Membuka Kekuatan AI: Membentuk Kembali Layanan Keuangan

Membuka Kekuatan AI: Membentuk Kembali Layanan Keuangan

Stempel Waktu: 17 November 2023 10
Membuka Kekuatan AI: Membentuk Kembali Kecerdasan Data PlatoBlockchain Layanan Keuangan. Pencarian Vertikal. Ai.

AI adalah a topik panas dan banyak artikel diterbitkan yang menyatakan bahwa perusahaan jasa keuangan yang tidak mengadopsi AI saat ini berisiko menjadi usang di masa depan. Namun, seperti banyak isu lainnya, adopsi AI di industri mungkin tidak berjalan secepat yang diperkirakan. Sebagai contoh saja, selama dua dekade terakhir, para ahli telah memperkirakan keusangan bank yang menggunakan sistem mainframe lama. Namun, bahkan setelah 20 tahun berlalu, banyak bank yang masih mengandalkan aplikasi perbankan inti penting yang dibangun berdasarkan teknologi mainframe lama, dan bank-bank ini tetap kuat (jika tidak lebih kuat) seperti dua dekade lalu.

Meskipun demikian, AI akan tetap ada dan penerapannya secara bertahap sangatlah penting. Seperti yang dibahas di blog saya, “Kesesuaian yang Tepat: Menilai Nilai Bisnis sebelum Mengadopsi AI/ML” (https://bankloch.blogspot.com/2023/10/the-right-fit-assessing-business-value.html), sangat penting bagi bank untuk memilih pertarungan AI dengan bijak, dibandingkan menerapkan AI demi kepentingan tersebut.

Oleh karena itu, membuat daftar lengkap kasus penggunaan AI di industri jasa keuangan sangatlah penting. Menurut pendapat saya, kita dapat mengkategorikan semua kasus penggunaan AI di industri jasa keuangan dua kelompok utama:

Grup 1: Penanganan data tidak terstruktur yang lebih efisien

Kategori ini berfokus pada pengumpulan, analisis, dan pemrosesan data yang tidak dapat terstruktur dengan rapi dalam database SQL. Biasanya mencakup data dari dokumen, ucapan, atau gambar, sering kali berasal dari pihak ketiga seperti pemerintah atau dari layanan pelanggan non-digital yang memerlukan transformasi ke dalam format digital. Kasus penggunaan ini terutama bertujuan untuk mengurangi biaya, karena pemrosesan data yang tidak terstruktur bisa memakan banyak sumber daya. Munculnya AI membuatnya semakin memungkinkan untuk mengotomatisasi proses-proses ini.

Contoh termasuk:

  • Penanganan dokumen KYC dan KYB: Memproses gambar kartu identitas, publikasi pemerintah, atau undang-undang perusahaan untuk mendapatkan pemahaman yang lebih baik tentang pelanggan dan struktur perusahaan.

  • Manajemen identitas: Mirip dengan KYC/KYB tetapi berfokus pada otentikasi berkelanjutan dan penandatanganan transaksi, menggunakan data tidak terstruktur seperti gambar kartu identitas, identifikasi biometrik (seperti wajah dan sidik jari) dan identifikasi perilaku.

  • Manajemen Merek & Reputasi: Memantau sentimen pelanggan dan media tentang perusahaan untuk bereaksi terhadap kampanye pemasaran dan mengatasi publisitas negatif. Hal ini dilakukan dengan memantau media tradisional dan media sosial (seperti komentar umpan balik, suka, bagikan, opini..) dan sumber informasi lainnya (misalnya catatan pusat panggilan) untuk mengidentifikasi sentimen dan tren pelanggan.

  • Manajemen klaim: Mengotomatiskan pemrosesan klaim dengan data tidak terstruktur, seperti gambar kerusakan objek asuransi dan laporan ahli asuransi.

  • Chatbots dan pusat panggilan otomatis: Memanfaatkan AI untuk mengkategorikan dan menandai interaksi pelanggan, mengirimkan interaksi secara efisien, mengusulkan template respons standar, dan bahkan sepenuhnya mengotomatiskan respons di berbagai saluran komunikasi (surat, panggilan telepon, dan kotak obrolan).

  • Analisis sentimen pada email, sesi obrolan, rekaman suara dan video, dan ringkasan komunikasi tidak terstruktur untuk memahami umpan balik pelanggan dan interaksi karyawan-pelanggan.

  • Manajemen Biaya dan Faktur: Mengubah dokumen keuangan menjadi data terstruktur untuk diproses secara otomatis (misalnya memesannya dengan benar dalam kategori akuntansi yang tepat).

