Låse opp kraften til AI: Reshaping Financial Services

Låse opp kraften til AI: Reshaping Financial Services

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

AI er en hett emne og det publiseres en rekke artikler som sier at finansielle tjenesteselskaper som ikke tar i bruk AI i dag, risikerer å bli foreldet i morgen. Men som med mange hypes, kan det hende at industriens bruk av AI ikke går så raskt som vanlig forutsagt. Bare som et eksempel, de siste to tiårene har eksperter spådd foreldelse av banker som bruker gamle eldre stormaskinsystemer. Likevel, selv etter 20 år, er mange banker fortsatt avhengige av kritiske kjernebankapplikasjoner bygget på eldre stormaskinteknologier, og disse bankene er fortsatt like sterke (om ikke sterkere) som de var for to tiår siden.

Når det er sagt, er AI kommet for å bli, og en gradvis adopsjon er avgjørende. Som diskutert i bloggen min, "The Right Fit: Assessing Business Value before Adopting AI/ML" (https://bankloch.blogspot.com/2023/10/the-right-fit-assessing-business-value.html), er det avgjørende for banker å velge sine AI-kamper med omhu, i stedet for å implementere AI for dens skyld.

Det er derfor avgjørende å lage en omfattende liste over AI-brukstilfeller i finansnæringen. Etter min mening kan vi kategorisere alle AI-brukstilfeller i finansnæringen to hovedgrupper:

Gruppe 1: Mer effektiv håndtering av ustrukturerte data

Denne kategorien fokuserer på å samle inn, analysere og behandle data som ikke kan struktureres pent i en SQL-database. Det inkluderer vanligvis data fra dokumenter, tale eller bilder, ofte fra tredjeparter som myndighetene eller fra ikke-digitale kundetjenester som trenger transformasjon til et digitalt format. Disse brukstilfellene tar først og fremst sikte på kostnadsreduksjon, da behandling av ustrukturerte data kan være svært ressurskrevende. Fremveksten av AI gjør det stadig mer mulig å automatisere disse prosessene.

Eksempler på dette er:

  • KYC og KYB dokumenthåndtering: Behandling av identitetskortbilder, offentlige publikasjoner eller selskapsvedtekter for å få en bedre forståelse av kunder og selskapsstrukturer.

  • Identitetsadministrasjon: Ligner på KYC/KYB, men fokusert på kontinuerlig autentisering og transaksjonssignering, ved bruk av ustrukturerte data som ID-kortbilder, biometrisk identifikasjon (som ansikt og fingeravtrykk) og adferdsidentifikasjon.

  • Merkevare- og omdømmeledelse: Overvåke kunde- og mediasensiment om selskapet for å reagere på markedsføringskampanjer og adressere negativ publisitet. Dette gjøres ved å overvåke tradisjonelle medier og sosiale medier (som tilbakemeldingskommentarer, likes, delinger, meninger..) og andre informasjonskilder (f.eks. kundesenteroppføringer) for å identifisere kundenes sentiment og trender.

  • Skadebehandling: Automatisering av behandling av skader med ustrukturerte data, for eksempel bilder av skadede forsikringsobjekter og forsikringsekspertrapporter.

  • Chatbots og automatiserte kundesentre: Bruke AI til å kategorisere og merke kundeinteraksjoner, sende interaksjoner effektivt, foreslå standard svarmaler og til og med automatisere svar på tvers av ulike kommunikasjonskanaler (e-post, telefonsamtale og chatteboks).

  • Sentimentanalyse på e-poster, chat-økter, tale- og videoopptak og ustrukturerte sammendrag av kommunikasjon for å forstå tilbakemeldinger fra kunder og interaksjoner mellom ansatte og kunder.

  • Utgifts- og fakturahåndtering: Konvertering av økonomiske dokumenter til strukturerte data for automatisk behandling (f.eks. korrekt bokføring i riktig regnskapskategori).

