Deblocarea puterii AI: remodelarea serviciilor financiare

AI este a subiect fierbinte și sunt publicate numeroase articole care afirmă că companiile de servicii financiare care nu adoptă AI astăzi riscă să devină învechite mâine. Cu toate acestea, ca și în cazul multor hype, adoptarea AI de către industrie s-ar putea să nu se desfășoare la fel de rapid pe cât se prevede în mod obișnuit. Doar ca exemplu, în ultimele două decenii, experții au prognozat învechirea băncilor care utilizează vechi sisteme mainframe vechi. Cu toate acestea, chiar și după 20 de ani, multe bănci se bazează în continuare pe aplicații bancare de bază critice construite pe tehnologiile mainframe vechi, iar aceste bănci rămân la fel de puternice (dacă nu mai puternice) ca acum două decenii.

Acestea fiind spuse, AI este aici pentru a rămâne, iar adoptarea treptată este esențială. După cum am discutat în blogul meu, „Potrivirea potrivită: Evaluarea valorii afacerii înainte de adoptarea AI/ML” (https://bankloch.blogspot.com/2023/10/the-right-fit-assessing-business-value.html), este esențial ca băncile să-și aleagă cu înțelepciune bătăliile AI, mai degrabă decât să implementeze AI de dragul acesteia.

Crearea unei liste cuprinzătoare de cazuri de utilizare a AI în industria serviciilor financiare este, prin urmare, imperativă. În opinia mea, putem clasifica toate cazurile de utilizare a AI din industria serviciilor financiare în două grupuri principale:

Grupa 1: Gestionarea mai eficientă a datelor nestructurate

Această categorie se concentrează pe colectarea, analizarea și procesarea datelor care nu pot fi bine structurate într-o bază de date SQL. De obicei, include date din documente, discurs sau imagini, care provin adesea de la terți, cum ar fi guvernul, sau de la servicii non-digitale pentru clienți care au nevoie de transformare într-un format digital. Aceste cazuri de utilizare vizează în primul rând reducerea costurilor, deoarece procesarea datelor nestructurate poate consuma foarte mult resurse. Creșterea IA face din ce în ce mai fezabilă automatizarea acestor procese.

Exemplele includ:

• Gestionarea documentelor KYC și KYB: procesarea imaginilor cărților de identitate, a publicațiilor guvernamentale sau a statutelor companiei pentru a obține o mai bună înțelegere a clienților și a structurilor companiei.

• Gestionarea identității: Similar cu KYC/KYB, dar concentrat pe autentificarea continuă și semnarea tranzacțiilor, folosind date nestructurate, cum ar fi imaginile cărților de identitate, identificarea biometrică (cum ar fi fața și amprenta) și identificarea comportamentală.

• Managementul mărcii și reputației: Monitorizarea sentimentului clienților și media cu privire la companie pentru a reacționa la campaniile de marketing și pentru a aborda publicitatea negativă. Acest lucru se realizează prin monitorizarea mass-media tradiționale și a rețelelor sociale (cum ar fi comentarii de feedback, aprecieri, distribuiri, opinii...) și alte surse de informații (de exemplu, înregistrările centrului de apeluri) pentru a identifica sentimentul și tendințele clienților.

• Managementul daunelor: Automatizarea procesării daunelor cu date nestructurate, cum ar fi imagini cu obiecte asigurate deteriorate și rapoarte de expertiză în asigurări.

• Chatbot și centre de apel automatizate: Folosind inteligența artificială pentru a clasifica și eticheta interacțiunile cu clienții, pentru a trimite interacțiunile în mod eficient, pentru a propune șabloane standard de răspuns și chiar pentru a automatiza complet răspunsurile pe diverse canale de comunicare (e-mail, apel telefonic și căsuță de chat).

• Analiza sentimentelor pe e-mailuri, sesiuni de chat, înregistrări vocale și video și rezumate nestructurate ale comunicării pentru a înțelege feedback-ul clienților și interacțiunile angajat-client.

• Managementul cheltuielilor și facturilor: Transformarea documentelor financiare în date structurate pentru procesare automată (de ex. rezervarea corectă a acestora în categoria contabilă potrivită).

