AI の力を解き放つ: 金融サービスの再構築

AIというのは、 話題のトピック そして、今日 AI を導入していない金融サービス企業は明日には時代遅れになるリスクがあると述べた記事が多数掲載されています。 ただし、多くの誇大広告と同様、業界の AI 採用は一般に予測されているほど急速に進まない可能性があります。 一例として、過去 20 年間、専門家は古いレガシー メインフレーム システムを使用している銀行が老朽化すると予測してきました。 しかし、XNUMX 年経った今でも、多くの銀行は依然としてレガシー メインフレーム テクノロジに基づいて構築された重要なコア バンキング アプリケーションに依存しており、これらの銀行は XNUMX 年前と同じくらい (強力ではないにしても) 強力なままです。

そうは言っても、AI は定着しており、段階的な導入が不可欠です。 私のブログ「適切な適合: AI/ML を採用する前にビジネス価値を評価する」(https://bankloch.blogspot.com/2023/10/the-right-fit-assessing-business-value.html）、銀行にとって、AI のために AI を導入するのではなく、AI との戦いを賢明に選択することが重要です。

したがって、金融サービス業界における AI ユースケースの包括的なリストを作成することが不可欠です。 私の意見では、金融サービス業界におけるすべての AI ユースケースは次のように分類できます。 XNUMXつの主要なグループ:

グループ 1: 非構造化データのより効率的な処理

このカテゴリは、SQL データベースできちんと構造化できないデータの収集、分析、処理に焦点を当てています。 通常、これには文書、音声、または画像からのデータが含まれます。多くの場合、政府などの第三者からのものや、デジタル形式への変換が必要な非デジタル顧客サービスからのものです。 非構造化データの処理はリソースを大量に消費する可能性があるため、これらのユースケースは主にコスト削減を目的としています。 AI の台頭により、これらのプロセスの自動化がますます実現可能になってきています。

例としては以下の通りです：

• KYCおよびKYB文書の処理: 顧客と会社の構造をより深く理解するために、身分証明書の画像、政府出版物、または会社の法令を処理します。

• アイデンティティ管理：KYC/KYBに似ていますが、IDカード画像、生体認証（顔や指紋など）、行動識別などの非構造化データを使用した継続的な認証とトランザクション署名に焦点を当てています。

• ブランドと評判の管理: マーケティング キャンペーンに反応し、否定的な評判に対処するために、会社に対する顧客とメディアの感情を監視します。 これは、従来のメディアやソーシャル メディア (フィードバック コメント、いいね、シェア、意見など) およびその他の情報ソース (コールセンターの記録など) を監視して、顧客の感情と傾向を特定することによって行われます。

• クレーム管理: 破損した保険対象物の写真や保険専門家レポートなどの非構造化データを使用した保険金請求の処理を自動化します。

• チャットボットと自動コールセンター: AI を活用して、顧客とのやり取りを分類してタグ付けし、やり取りを効率的に派遣し、標準的な応答テンプレートを提案し、さらにはさまざまなコミュニケーション チャネル (メール、電話、チャット ボックス) にわたる応答を完全に自動化します。

• 感情分析 電子メール、チャット セッション、音声およびビデオの記録、および顧客のフィードバックや従業員と顧客のやり取りを理解するためのコミュニケーションの非構造化要約についての情報を収集します。

• 経費と請求書の管理: 財務書類を構造化データに変換して自動処理します (例: 適切な会計カテゴリに正しく記帳する)。

グループ 2: 予測とリソース割り当ての改善

金融サービス業界では (他の業界と同様に)、人材や資金などのリソースが不足しているため、可能な限り効率的に割り当てる必要があります。 AI は、これらのリソースがどこで最も必要とされ、どこで最も高い付加価値を生み出すことができるかを予測する上で重要な役割を果たします。

Note: 顧客の注意力は希少なリソースであると考えることもできます。つまり、顧客の限られた注意力​​を最適に活用するには、あらゆるコミュニケーションやオファーを高度にパーソナライズする必要があります。

これらのユースケースは、次の XNUMX つのサブカテゴリに分類できます。

セクターにとらわれないユースケース

• 顧客の細分化 利用可能なデータ (例: 顧客プロファイリング、取引パターンの分析、過去および直近の顧客行動など) に基づいて、可能な限り最善の手段 (最適なチャネル ミックス) とコミュニケーション スタイル (連絡先の最適化) を決定し、最も可能性の高い顧客にリソースを割り当てます。将来の収入。

• チャーン検出 離脱のリスクがある顧客を特定し、維持するため。 従業員が顧客に連絡したり、特定のインセンティブ（割引や利率の向上など）を提供したりするなど、追加のリソースをそれらの顧客に割り当てることで、顧客の離反を防ぎます。

• 最良の見込み客と販売機会を特定する: リードのリストから、顧客になる可能性が最も高い顧客を特定しますが、クロスセルやアップセルのターゲットとして最適な既存顧客も特定します。

• 需要と供給の進化を予測するたとえば、ATM 機や支店をどこに配置するのが最適かを特定したり、カスタマー サポート チームの人員配置を最適化するために予想されるカスタマー サポートのやり取りの数を予測したり、クラウド インフラストラクチャのコストを最適化するために IT インフラストラクチャの負荷を予測したりできます。

• 次善のアクション、次善のオファー、または推奨エンジン パーソナライズされた顧客インタラクションの場合、つまり、任意の時点でどのアクション、製品、またはサービスがユーザーに最も興味を持つ可能性が高いかを予測します。 このプロセスに簡単にアクセスできるようにすると、顧客やその他のユーザー (社内従業員など) がより早く目標を達成できるようになり、収益の増加とコストの削減につながります。

