Låsa upp kraften i AI: Omforma finansiella tjänster

Låsa upp kraften i AI: Omforma finansiella tjänster

Tidsstämpel: 17 november 2023 10:30
Unlocking the Power of AI: Reshaping Financial Services PlatoBlockchain Data Intelligence. Vertikal sökning. Ai.

AI är en hett ämne och många artiklar publiceras om att finansiella tjänsteföretag som inte använder AI idag riskerar att bli föråldrade i morgon. Men som med många hypes, kanske branschens införande av AI inte går så snabbt som vanligen förutspått. Bara som ett exempel, under de senaste två decennierna har experter förutspått att banker är föråldrade som använder gamla äldre stordatorsystem. Ändå, även efter 20 år, förlitar sig många banker fortfarande på viktiga banktillämpningar som bygger på äldre stordatorteknologier, och dessa banker är fortfarande lika starka (om inte starkare) som de var för två decennier sedan.

Med det sagt, AI är här för att stanna, och en gradvis adoption är avgörande. Som diskuterats i min blogg, "The Right Fit: Assessing Business Value before Adopting AI/ML" (https://bankloch.blogspot.com/2023/10/the-right-fit-assessing-business-value.html), är det avgörande för banker att välja sina AI-strider klokt, snarare än att implementera AI för sakens skull.

Det är därför absolut nödvändigt att skapa en omfattande lista över AI-användningsfall inom finansbranschen. Enligt min åsikt kan vi kategorisera alla AI-användningsfall inom finansbranschen i två huvudgrupper:

Grupp 1: Effektivare hantering av ostrukturerad data

Den här kategorin fokuserar på att samla in, analysera och bearbeta data som inte kan struktureras snyggt i en SQL-databas. Det inkluderar vanligtvis data från dokument, tal eller bilder, ofta från tredje part som regeringen eller från icke-digitala kundtjänster som behöver omvandlas till ett digitalt format. Dessa användningsfall syftar i första hand till kostnadsreduktion, eftersom bearbetning av ostrukturerad data kan vara mycket resurskrävande. Framväxten av AI gör det allt mer genomförbart att automatisera dessa processer.

Som exempel kan nämnas:

  • KYC och KYB dokumenthantering: Bearbetar bilder på identitetskort, offentliga publikationer eller företagsstadgar för att få en bättre förståelse för kunder och företagsstrukturer.

  • Identitetshantering: Liknar KYC/KYB men fokuserar på kontinuerlig autentisering och transaktionssignering, med hjälp av ostrukturerad data som ID-kortsbilder, biometrisk identifikation (som ansikte och fingeravtryck) och beteendeidentifiering.

  • Varumärkes- och ryktehantering: Övervaka kund- och mediasentiment om företaget för att reagera på marknadsföringskampanjer och ta itu med negativ publicitet. Detta görs genom att övervaka traditionella medier och sociala medier (som feedback-kommentarer, gilla-markeringar, delningar, åsikter...) och andra informationskällor (t.ex. callcenter-register) för att identifiera kundernas sentiment och trender.

  • Anspråkshantering: Automatisera hanteringen av skadeanspråk med ostrukturerade data, såsom bilder på skadade försäkringsobjekt och försäkringsexpertrapporter.

  • Chatbots och automatiserade callcenter: Använda AI för att kategorisera och tagga kundinteraktioner, skicka interaktioner effektivt, föreslå standardsvarsmallar och till och med automatisera svar över olika kommunikationskanaler (e-post, telefonsamtal och chatbox).

  • Sentimentanalys på e-postmeddelanden, chattsessioner, röst- och videoinspelningar och ostrukturerade sammanfattningar av kommunikation för att förstå kundfeedback och interaktion mellan medarbetare och kund.

  • Utgifts- och fakturahantering: Konvertera finansiella dokument till strukturerad data för automatisk behandling (t.ex. korrekt bokföring i rätt bokföringskategori).

Grupp 2: Bättre förutsägelse och resursallokering

Inom finansbranschen (precis som i alla andra branscher) är resurser som människor och pengar knappa och bör allokeras så effektivt som möjligt. AI kan spela en avgörande roll för att förutsäga var dessa resurser behövs mest och var de kan ge det högsta mervärdet.

Anmärkningar: En kunds uppmärksamhet kan också betraktas som en knapp resurs, vilket innebär att all kommunikation eller erbjudande bör vara mycket personlig för att säkerställa att kundens begränsade uppmärksamhetsspann används optimalt.

Dessa användningsfall kan kategoriseras i två underkategorier:

Sektoragnostiska användningsfall

  • Segmentering av kunder baserat på tillgänglig data (t.ex. kundprofilering, analys av transaktionsmönster, tidigare och omedelbara kundbeteenden...) för att bestämma bästa möjliga medel (bästa kanalmix) och kommunikationsstil (kontaktoptimering) och allokera resurser till kunder med högst potential framtida intäkter.

  • Churn-detektering att identifiera och behålla kunder som riskerar att lämna. Genom att tilldela extra resurser till dessa kunder, som att anställda kontaktar kunden eller erbjuder vissa incitament (t.ex. rabatter eller bättre räntor) för att förhindra att kunden churnar.

  • Identifiera bästa framtidsutsikter och försäljningsmöjligheter: ur en lista med potentiella kunder identifiera de som är mest sannolikt att bli kund, men också identifiera vilka befintliga kunder som bäst kan riktas mot kors- och merförsäljningsåtgärder.