Grupa 2: O mai bună predicție și alocare de resurse

În industria serviciilor financiare (la fel ca în orice altă industrie), resurse precum oamenii și banii sunt rare și ar trebui alocate cât mai eficient posibil. Inteligența artificială poate juca un rol crucial în prezicerea locurilor în care aceste resurse sunt cele mai necesare și unde pot genera cea mai mare valoare adăugată.

notițe: Atenția unui client poate fi, de asemenea, considerată o resursă limitată, ceea ce înseamnă că orice comunicare sau ofertă ar trebui să fie foarte personalizată pentru a se asigura că intervalul limitat de atenție al clientului este utilizat în mod optim.

Aceste cazuri de utilizare pot fi clasificate în două subcategorii:

Cazuri de utilizare agnostice de sector

• Segmentarea clienților pe baza datelor disponibile (de exemplu, profilarea clienților, analiza modelelor de tranzacții, comportamentul trecut și imediat al clienților...) pentru a determina cele mai bune mijloace posibile (cel mai bun mix de canale) și stilul de comunicare (optimizarea contactului) și a aloca resurse clienților cu cel mai mare potențial venituri viitoare.

• Detecția șocuri pentru a identifica și păstra clienții cu risc de a pleca. Prin alocarea de resurse suplimentare acelor clienți, cum ar fi angajații care contactează clientul sau oferind anumite stimulente (de exemplu, reduceri sau rate ale dobânzilor mai bune) pentru a împiedica clientul să se retragă.

• Identificați cele mai bune perspective și oportunități de vânzare: dintr-o listă de clienți potențiali, îi identifică pe cei care au cel mai mare șans să devină client, dar identifică și care clienți existenți pot fi vizați cel mai bine pentru acțiuni de cross-selling și up-selling.

• Preziceți evoluțiile cererii și ofertei, de exemplu, identificați unde ar trebui amplasate cel mai bine bancomatele sau sucursalele, preziceți câte interacțiuni de asistență pentru clienți pot fi așteptate pentru a asigura personalul optim al echipei de asistență pentru clienți sau preziceți sarcina asupra infrastructurii IT pentru a optimiza costurile infrastructurii cloud.

• Următoarea cea mai bună acțiune, următoarea cea mai bună ofertă sau motorul de recomandare pentru interacțiuni personalizate cu clienții, adică preziceți care acțiune, produs sau serviciu este cel mai probabil să intereseze un utilizator la un moment dat. Permiterea accesului ușor la acest proces poate ajuta clientul sau orice alt utilizator (cum ar fi angajații interni) să își atingă obiectivul mai rapid, rezultând astfel venituri crescute și costuri reduse.

• Motor de stabilire a prețurilor pentru determinarea prețului optim al produsului sau serviciului.

Cazuri de utilizare specifice industriei serviciilor financiare

• Motor de punctare a creditelor pentru a evalua bonitatea și a lua decizii eficiente de creditare. Acest motor își propune să prezică probabilitatea de nerambursare și valoarea estimată a pierderii în caz de nerambursare, pentru a determina dacă un credit trebuie acceptat sau nu. Aceasta este și o problemă de predicție, care asigură că banii băncii sunt cheltuiți în cel mai eficient mod posibil.

• Motor de detectare a fraudelor pentru a identifica și a preveni tranzacțiile financiare frauduloase, inclusiv frauda online (amenințări cibernetice) și frauda de plată. Motorul prezice dacă comportamentul real al unui utilizator se potrivește cu comportamentul așteptat (prevăzut). Dacă nu, este probabil un caz de fraudă. Aceste motoare ajută la reducerea pierderilor de venituri, la evitarea deteriorarii mărcii și oferă clienților o experiență online fără fricțiuni.

• Robo-consultativ servicii pentru a crea portofolii optime de investiții bazate pe tendințele pieței, portofoliul actual de investiții și constrângerile clienților (cum ar fi profilul de risc, constrângerile de sustenabilitate, orizontul de investiții...​).

  • Motor de detectare AML pentru a detecta (și stopa) spălarea banilor și activitatea criminală în tranzacțiile financiare.

  • Motor de management al riscului de lichiditate pentru optimizarea fluxurilor de numerar. Acesta este un serviciu care poate fi oferit clienților, dar care este solicitat și intern pentru bancă. Banca trebuie să asigure suficientă lichiditate în bilanțul său pentru a acoperi toate retragerile, dar și pentru a anticipa nevoile fizice de numerar pentru a furniza bancomate și sucursale.

