Leküzdeni azokat a legnagyobb kihívásokat, amelyekkel a pénzintézetek szembesülnek az analitika használata során

A pénzintézetek természeténél fogva adatvezéreltek. Minden alapvető folyamatuk – beleértve az ügyfelek alkalmasságának felmérését, a hitelallokációs döntéseket és a likviditási pufferkezelést – az adatok hozzáférhetőségétől és a mesterséges intelligencia modelljétől függ, hogy a legjobb kockázattal kiigazított üzleti döntéseket hozzák meg. 

Ez az adatok intimitása előnyt jelent a pénzügyi szolgáltató intézmények számára a teljes analitika és a mesterséges intelligencia beágyazásának meredek felgyorsítása felé, de vannak még jelentős akadályok. 

Kezdjük az adatokhoz való hozzáféréssel

Az adatok a pénzintézetek kenyerét jelentik, az adatstruktúrák az üzleti modellek és a mögöttes információs rendszerek történeti összetételéből származnak. Ennek eredményeként az adatokat gyakran termékek és tevékenységek szerint rendezik. 

A fúziók és felvásárlások története az információs rendszerek alapjait is befolyásolta, örökölt terheket és akadályokat teremtve az egyszerűbb adathozzáférés előtt. Ez az adathozzáférést övező magas szintű szabályozási adminisztrációval kombinálva az első jelentős akadály az analitika fejlesztése előtt.  

Az első lépés az, hogy a szervezetek felismerjék, hogy az analitikával történő skálázás az adatokhoz való hozzáférés kiterjesztésével kezdődik. A bankok és biztosítótársaságok jogosan vonakodnak ettől különböző okok miatt, például szabályozás (pl. GDPR), központi raktárak hiánya, az infrastruktúra ellenálló képességével kapcsolatos vélt kockázatok és egyebek miatt. 

Ez azonban továbbra is kritikus lépés a megfelelő gyorsulás eléréséhez. Ez úgy valósítható meg, hogy a nyitott kísérleti terek agilitását erős kormányzással kombináljuk a kritikusság értékeléséhez és a termeléshez való átálláshoz. 

Ennek a stratégiának az egyik fő előnye az is, hogy az adatkezelő csapatok képesek áttérni a bizonyítékokon alapuló megközelítésre. Miért? Mivel minden vállalkozás azt állítja, hogy adatai rendkívül fontosak, ugyanúgy minden csapat mindig azt fogja kérni az eszközeitől, hogy a helyreállítási tervek P1 státuszúak legyenek. 

A kézzelfogható felhasználásra vonatkozó bizonyítékok kihasználása hatékony módja az adminisztratív viták és a fájdalmas minősítési erőfeszítések csökkentésének. Ezt természetesen a megfelelő technológiai struktúrával kell megtenni az összes kapcsolódó kockázat csökkentése érdekében – legyen szó az adatelérési szempontból, mintaadatok felhasználásával, egészen a biztonságig és a hozzáférés-szabályozásig.   

A készségfejlesztés jelentősége

Az analitika fejlesztésének másik fő akadálya a képzettség fejlesztése és a bizalom. Az átlagos adatműveltség szintje magas a pénzügyi szolgáltató intézményekben a modellező szakértők körében. Mások számára azonban az üzleti beágyazott elemzésre való áttérés gondolkodásmódváltást, valamint lehetséges technológiai készségfejlesztést és változáskezelést igényel. 

Jó példa a hiányzó adatok kezelésének legjobb gyakorlata. Vannak olyan tartományok, ahol a proxyk vétele teljesen elfogadható, más területeken pedig rossz gyakorlat lenne a proxy használata. Ha az adott napon kereskedett összes instrumentumhoz nincsenek árak és jellemzők, előfordulhat, hogy a becslésnek sok értelme van (például a letéti felhívások és a kockázatok becslése).  

Bizonyos esetekben azonban az üres adatok „kitalálása” jelentős hatással lehet a döntéshozatalra. Az elemzést elfogadni kívánó vállalatoknak be kell fektetniük alkalmazottaik képzettségének fejlesztésébe, és megfelelő együttműködési környezetet kell kialakítaniuk a kockázati szakértők, üzleti szakemberek és adatkutatók közötti csere és ellenőrzés megszervezéséhez, jól kontrollált kezdeményezések kidolgozása érdekében.

