Desbloqueando o poder da IA: remodelando os serviços financeiros

IA é um tópico quente e numerosos artigos são publicados afirmando que as empresas de serviços financeiros que não adotam a IA hoje correm o risco de se tornarem obsoletas amanhã. No entanto, tal como acontece com muitos exageros, a adopção da IA ​​pela indústria pode não prosseguir tão rapidamente como normalmente se prevê. Apenas a título de exemplo, nas últimas duas décadas, os especialistas têm previsto a obsolescência dos bancos que utilizam antigos sistemas legados de mainframe. No entanto, mesmo passados ​​20 anos, muitos bancos ainda dependem de aplicações bancárias essenciais, construídas com base em tecnologias legadas de mainframe, e estes bancos continuam tão fortes (se não mais fortes) como eram há duas décadas.

Dito isto, a IA veio para ficar e uma adoção gradual é essencial. Conforme discutido em meu blog, “The Right Fit: Avaliando o valor do negócio antes de adotar IA/ML” (https://bankloch.blogspot.com/2023/10/the-right-fit-assessing-business-value.html), é crucial que os bancos escolham sabiamente as suas batalhas de IA, em vez de implementarem a IA só por fazê-la.

A criação de uma lista abrangente de casos de uso de IA no setor de serviços financeiros é, portanto, imperativa. Na minha opinião, podemos categorizar todos os casos de uso de IA no setor de serviços financeiros em dois grupos principais:

Grupo 1: Tratamento mais eficiente de dados não estruturados

Esta categoria concentra-se na coleta, análise e processamento de dados que não podem ser estruturados de maneira organizada em um banco de dados SQL. Normalmente inclui dados de documentos, falas ou imagens, muitas vezes provenientes de terceiros, como o governo, ou de serviços de atendimento ao cliente não digitais que precisam de transformação para um formato digital. Esses casos de uso visam principalmente a redução de custos, já que o processamento de dados não estruturados pode consumir muitos recursos. A ascensão da IA ​​está tornando cada vez mais viável a automatização desses processos.

Os exemplos incluem:

• Tratamento de documentos KYC e KYB: Processamento de imagens de carteiras de identidade, publicações governamentais ou estatutos de empresas para obter uma melhor compreensão dos clientes e das estruturas da empresa.

• Gerenciamento de identidade: semelhante ao KYC/KYB, mas focado na autenticação contínua e assinatura de transações, usando dados não estruturados como imagens de cartões de identificação, identificação biométrica (como rosto e impressão digital) e identificação comportamental.

• Gestão de marca e reputação: Monitorar o sentimento dos clientes e da mídia sobre a empresa para reagir às campanhas de marketing e lidar com a publicidade negativa. Isto é feito monitorando a mídia tradicional e as mídias sociais (como comentários de feedback, curtidas, compartilhamentos, opiniões...) e outras fontes de informação (por exemplo, registros de call center) para identificar o sentimento e as tendências do cliente.

• Gestão de Reivindicações: Automatizando o processamento de sinistros com dados não estruturados, como fotos de objetos segurados danificados e laudos periciais de seguros.

• Chatbots e call centers automatizados: Utilizando IA para categorizar e marcar interações com clientes, despachar interações com eficiência, propor modelos de resposta padrão e até mesmo automatizar totalmente respostas em vários canais de comunicação (correio, chamada telefônica e caixa de bate-papo).

• Análise de sentimentos em e-mails, sessões de bate-papo, gravações de voz e vídeo e resumos não estruturados de comunicação para entender o feedback do cliente e as interações entre funcionários e clientes.

• Gerenciamento de despesas e faturas: Converter documentos financeiros em dados estruturados para processamento automático (por exemplo, registrá-los corretamente na categoria contábil correta).

Grupo 2: Melhor previsão e alocação de recursos

Na indústria de serviços financeiros (tal como em qualquer outra indústria), recursos como pessoas e dinheiro são escassos e devem ser atribuídos da forma mais eficiente possível. A IA pode desempenhar um papel crucial na previsão de onde estes recursos são mais necessários e onde podem produzir o maior valor acrescentado.

