Å overvinne de største utfordringene som finansinstitusjoner står overfor når det gjelder bruk av analyser

Å overvinne de største utfordringene som finansinstitusjoner står overfor når det gjelder bruk av analyser

Tidsstempel: 17. mai 2023 11:26
Å overvinne de største utfordringene som finansinstitusjoner står overfor når det gjelder å bruke analytics PlatoBlockchain Data Intelligence. Vertikalt søk. Ai.

Finansinstitusjoner er datadrevet av natur. Alle kjerneprosessene deres – inkludert vurderinger av kundeegnethet, beslutninger om kreditttildeling og administrasjon av likviditetsbuffere – er avhengig av datatilgjengelighet og AI-modeller for å ta de beste risikojusterte forretningsbeslutningene. 

Denne dataintimiteten burde gi finansinstitusjoner et forsprang mot å levere bratt akselerasjon til full analyse og AI-innbygging, men det er betydelige hindringer som gjenstår. 

La oss starte med tilgang til data

Data er brød og smør for finansinstitusjoner, med datastrukturer som kommer fra den historiske sammensetningen av forretningsmodeller og underliggende informasjonssystemer. Som et resultat av dette blir data ofte organisert etter produkter og aktiviteter. 

Historier om fusjoner og oppkjøp har også påvirket grunnlaget for informasjonssystemer, og skapt eldre byrder og barrierer for enklere datatilgang. Dette, kombinert med et høyt nivå av regulatorisk administrasjon rundt datatilgang, er den første betydelige barrieren for analyseutvikling.  

Et første skritt er for organisasjoner å erkjenne at skalering med analyser starter med å utvide tilgangen til data. Banker og forsikringsselskaper er med rette ekstremt motvillige til å gjøre det av en rekke årsaker, inkludert regulering (f.eks. GDPR), fravær av sentrale varehus, opplevd risiko for infrastrukturens motstandskraft og mer. 

Det er imidlertid fortsatt et kritisk skritt å levere riktig akselerasjon. Dette kan gjøres ved å kombinere smidigheten til åpne eksperimenteringsrom med sterk styring for å åpne kritikalitetsvurdering og gå over til produksjon. 

En av hovedfordelene med denne strategien ligger også i kapasiteten for databehandlingsteam til å gå over til en evidensbasert tilnærming. Hvorfor? Fordi alle virksomheter vil hevde at deres data er av største betydning, vil på samme måte alle team alltid be verktøyene sine om å ha en P1-status på gjenopprettingsplaner. 

Å utnytte bevis om konkret bruk er en effektiv måte å redusere administrative diskusjoner og smertefulle kvalifiseringsarbeid. Dette må selvfølgelig gjøres med riktig type teknologistruktur for å redusere alle relaterte risikoer – det være seg fra et datatilgangssynspunkt ved å bruke eksempeldata, ned til sikkerhet og tilgangskontroll.   

Viktigheten av oppkompetanse

En annen hovedbarriere for analyseutvikling er knyttet til oppkvalifisering og tillit. Det gjennomsnittlige datakompetansenivået er høyt i finansinstitusjoner blant modelleringseksperter. For andre krever imidlertid overgangen til forretningsinnebygd analyse et skifte i tankesett, samt mulig teknologioppgradering og endringsledelse. 

Et godt eksempel er beste praksis for hvordan man håndterer fraværende data. Det er noen domener der det å ta fullmakter vil være helt akseptabelt, og andre hvor det å ta fullmakter ville være dårlig praksis. Hvis det ikke er noen priser og egenskaper for alle instrumentene som omsettes på en bestemt dag, er det tider når det kan være fornuftig å lage et estimat (for eksempel å estimere marginsamtaler og risikoer).  

Men i noen tilfeller kan det å "gjette" ledige data ha en betydelig innvirkning på beslutningstaking. Bedrifter som er villige til å omfavne analyser må investere i oppkvalifisering av sine ansatte og bygge et passende samarbeidsmiljø for å organisere utveksling og kontroller mellom risikoeksperter, forretningsfolk og datavitere for å utvikle godt kontrollerte initiativer.

Hvordan oppnår finanssektoren suksess med kunstig intelligens? 

De første til å omfavne AI-reisen var investeringsteamene, som – i deres konstante søken etter unik markedsinnsikt og investeringsmodeller – har sett i AI en unik mulighet til å innovere. Selv om det har vært svært vellykket for noen få, har det også ført til mange ufruktbare initiativer og har til en viss grad ført til misforståelsen om at AI kun handler om innovasjon og å knekke svært avanserte markedstemaer. 

De finansielle selskapene som har hatt størst suksess med AI, er de som fokuserer sine AI-initiativer på "dag én-løsningsemnene" som operasjonelle prosessoptimalisering, kundeanalyse og forbedring av kundereise, risikostyring på tvers av alle dimensjoner, og mer.

Etter mer enn 10 år med dyp regulatorisk transformasjon, har alle finansielle aktører forbedret sine risikorammeverk betydelig. Men mye gjenstår å gjøre på tvers av alle dimensjoner. Den vellykkede integreringen av AI i risikostyring har spilt en viktig rolle i å støtte forsterket robusthet av banksystemet, inkludert smidighet og innvirkning i etterforskning, utvikling av nye internkontroller og forbedring av økonomisk kriminalitetsovervåking gjennom analyser, for å nevne noen eksempler.

AI er også en reell revolusjon innen risikovurdering, særlig gjennom økt bruk av alternative data. Dette gjelder både tradisjonelle risikoer og nye risikoer som klimaendringer, og hjelper alle finansielle aktører – banker og forsikringsselskaper – til å revurdere hvordan de priser risiko. De som har utviklet en sterk ekspertise i å utnytte alternative data og smidig modellering har virkelig kunnet dra nytte av investeringen deres under den pågående helsekrisen, som utfordret tradisjonelle modeller dypt (spesielt når det gjelder scoring for bedrifter).

Til slutt, den positive effekten av AI på kunder bør ikke undervurderes. Finansielle tjenester blir konfrontert med et aggressivt konkurranselandskap samt etterspørsel fra kunder om forbedret personalisering, noe som fører til forbedret kundeorientering i disse organisasjonene. Kapasiteten til å bygge komplette kundevisninger og optimalisere kundereiser, spesielt på skadebehandling, er to eksempler på områder hvor AI har støttet dyp transformasjon i banker og forsikringsselskaper betydelig, og det er mange flere muligheter som venter på å bli utforsket. 

Samlet sett er analyser og AI fortsatt en betydelig mulighet til å gi for de fleste. Det faktum at vi ser at AI og analyse gjør en hyppigere utgang fra datalaboratorier for å være fullstendig innebygd i forretningslinjer, viser at bevegelsen er der. Imidlertid gjenstår det mye å gjøre, og det er et kappløp der ute mellom spillere for å se hvem som vil gripe det fulle potensialet først. Min innsats vil være på de som bestemmer seg for å overvinne konkrete og opplevde barrierer for datatilgang, med kombinert vekt på styring, et avgjørende fokus på systematisk prosessforbedring.

Tidstempel:

Mer fra Fintextra