Gruppe 2: Bedre prediksjon og ressursallokering

I finansnæringen (akkurat som i alle andre bransjer) er ressurser som mennesker og penger knappe og bør allokeres så effektivt som mulig. AI kan spille en avgjørende rolle i å forutsi hvor disse ressursene er mest nødvendig og hvor de kan gi den høyeste merverdien.

Merknader: Oppmerksomheten til en kunde kan også betraktes som en knapp ressurs, noe som betyr at enhver kommunikasjon eller tilbud bør være svært personlig tilpasset for å sikre at kundens begrensede oppmerksomhetsspenn blir optimalt brukt.

Disse brukstilfellene kan kategoriseres i to underkategorier:

Sektoragnostiske brukstilfeller

  • Segmentering av kunder basert på tilgjengelige data (f.eks. kundeprofilering, analyse av transaksjonsmønstre, tidligere og umiddelbar kundeadferd …) for å bestemme best mulige virkemidler (beste kanalmiks) og kommunikasjonsstil (kontaktoptimalisering) og allokere ressurser til kundene med høyest potensial fremtidige inntekter.

  • Churn-deteksjon for å identifisere og beholde kunder med risiko for å forlate. Ved å tildele ekstra ressurser til disse kundene, for eksempel ansatte som kontakter kunden eller tilbyr visse insentiver (f.eks. rabatter eller bedre renter) for å hindre kunden i å churning.

  • Identifiser beste prospekter og salgsmuligheter: ut av en liste over potensielle kunder identifiserer de som er mest sannsynlig å bli en kunde, men identifiser også hvilke eksisterende kunder som best kan målrettes for kryss- og mersalgshandlinger.

  • Forutsi utviklingen i etterspørsel og tilbud, for eksempel identifisere hvor minibanker eller filialer best bør plasseres, forutsi hvor mange kundestøtteinteraksjoner som kan forventes for å sikre optimal bemanning av kundestøtteteamet eller forutsi belastningen på IT-infrastrukturen for å optimalisere skyinfrastrukturkostnadene.

  • Nest beste handling, Nest beste tilbud eller anbefalingsmotor for personaliserte kundeinteraksjoner, dvs. forutsi hvilken handling, produkt eller tjeneste som mest sannsynlig vil interessere en bruker på et gitt tidspunkt. Å tillate enkel tilgang til denne prosessen kan hjelpe kunden eller enhver annen bruker (som interne ansatte) til å nå målet sitt raskere, og dermed resultere i økte inntekter og reduserte kostnader.

  • Prissetting av motor for å bestemme den optimale produkt- eller tjenesteprisen.

Spesifikke brukstilfeller for finanstjenester

  • Kredittscoremotor å vurdere kredittverdighet og ta effektive lånebeslutninger. Denne motoren tar sikte på å forutsi sannsynligheten for mislighold og den estimerte tapsverdien i tilfelle mislighold, for å avgjøre om en kreditt skal aksepteres eller ikke. Dette er også et prediksjonsproblem, som sikrer at pengene til banken brukes på en mest mulig effektiv måte.

  • Motor for svindeldeteksjon å identifisere og forhindre uredelige økonomiske transaksjoner, inkludert nettsvindel (cybertrusler) og betalingssvindel. Motoren forutsier om den faktiske oppførselen til en bruker samsvarer med forventet (forutsagt) oppførsel. Hvis ikke, er det sannsynligvis et tilfelle av svindel. Disse motorene bidrar til å redusere inntektstap, unngå merkevareskade og gir en friksjonsfri kundeopplevelse på nett.

  • Robo-rådgivende tjenester for å skape optimale investeringsporteføljer basert på markedstrender, gjeldende investeringsportefølje og kundebegrensninger (som risikoprofil, bærekraftsbegrensninger, investeringshorisont...​).

    • AML-deteksjonsmotor å oppdage (og stoppe) hvitvasking og kriminell aktivitet i finansielle transaksjoner.