Kelompok 2: Prediksi dan alokasi sumber daya yang lebih baik

Dalam industri jasa keuangan (sama seperti industri lainnya), sumber daya seperti manusia dan uang sangatlah langka dan harus dialokasikan seefisien mungkin. AI dapat memainkan peran penting dalam memprediksi di mana sumber daya tersebut paling dibutuhkan dan di mana sumber daya tersebut dapat menghasilkan nilai tambah tertinggi.

Note: Perhatian pelanggan juga dapat dianggap sebagai sumber daya yang langka, artinya setiap komunikasi atau penawaran harus sangat dipersonalisasi untuk memastikan bahwa rentang perhatian pelanggan yang terbatas digunakan secara optimal.

Kasus penggunaan ini dapat dikategorikan menjadi dua subkategori:

Kasus penggunaan agnostik sektor

  • Segmentasi pelanggan berdasarkan data yang tersedia (misalnya pembuatan profil pelanggan, analisis pola transaksi, perilaku pelanggan di masa lalu dan saat ini…​) untuk menentukan cara terbaik (campuran saluran terbaik) dan gaya komunikasi (optimasi kontak) dan mengalokasikan sumber daya ke pelanggan dengan potensi tertinggi pendapatan masa depan.

  • Deteksi churn untuk mengidentifikasi dan mempertahankan pelanggan yang berisiko keluar. Dengan mengalokasikan sumber daya ekstra kepada pelanggan tersebut, seperti karyawan yang menghubungi pelanggan atau menawarkan insentif tertentu (misalnya diskon atau suku bunga yang lebih baik) untuk mencegah pelanggan berpindah.

  • Identifikasi prospek dan peluang penjualan terbaik: dari daftar prospek, mengidentifikasi siapa yang paling mungkin menjadi pelanggan, namun juga mengidentifikasi pelanggan mana yang paling bisa ditargetkan untuk tindakan cross-selling dan up-selling.

  • Memprediksi evolusi permintaan dan penawaran, misalnya mengidentifikasi di mana mesin ATM atau cabang sebaiknya ditempatkan, memprediksi berapa banyak interaksi dukungan pelanggan yang dapat diharapkan untuk memastikan penempatan staf tim dukungan pelanggan yang optimal atau memprediksi beban pada infrastruktur TI untuk mengoptimalkan biaya infrastruktur cloud.

  • Tindakan terbaik berikutnya, Penawaran terbaik berikutnya, atau mesin Rekomendasi untuk interaksi pelanggan yang dipersonalisasi, yaitu memprediksi tindakan, produk, atau layanan mana yang paling mungkin menarik minat pengguna pada saat tertentu. Mengizinkan akses mudah ke proses ini dapat membantu pelanggan atau pengguna lain (seperti karyawan internal) mencapai tujuan mereka lebih cepat, sehingga menghasilkan peningkatan pendapatan dan pengurangan biaya.

  • Mesin penetapan harga untuk menentukan harga produk atau layanan yang optimal.

Kasus penggunaan khusus industri jasa keuangan

  • Mesin Penilaian Kredit untuk menilai kelayakan kredit dan membuat keputusan pinjaman yang efisien. Mesin ini bertujuan untuk memprediksi kemungkinan gagal bayar dan perkiraan nilai kerugian jika terjadi gagal bayar, untuk menentukan apakah suatu kredit harus diterima atau tidak. Ini juga merupakan masalah prediksi, yang memastikan bahwa uang bank dibelanjakan seefisien mungkin.

  • Mesin Deteksi Penipuan untuk mengidentifikasi dan mencegah penipuan transaksi keuangan, termasuk penipuan online (ancaman dunia maya) dan penipuan pembayaran. Mesin memprediksi apakah perilaku aktual pengguna sesuai dengan perilaku yang diharapkan (diprediksi). Jika tidak, kemungkinan besar terjadi penipuan. Mesin ini membantu mengurangi hilangnya pendapatan, menghindari kerusakan merek, dan memberikan pengalaman online pelanggan tanpa hambatan.

  • Robo-Penasihat layanan untuk menciptakan portofolio investasi yang optimal berdasarkan tren pasar, portofolio investasi saat ini, dan batasan pelanggan (seperti profil risiko, batasan keberlanjutan, horizon investasi…​).

    • Mesin Deteksi AML untuk mendeteksi (dan menghentikan) pencucian uang dan aktivitas kriminal dalam transaksi keuangan.