În plus față de aceste cazuri de utilizare AI orientate spre afaceri, nu treceți cu vederea utilizarea internă a AI pentru spori productivitatea angajatului. Instrumentele AI generative, cum ar fi ChatGPT, pot ajuta diverse departamente, cum ar fi vânzări, marketing și IT, să-și sporească productivitatea.

După cum este indicat în blogul meu „Potrivirea potrivită: Evaluarea valorii afacerii înainte de adoptarea AI/ML” (https://bankloch.blogspot.com/2023/10/the-right-fit-assessing-business-value.html), prima categorie (adică „Manipulare mai eficientă a datelor nestructurate”) deține, în opinia mea, cel mai mare potențial, deși necesită abilități AI foarte specifice și modele AI complexe. Prin urmare, este posibil ca multe companii de servicii financiare să utilizeze modele pre-instruite pentru această categorie de cazuri de utilizare.

Cazurile de utilizare din a doua categorie (adică „Predicție mai bună și alocare mai bună a resurselor limitate”) sunt, de asemenea, promițătoare și pot da rezultate mai rapid decât cazurile de utilizare din categoria 1. Cu toate acestea, valoarea adăugată a acestora în comparație cu algoritmii tradiționali bazați pe reguli este nu întotdeauna garantate, de multe ori le lipsește transparența și sunt greu de ajustat. Ca rezultat, AI acele cazuri de utilizare par adesea mai promițătoare decât sunt de fapt.

În multe cazuri, băncile nu vor trebui să investească direct în AI, deoarece există deja numeroase soluții software, oferind nu numai modele AI, ci și cuprinzând fluxul de lucru și logica de afaceri din jurul lor.
Pentru fiecare caz de utilizare, companiile de servicii financiare pot alege între ele trei opțiuni:

• opţiunea 1: Construirea unui model de la zero folosind platforme precum AWS SageMaker sau GCP AI Platform. Aceasta înseamnă că compania trebuie să identifice un set bun de instruire a datelor, să configureze un model și să antreneze modelul în sine. De exemplu, KBC și-a construit o mare parte din asistentul său virtual (numit Kate) complet intern, folosind tehnologii GCP AI.

• opţiunea 2: Folosind pre-antrenat Modele bazate pe cloud care sunt ușor de implementat și adaptabil, cum ar fi AWS Fraud Detector, AWS Personalize sau versiuni personalizate ale ChatGPT (conform anunțului OpenAI pentru introducerea unui nou concept de GPT) pentru cazuri de utilizare specifice.

• opţiunea 3: Dobândirea soluții software complete care includ modele interne AI, ecrane, fluxuri de lucru și procese. Există numeroase soluții în industria serviciilor financiare, precum Discai (care comercializează modelele AI construite intern de banca KBC), ComplyAdvantage, Zest AI, Scienaptic AI, DataRobot, Kensho Technologies, Tegus, Canoe, Abe.ai...​

Decizia asupra opțiunii de a alege depinde de nevoile specifice ale companiei de servicii financiare. Înțelegerea capacităților și limitărilor modelelor AI, a avea o strategie solidă de date și a ști cum să facă datele disponibile pentru modele și instrumente externe sunt pași esențiali pentru o companie de servicii financiare care dorește să adopte AI. Acești pași sunt de obicei mai importanți decât a avea cunoștințe interne profunde de AI.

Adoptarea inteligenței artificiale în industria serviciilor financiare este în mod clar o necesitate pentru a rămâne competitivi și a satisface cerințele clienților. Abordarea corectă (construire versus cumpărare), combinată cu cazuri de utilizare bine gândite, poate deschide calea pentru o călătorie de succes AI.

Vezi toate blogurile mele de pe https://bankloch.blogspot.com/

• Distribuție de conținut bazat pe SEO și PR. Amplifică-te astăzi.
• PlatoData.Network Vertical Generative Ai. Împuterniciți-vă. Accesați Aici.
• PlatoAiStream. Web3 Intelligence. Cunoștințe amplificate. Accesați Aici.
• PlatoESG. carbon, CleanTech, Energie, Mediu inconjurator, Solar, Managementul deșeurilor. Accesați Aici.
• PlatoHealth. Biotehnologie și Inteligență pentru studii clinice. Accesați Aici.
• Sursa: https://www.finextra.com/blogposting/25219/unlocking-the-power-of-ai-reshaping-financial-services?utm_medium=rssfinextra&utm_source=finextrablogs