Note: A atenção de um cliente também pode ser considerada um recurso escasso, o que significa que qualquer comunicação ou oferta deve ser altamente personalizada para garantir que a atenção limitada do cliente seja utilizada de forma otimizada.

Esses casos de uso podem ser categorizados em duas subcategorias:

Casos de uso independentes do setor

• Segmentação de clientes com base nos dados disponíveis (por exemplo, perfil do cliente, análise de padrões de transação, comportamento passado e imediato do cliente…​) para determinar os melhores meios possíveis (melhor combinação de canais) e estilo de comunicação (otimização de contato) e alocar recursos aos clientes com maior potencial receitas futuras.

• Detecção de rotatividade para identificar e reter clientes em risco de saída. Alocando recursos extras a esses clientes, como funcionários entrando em contato com o cliente ou oferecendo determinados incentivos (por exemplo, descontos ou melhores taxas de juros) para evitar que o cliente abandone o negócio.

• Identifique os melhores clientes potenciais e oportunidades de vendas: a partir de uma lista de leads, identifique aqueles com maior probabilidade de se tornarem clientes, mas também identifique quais clientes existentes podem ser melhor direcionados para ações de venda cruzada e up-sell.

• Preveja evoluções na demanda e na oferta, por exemplo, identificar onde os caixas eletrônicos ou agências devem estar melhor localizados, prever quantas interações de suporte ao cliente podem ser esperadas para garantir a equipe ideal de suporte ao cliente ou prever a carga na infraestrutura de TI para otimizar os custos da infraestrutura em nuvem.

• Próxima melhor ação, Próxima melhor oferta ou Mecanismo de recomendação para interações personalizadas com o cliente, ou seja, prever qual ação, produto ou serviço tem maior probabilidade de interessar um usuário em um determinado momento. Permitir fácil acesso a esse processo pode ajudar o cliente ou qualquer outro usuário (como funcionários internos) a atingir seu objetivo com mais rapidez, resultando em aumento de receitas e redução de custos.

• Motor de preços para determinar o preço ideal do produto ou serviço.

Casos de uso específicos do setor de serviços financeiros

• Mecanismo de pontuação de crédito para avaliar a qualidade de crédito e tomar decisões de empréstimo eficientes. Este motor tem como objetivo prever a probabilidade de incumprimento e o valor estimado da perda em caso de incumprimento, para determinar se um crédito deve ser aceite ou não. Este é também um problema de previsão, que garante que o dinheiro do banco seja gasto da forma mais eficiente possível.

• Mecanismo de detecção de fraude para identificar e prevenir transações financeiras fraudulentas, incluindo fraudes online (ameaças cibernéticas) e fraudes de pagamento. O mecanismo prevê se o comportamento real de um usuário corresponde ao comportamento esperado (previsto). Caso contrário, é provável que seja um caso de fraude. Esses mecanismos ajudam a reduzir perdas de receita, evitam danos à marca e proporcionam uma experiência on-line sem atritos ao cliente.

• Robô-Aconselhamento serviços para criar carteiras de investimento ideais com base nas tendências do mercado, na carteira de investimentos atual e nas restrições do cliente (como perfil de risco, restrições de sustentabilidade, horizonte de investimento…​).

  • Mecanismo de detecção de AML detectar (e impedir) lavagem de dinheiro e atividades criminosas em transações financeiras.

  • Mecanismo de gerenciamento de risco de liquidez para otimizar fluxos de caixa. Este é um serviço que pode ser oferecido aos clientes, mas que também é exigido internamente pelo banco. O banco precisa de garantir liquidez suficiente no seu balanço para cobrir todos os levantamentos, mas também prever as necessidades de dinheiro físico para abastecer as máquinas ATM e as agências.

Além desses casos de uso de IA voltados para negócios, não negligencie o uso interno de IA para aumentar a produtividade dos funcionários. Ferramentas generativas de IA como ChatGPT podem ajudar vários departamentos, como vendas, marketing e TI, a aumentar sua produtividade.