    • Mesin Manajemen Risiko Likuiditas untuk mengoptimalkan arus kas. Ini adalah layanan yang dapat ditawarkan kepada nasabah, tetapi juga diwajibkan secara internal bagi bank. Bank perlu memastikan kecukupan likuiditas pada neracanya untuk menutupi seluruh penarikan, namun juga memperkirakan kebutuhan fisik uang tunai untuk memasok mesin ATM dan cabang.

Selain kasus penggunaan AI yang berorientasi bisnis, jangan abaikan penggunaan AI secara internal meningkatkan produktivitas karyawan. Alat AI generatif seperti ChatGPT dapat membantu berbagai departemen, seperti penjualan, pemasaran, dan TI, dalam meningkatkan produktivitas mereka.

Seperti yang ditunjukkan dalam blog saya “Kesesuaian yang Tepat: Menilai Nilai Bisnis sebelum Mengadopsi AI/ML” (https://bankloch.blogspot.com/2023/10/the-right-fit-assessing-business-value.html), kategori pertama (yaitu “Penanganan data tidak terstruktur yang lebih efisien”) menurut saya memiliki potensi terbesar, meskipun memerlukan keterampilan AI yang sangat spesifik dan model AI yang kompleks. Oleh karena itu, banyak perusahaan jasa keuangan cenderung menggunakan model terlatih untuk kategori kasus penggunaan ini.

Kasus penggunaan dalam kategori kedua (yaitu “Prediksi yang lebih baik dan alokasi sumber daya yang langka lebih baik”) juga menjanjikan dan dapat memberikan hasil yang lebih cepat dibandingkan kasus penggunaan kategori 1. Namun, nilai tambah mereka dibandingkan dengan algoritma berbasis aturan tradisional adalah tidak selalu terjamin, seringkali kurang transparan dan sulit untuk disesuaikan. Akibatnya, kasus penggunaan AI tersebut sering kali terlihat lebih menjanjikan daripada yang sebenarnya.

Dalam banyak kasus, bank tidak perlu melakukan investasi langsung pada AI, karena sudah ada banyak solusi perangkat lunak yang tidak hanya menawarkan model AI namun juga mencakup alur kerja dan logika bisnis di sekitarnya.
Untuk setiap kasus penggunaan, perusahaan jasa keuangan sebenarnya dapat memilih di antara keduanya tiga opsi:

  • 1 Option: Membangun model dari awal menggunakan platform seperti AWS SageMaker atau GCP AI Platform. Artinya, perusahaan perlu mengidentifikasi kumpulan pelatihan data yang baik, menyiapkan model, dan melatih model itu sendiri. Misalnya KBC telah membangun sebagian besar asisten virtualnya (disebut Kate) sepenuhnya internal menggunakan teknologi AI GCP.

  • 2 Option: Menggunakan terlatih model berbasis cloud yang mudah diterapkan dan diadaptasi, seperti AWS Fraud Detector, AWS Personalize, atau versi kustom ChatGPT (lih. pengumuman OpenAI untuk memperkenalkan konsep baru GPT) untuk kasus penggunaan tertentu.

  • 3 Option: Mengakuisisi solusi perangkat lunak lengkap yang mencakup model, layar, alur kerja, dan proses AI internal. Banyak solusi yang ada di industri Jasa Keuangan, seperti Discai (yang mengkomersialkan model AI yang dibangun secara internal oleh bank KBC), ComplyAdvantage, Zest AI, Scienaptic AI, DataRobot, Kensho Technologies, Tegus, Canoe, Abe.ai…​

Keputusan memilih opsi mana bergantung pada kebutuhan spesifik perusahaan jasa keuangan. Memahami kemampuan dan keterbatasan model AI, memiliki strategi data yang solid, dan mengetahui cara menyediakan data untuk model dan alat eksternal merupakan langkah penting bagi perusahaan jasa keuangan yang ingin mengadopsi AI. Langkah-langkah ini biasanya lebih penting daripada memiliki pengetahuan AI internal yang mendalam.

Penerapan AI dalam industri jasa keuangan jelas merupakan suatu keharusan agar tetap kompetitif dan memenuhi permintaan pelanggan. Pendekatan yang tepat (membangun versus membeli), dipadukan dengan kasus penggunaan yang dipertimbangkan dengan baik, dapat membuka jalan bagi perjalanan AI yang sukses.

Lihat semua blog saya di https://bankloch.blogspot.com/

Stempel Waktu:

Lebih dari Fintextra