Prismotor for at bestemme den optimale produkt- eller tjenesteprissætning.

Specifikke brugssager for finansielle tjenesteydelser

  • Credit Scoring Engine at vurdere kreditværdigheden og træffe effektive lånebeslutninger. Denne motor har til formål at forudsige sandsynligheden for misligholdelse og den estimerede tabsværdi i tilfælde af misligholdelse for at afgøre, om en kredit skal accepteres eller ej. Dette er også et forudsigelsesproblem, som sikrer, at bankens penge bliver brugt på den mest effektive måde.

  • Svindel Detection Engine at identificere og forhindre svigagtige finansielle transaktioner, herunder onlinesvindel (cybertrusler) og betalingssvindel. Motoren forudsiger, om en brugers faktiske adfærd stemmer overens med den forventede (forudsagte) adfærd. Hvis ikke, er der sandsynligvis tale om bedrageri. Disse motorer hjælper med at reducere indtægtstab, undgå brandskade og give en friktionsfri kundeoplevelse online.

  • Robo-rådgivende tjenester til at skabe optimale investeringsporteføljer baseret på markedstendenser, den aktuelle investeringsportefølje og kundebegrænsninger (såsom risikoprofil, bæredygtighedsbegrænsninger, investeringshorisont...​).

    • AML Detection Engine at opdage (og stoppe) hvidvask og kriminel aktivitet i finansielle transaktioner.

    • Motor for likviditetsrisikostyring til optimering af pengestrømme. Det er en service, som kan tilbydes kunderne, men som også er påkrævet internt i banken. Banken skal sikre tilstrækkelig likviditet på sin balance til at dække alle hævninger, men også forudsige det fysiske kontantbehov til at forsyne pengeautomater og filialer.

Ud over disse forretningsorienterede AI use cases, overse ikke den interne brug af AI til øge medarbejdernes produktivitet. Generative AI-værktøjer som ChatGPT kan hjælpe forskellige afdelinger, såsom salg, marketing og IT, med at øge deres produktivitet.

Som angivet i min blog "The Right Fit: Assessing Business Value before Adopting AI/ML" (https://bankloch.blogspot.com/2023/10/the-right-fit-assessing-business-value.html), den første kategori (dvs. "Mere effektiv håndtering af ustrukturerede data") rummer efter min mening det største potentiale, selvom det kræver meget specifikke AI-færdigheder og komplekse AI-modeller. Derfor vil mange finansielle servicevirksomheder sandsynligvis bruge præ-trænede modeller til denne kategori af use cases.

Use cases i den anden kategori (dvs. "Bedre forudsigelse og bedre allokering af knappe ressourcer") er også lovende og kan give hurtigere resultater end use cases af kategori 1. Men deres merværdi sammenlignet med traditionelle regelbaserede algoritmer er ikke altid garanteret, de mangler ofte gennemsigtighed og er svære at finjustere. Som følge heraf ser AI disse use cases ofte mere lovende ud, end de faktisk er.

I mange tilfælde behøver banker ikke at investere direkte i kunstig intelligens, da der allerede findes adskillige softwareløsninger, som ikke kun tilbyder AI-modeller, men også omfatter arbejdsgangen og forretningslogikken omkring dem.
For hver use case kan finansielle servicevirksomheder faktisk vælge imellem tre muligheder:

  • Mulighed 1: Opbygning af en model fra starten ved hjælp af platforme som AWS SageMaker eller GCP AI Platform. Det betyder, at virksomheden skal identificere et godt datatræningssæt, opsætte en model og træne selve modellen. F.eks. har KBC bygget en stor del af sin virtuelle assistent (kaldet Kate) fuldt internt ved hjælp af GCP AI-teknologier.

  • Mulighed 2: Ved brug af foruddannet cloud-baserede modeller, der er let at implementere og tilpasse, såsom AWS Fraud Detector, AWS Personalize eller brugerdefinerede versioner af ChatGPT (jf. meddelelse om OpenAI for at introducere nyt koncept for GPT'er) til specifikke brugstilfælde.

  • Mulighed 3: Erhvervelse komplette softwareløsninger der inkluderer interne AI-modeller, skærmbilleder, arbejdsgange og processer. Der findes adskillige løsninger i finanssektoren, såsom Discai (som kommercialiserer AI-modellerne bygget internt af KBC bank), ComplyAdvantage, Zest AI, Scienaptic AI, DataRobot, Kensho Technologies, Tegus, Canoe, Abe.ai…

Beslutningen om, hvilken mulighed der skal vælges, afhænger af den finansielle servicevirksomheds specifikke behov. At forstå mulighederne og begrænsningerne ved AI-modeller, have en solid datastrategi og vide, hvordan man gør data tilgængelige for eksterne modeller og værktøjer er afgørende skridt for en finansiel virksomhed, der ønsker at indføre AI. Disse trin er normalt vigtigere end at have dyb intern AI-viden.

At adoptere kunstig intelligens i den finansielle serviceindustri er klart en nødvendighed for at forblive konkurrencedygtig og imødekomme kundernes krav. Den rigtige tilgang (bygge versus køb), kombineret med velovervejede use cases, kan bane vejen for en vellykket AI-rejse.

Tjek alle mine blogs på https://bankloch.blogspot.com/

Tidsstempel:

Mere fra Fintextra