• 価格設定エンジン 最適な製品またはサービスの価格を決定するため。

金融サービス業界特有の使用例

• 信用スコアリング エンジン 信用力を評価し、効率的な融資決定を行うことができます。 このエンジンは、債務不履行の確率と不履行の場合の推定損失額を予測し、信用を受け入れるかどうかを決定することを目的としています。 これは、銀行の資金が可能な限り最も効率的な方法で使用されることを保証する予測の問題でもあります。

• 不正検出エンジン オンライン詐欺 (サイバー脅威) や支払い詐欺などの不正な金融取引を特定し、防止するため。 このエンジンは、ユーザーの実際の行動が予想される (予測された) 行動と一致するかどうかを予測します。 そうでない場合は詐欺の可能性が高いです。 これらのエンジンは、収益損失を軽減し、ブランドへのダメージを回避し、顧客にスムーズなオンライン エクスペリエンスを提供するのに役立ちます。

• ロボアドバイザリー 市場動向、現在の投資ポートフォリオ、顧客の制約（リスクプロファイル、持続可能性の制約、投資期間など）に基づいて最適な投資ポートフォリオを作成するサービス。

  • AML 検出エンジン マネーロンダリングや金融取引における犯罪行為を検出（および阻止）するため。

  • 流動性リスク管理エンジン キャッシュフローを最適化するために。 これは顧客に提供できるサービスですが、銀行内部でも必要となります。 銀行は、すべての引き出しをカバーするためにバランスシートに十分な流動性を確保する必要がありますが、ATM 機や支店に供給するために必要な物理的な現金も予測する必要があります。

これらのビジネス指向の AI ユースケースに加えて、社内での AI の使用も見逃さないでください。 従業員の生産性を向上。 ChatGPT のような生成 AI ツールは、営業、マーケティング、IT などのさまざまな部門の生産性向上を支援します。

私のブログ「適切な適合: AI/ML を導入する前にビジネス価値を評価する」 (https://bankloch.blogspot.com/2023/10/the-right-fit-assessing-business-value.html)、最初のカテゴリ (つまり、「非構造化データのより効率的な処理」) は、非常に特殊な AI スキルと複雑な AI モデルを必要としますが、私の意見では最大の可能性を秘めています。 したがって、多くの金融サービス企業は、このカテゴリのユースケースに対して事前トレーニングされたモデルを使用する可能性があります。

1 番目のカテゴリのユース ケース (つまり、「より良い予測と、希少なリソースのより適切な割り当て」) も有望であり、カテゴリ XNUMX のユース ケースよりも迅速に結果を得ることができます。ただし、従来のルールベースのアルゴリズムと比較した場合の付加価値は、常に保証されているわけではなく、透明性が欠けていることが多く、微調整が困難です。 その結果、AI のユースケースは実際よりも有望に見えることがよくあります。

多くの場合、銀行は AI に直接投資する必要はありません。これは、AI モデルだけでなく、AI モデルを中心としたワークフローやビジネス ロジックも提供する多数のソフトウェア ソリューションがすでに存在しているためです。
ユースケースごとに、金融サービス会社は実際に次のいずれかを選択できます。 XNUMXつのオプション:

• オプション1: モデルの構築 最初から AWS SageMaker や GCP AI Platform などのプラットフォームを使用します。 これは、企業が適切なデータ トレーニング セットを特定し、モデルを設定し、モデル自体をトレーニングする必要があることを意味します。 たとえば、KBC は、GCP AI テクノロジーを使用して、仮想アシスタント (Kate と呼ばれる) の大部分を完全に社内で構築しました。

• オプション2：使用 事前トレーニング済み AWS Fraud Detector、AWS Personalize、または特定のユースケース向けの ChatGPT のカスタム バージョン (GPT の新しい概念を導入する OpenAI の発表を参照) など、簡単にデプロイ可能で適応可能なクラウドベースのモデル。

• オプション3：取得中 完全なソフトウェアソリューション これには、内部 AI モデル、画面、ワークフロー、プロセスが含まれます。 金融サービス業界には、Diskai (KBC 銀行が社内で構築した AI モデルを商用化)、ComplyAdvantage、Zest AI、Scienaptic AI、DataRobot、Kensho Technologies、Tegus、Canoe、Abe.ai など、数多くのソリューションが存在します。

どのオプションを選択するかは、金融サービス会社の特定のニーズによって異なります。 AI モデルの機能と制限を理解し、確固たるデータ戦略を持ち、外部モデルやツールでデータを利用できるようにする方法を知ることは、AI の導入を検討している金融サービス企業にとって重要なステップです。 通常、これらの手順は、社内で AI に関する深い知識を持つことよりも重要です。

金融サービス業界での AI の導入は、競争力を維持し、顧客の要求を満たすために明らかに必要です。 (構築と購入の) 適切なアプローチと、よく検討されたユースケースを組み合わせることで、AI の成功への道を切り開くことができます。

私のすべてのブログをチェックしてください https://bankloch.blogspot.com/

• SEO を活用したコンテンツと PR 配信。 今日増幅されます。
• PlatoData.Network 垂直生成 Ai。 自分自身に力を与えましょう。 こちらからアクセスしてください。
• プラトアイストリーム。 Web3 インテリジェンス。 知識増幅。 こちらからアクセスしてください。
• プラトンESG。 カーボン、 クリーンテック、 エネルギー、 環境、 太陽、 廃棄物管理。 こちらからアクセスしてください。
• プラトンヘルス。 バイオテクノロジーと臨床試験のインテリジェンス。 こちらからアクセスしてください。
• 情報源： https://www.finextra.com/blogposting/25219/unlocking-the-power-of-ai-reshaping-financial-services?utm_medium=rssfinextra&utm_source=finextrablogs