Hogyan ér el sikereket a pénzügyi szolgáltatások szektora a mesterséges intelligencia segítségével? 

A mesterséges intelligencia útjára elsőként a befektetési csapatok léptek fel, akik az egyedi piaci betekintések és befektetési modellek folyamatos keresése során a mesterséges intelligencia egyedülálló lehetőségét látták az innovációra. Noha kevesek számára nagyon sikeres volt, számos eredménytelen kezdeményezéshez is vezetett, és bizonyos mértékig ahhoz a tévhithez vezetett, hogy az AI csak az innovációról és a rendkívül fejlett piaci témák feltöréséről szól. 

A mesterséges intelligencia terén azok a pénzügyi vállalatok jártak a legsikeresebben, amelyek mesterséges intelligencia kezdeményezéseiket az „első napi megoldási témákra” összpontosítják, mint például a működési folyamatok optimalizálása, az ügyfélelemzés és az ügyfélút javítása, a kockázatkezelés minden dimenzióban és még sok más.

Több mint 10 évnyi mélyreható szabályozási átalakulás után minden pénzügyi szereplő jelentősen javította kockázati kereteit. De még sok a tennivaló minden dimenzióban. A mesterséges intelligencia sikeres integrálása a kockázatkezelésbe alapvető szerepet játszott a bankrendszer megerősített robusztusságának támogatásában, ideértve a vizsgálatok agilitását és hatását, az új belső kontrollok kidolgozását, valamint a pénzügyi bűnözés nyomon követésének elemzésen keresztül történő javítását, hogy csak néhány példát említsünk.

A mesterséges intelligencia a kockázatértékelésben is igazi forradalom, nevezetesen az alternatív adatok fokozott felhasználása révén. Ez mind a hagyományos kockázatokra, mind az újonnan megjelenő kockázatokra, például az éghajlatváltozásra igaz, segít minden pénzügyi szereplőnek – bankoknak és biztosítóknak egyaránt –, hogy átgondolják, hogyan árazzák be a kockázatokat. Azok, akik komoly szakértelmet fejlesztettek ki az alternatív adatok és az agilis modellezés terén, valóban profitálhattak befektetésükből a folyamatban lévő egészségügyi válság idején, amely komoly kihívást jelentett a hagyományos modelleknek (különösen a vállalati pontszámítás terén).

Végül pedig nem szabad alábecsülni a mesterséges intelligencia ügyfelekre gyakorolt ​​pozitív hatását. A pénzügyi szolgáltatások agresszív versenyhelyzettel, valamint az ügyfelek jobb személyre szabottság iránti keresletével szembesülnek, ami jobb ügyfélorientációt eredményez ezekben a szervezetekben. A teljes ügyfélnézet kialakításának és az ügyfélútvonalak optimalizálásának képessége, különösen a kárkezelés terén, két példa arra a területre, ahol a mesterséges intelligencia jelentősen támogatta a bankokon és biztosítótársaságokon belüli mélyreható átalakulást, és rengeteg további lehetőség vár még feltárásra. 

Összességében az analitika és a mesterséges intelligencia továbbra is jelentős lehetőséget jelent a hozamra a legtöbb számára. Az a tény, hogy azt látjuk, hogy a mesterséges intelligencia és az analitika egyre gyakrabban lép ki az adatlaborokból, hogy teljesen beépüljenek az üzletágakba, azt mutatja, hogy a mozgás megvan. Azonban még sok a tennivaló, és verseny folyik a játékosok között, hogy ki fogja először megragadni a teljes potenciált. Azokra fogok fogadni, akik úgy döntenek, hogy leküzdik az adatokhoz való hozzáférés kézzelfogható és vélt akadályait, és a kormányzásra helyezik a hangsúlyt, és döntő hangsúlyt helyeznek a szisztematikus folyamatfejlesztésre.

• SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
• PlatoAiStream. Web3 adatintelligencia. Felerősített tudás. Hozzáférés itt.
• A jövő pénzverése – Adryenn Ashley. Hozzáférés itt.
• Részvények vásárlása és eladása PRE-IPO társaságokban a PREIPO® segítségével. Hozzáférés itt.
• Forrás: https://www.finextra.com/blogposting/24220/overcoming-the-biggest-challenges-that-financial-institutions-face-when-it-comes-to-using-analytics?utm_medium=rssfinextra&utm_source=finextrablogs