Conforme indicado em meu blog “The Right Fit: Avaliando o valor do negócio antes de adotar IA/ML” (https://bankloch.blogspot.com/2023/10/the-right-fit-assessing-business-value.html), a primeira categoria (ou seja, “Tratamento mais eficiente de dados não estruturados”) contém, na minha opinião, o maior potencial, embora exija competências de IA muito específicas e modelos de IA complexos. Portanto, é provável que muitas empresas de serviços financeiros utilizem modelos pré-treinados para esta categoria de casos de uso.

Os casos de utilização da segunda categoria (ou seja, “Melhor previsão e melhor alocação de recursos escassos”) também são promissores e podem produzir resultados mais rapidamente do que os casos de utilização da categoria 1. No entanto, o seu valor acrescentado em comparação com algoritmos tradicionais baseados em regras é nem sempre garantidas, muitas vezes carecem de transparência e são difíceis de ajustar. Como resultado, esses casos de uso de IA geralmente parecem mais promissores do que realmente são.

Em muitos casos, os bancos não precisarão de investir diretamente em IA, uma vez que já existem inúmeras soluções de software, que oferecem não apenas modelos de IA, mas também abrangem o fluxo de trabalho e a lógica empresarial em torno deles.
Para cada caso de uso, as empresas de serviços financeiros podem escolher entre três opções:

• 1 opção: Construindo um modelo do princípio usando plataformas como AWS SageMaker ou GCP AI Platform. Isso significa que a empresa precisa identificar um bom conjunto de treinamento de dados, configurar um modelo e treinar o próprio modelo. Por exemplo, a KBC construiu grande parte de seu assistente virtual (chamado Kate) totalmente internamente usando tecnologias de IA do GCP.

• 2 opção: Usando pré-treinado modelos baseados em nuvem que são facilmente implantáveis ​​e adaptáveis, como AWS Fraud Detector, AWS Personalize ou versões personalizadas de ChatGPT (cfr. anúncio de OpenAI para introduzir novo conceito de GPTs) para casos de uso específicos.

• 3 opção: Adquirindo soluções completas de software que incluem modelos internos de IA, telas, fluxos de trabalho e processos. Existem inúmeras soluções na indústria de serviços financeiros, como Discai (que comercializa os modelos de IA construídos internamente pelo banco KBC), ComplyAdvantage, Zest AI, Scienaptic AI, DataRobot, Kensho Technologies, Tegus, Canoe, Abe.ai…​

A decisão sobre qual opção escolher depende das necessidades específicas da empresa de serviços financeiros. Compreender as capacidades e limitações dos modelos de IA, ter uma estratégia de dados sólida e saber como disponibilizar dados para modelos e ferramentas externas são passos cruciais para uma empresa de serviços financeiros que pretende adotar a IA. Essas etapas geralmente são mais importantes do que ter um conhecimento interno profundo de IA.

A adoção da IA ​​no setor de serviços financeiros é claramente uma necessidade para se manter competitivo e atender às demandas dos clientes. A abordagem correta (de construção versus compra), combinada com casos de uso bem considerados, pode preparar o caminho para uma jornada de IA bem-sucedida.

Confira todos os meus blogs no https://bankloch.blogspot.com/

• Conteúdo com tecnologia de SEO e distribuição de relações públicas. Seja amplificado hoje.
• PlatoData.Network Gerativa Vertical Ai. Capacite-se. Acesse aqui.
• PlatoAiStream. Inteligência Web3. Conhecimento Amplificado. Acesse aqui.
• PlatãoESG. Carbono Tecnologia Limpa, Energia, Ambiente, Solar, Gestão de resíduos. Acesse aqui.
• PlatoHealth. Inteligência em Biotecnologia e Ensaios Clínicos. Acesse aqui.
• Fonte: https://www.finextra.com/blogposting/25219/unlocking-the-power-of-ai-reshaping-financial-services?utm_medium=rssfinextra&utm_source=finextrablogs