    • Motor for likviditetsrisikostyring for å optimalisere kontantstrømmene. Dette er en tjeneste som kan tilbys kunder, men som også kreves internt for banken. Banken må sikre tilstrekkelig likviditet på balansen til å dekke alle uttak, men også forutsi det fysiske kontantbehovet for å forsyne minibanker og filialer.

I tillegg til disse forretningsorienterte AI-brukstilfellene, ikke overse den interne bruken av AI øke de ansattes produktivitet. Generative AI-verktøy som ChatGPT kan hjelpe ulike avdelinger, som salg, markedsføring og IT, med å øke produktiviteten deres.

Som angitt i bloggen min "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 kategorien (dvs. "Mer effektiv håndtering av ustrukturerte data") har etter min mening det største potensialet, selv om det krever svært spesifikke AI-ferdigheter og komplekse AI-modeller. Derfor vil mange finansielle tjenester sannsynligvis bruke forhåndsopplærte modeller for denne kategorien brukstilfeller.

Brukstilfellene i den andre kategorien (dvs. «Bedre prediksjon og bedre allokering av knappe ressurser») er også lovende og kan gi raskere resultater enn brukstilfellene i kategori 1. Men merverdien deres sammenlignet med tradisjonelle regelbaserte algoritmer er ikke alltid garantert, de mangler ofte gjennomsiktighet og er vanskelige å finjustere. Som et resultat ser disse brukstilfellene ofte mer lovende ut enn de faktisk er.

I mange tilfeller vil ikke bankene trenge å investere direkte i AI, ettersom det allerede eksisterer mange programvareløsninger, som ikke bare tilbyr AI-modeller, men også omfatter arbeidsflyten og forretningslogikken rundt dem.
For hvert brukstilfelle kan finansielle tjenesteselskaper faktisk velge mellom tre alternativer:

  • Alternativ 1: Bygge en modell fra bunnen av bruker plattformer som AWS SageMaker eller GCP AI Platform. Dette betyr at selskapet må identifisere et godt dataopplæringssett, sette opp en modell og trene selve modellen. For eksempel har KBC bygget en stor del av sin virtuelle assistent (kalt Kate) fullt internt ved å bruke GCP AI-teknologier.

  • Alternativ 2: Ved hjelp av ferdig trent skybaserte modeller som lett kan distribueres og tilpasses, for eksempel AWS Fraud Detector, AWS Personalize eller tilpassede versjoner av ChatGPT (jfr. kunngjøring av OpenAI for å introdusere nytt konsept for GPTer) for spesifikke brukstilfeller.

  • Alternativ 3: Anskaffelse komplette programvareløsninger som inkluderer interne AI-modeller, skjermer, arbeidsflyter og prosesser. Det finnes mange løsninger i finansnæringen, som Discai (som kommersialiserer AI-modellene bygget internt av KBC bank), ComplyAdvantage, Zest AI, Scienaptic AI, DataRobot, Kensho Technologies, Tegus, Canoe, Abe.ai…

Beslutningen om hvilket alternativ som skal velges avhenger av finansselskapets spesifikke behov. Å forstå egenskapene og begrensningene til AI-modeller, ha en solid datastrategi og vite hvordan man gjør data tilgjengelig for eksterne modeller og verktøy er avgjørende skritt for et finansselskap som ønsker å ta i bruk AI. Disse trinnene er vanligvis viktigere enn å ha dyp intern AI-kunnskap.

Å ta i bruk AI i finansnæringen er helt klart en nødvendighet for å forbli konkurransedyktig og møte kundenes krav. Den riktige tilnærmingen (bygg versus kjøp), kombinert med veloverveide brukstilfeller, kan bane vei for en vellykket AI-reise.

Sjekk ut alle bloggene mine på https://bankloch.blogspot.com/

Tidstempel:

Mer fra Fintextra