  • Förutsäg utvecklingen av efterfrågan och utbud, t.ex. identifiera var uttagsautomater eller filialer bäst bör placeras, förutsäga hur många kundsupportinteraktioner som kan förväntas för att säkerställa optimal bemanning av kundsupportteamet eller förutsäga belastningen på IT-infrastrukturen för att optimera molninfrastrukturkostnaderna.

  • Näst bästa åtgärd, Näst bästa erbjudande eller rekommendationsmotor för personliga kundinteraktioner, dvs förutsäga vilken åtgärd, produkt eller tjänst som mest sannolikt kommer att intressera en användare vid varje given tidpunkt. Att tillåta enkel åtkomst till denna process kan hjälpa kunden eller andra användare (som interna anställda) att nå sina mål snabbare, vilket resulterar i ökade intäkter och minskade kostnader.

  • Prissättning av motor för att bestämma den optimala produkt- eller tjänstprissättningen.

Branschspecifika användningsfall för finansiella tjänster

  • Credit Scoring Engine att bedöma kreditvärdigheten och fatta effektiva lånebeslut. Denna motor syftar till att förutsäga sannolikheten för fallissemang och det uppskattade förlustvärdet vid fallissemang, för att avgöra om en kredit ska accepteras eller inte. Detta är också ett förutsägelseproblem, vilket säkerställer att bankens pengar spenderas på ett så effektivt sätt som möjligt.

  • Motor för att upptäcka bedrägerier för att identifiera och förhindra bedrägliga finansiella transaktioner, inklusive onlinebedrägerier (cyberhot) och betalningsbedrägerier. Motorn förutsäger om det faktiska beteendet hos en användare matchar det förväntade (förutspådda) beteendet. Om inte är det sannolikt ett fall av bedrägeri. Dessa motorer hjälper till att minska intäktsförluster, undvika varumärkesskador och ger en friktionsfri kundupplevelse online.

  • Robo-rådgivande tjänster för att skapa optimala investeringsportföljer baserade på marknadstrender, den nuvarande investeringsportföljen och kundbegränsningar (som riskprofil, hållbarhetsbegränsningar, investeringshorisont...​).

    • AML-detektionsmotor att upptäcka (och stoppa) penningtvätt och kriminell verksamhet i finansiella transaktioner.

    • Motor för hantering av likviditetsrisk för att optimera kassaflöden. Detta är en tjänst som kan erbjudas kunder, men som även krävs internt för banken. Banken måste säkerställa tillräcklig likviditet på sin balansräkning för att täcka alla uttag, men också för att förutse det fysiska kontantbehovet för att förse bankomater och filialer.

Utöver dessa affärsorienterade AI-användningsfall, glöm inte bort den interna användningen av AI öka de anställdas produktivitet. Generativa AI-verktyg som ChatGPT kan hjälpa olika avdelningar, såsom försäljning, marknadsföring och IT, att öka sin produktivitet.

Som anges i min blogg "The Right Fit: Assessing Business Value before Adopting AI/ML" (https://bankloch.blogspot.com/2023/10/the-right-fit-assessing-business-value.html), den första kategorin (dvs. "Effektivare hantering av ostrukturerad data") har enligt min mening den största potentialen, även om det kräver mycket specifika AI-kunskaper och komplexa AI-modeller. Därför kommer många företag inom finansiella tjänster sannolikt att använda förutbildade modeller för denna kategori av användningsfall.

Användningsfallen i den andra kategorin (dvs. ”Bättre förutsägelse och bättre allokering av knappa resurser”) är också lovande och kan ge snabbare resultat än användningsfallen i kategori 1. Men deras mervärde jämfört med traditionella regelbaserade algoritmer är inte alltid garanterade, de saknar ofta transparens och är svåra att finjustera. Som ett resultat av detta ser AI dessa användningsfall ofta mer lovande ut än de faktiskt är.

I många fall behöver banker inte investera direkt i AI, eftersom det redan finns många mjukvarulösningar som inte bara erbjuder AI-modeller utan också omfattar arbetsflödet och affärslogiken runt dem.
För varje användningsfall kan finansiella tjänsteföretag faktiskt välja mellan tre alternativ:

  • Alternativet 1: Bygga en modell från början använder plattformar som AWS SageMaker eller GCP AI Platform. Detta innebär att företaget måste identifiera en bra datautbildningsuppsättning, sätta upp en modell och träna själva modellen. KBC har till exempel byggt en stor del av sin virtuella assistent (kallad Kate) helt internt med hjälp av GCP AI-teknik.

  • Alternativet 2: Använder sig av förutbildad molnbaserade modeller som är lätta att distribuera och anpassningsbara, såsom AWS Fraud Detector, AWS Personalize eller anpassade versioner av ChatGPT (jfr tillkännagivandet av OpenAI för att introducera ett nytt koncept med GPT) för specifika användningsfall.

  • Alternativet 3: Förvärva kompletta mjukvarulösningar som inkluderar interna AI-modeller, skärmar, arbetsflöden och processer. Det finns många lösningar inom finansbranschen, såsom Discai (som kommersialiserar AI-modellerna byggda internt av KBC bank), ComplyAdvantage, Zest AI, Scienaptic AI, DataRobot, Kensho Technologies, Tegus, Canoe, Abe.ai...

Beslutet om vilket alternativ som ska väljas beror på det finansiella tjänsteföretagets specifika behov. Att förstå AI-modellernas möjligheter och begränsningar, ha en solid datastrategi och veta hur man gör data tillgänglig för externa modeller och verktyg är avgörande steg för ett finansiellt tjänsteföretag som vill ta till sig AI. Dessa steg är vanligtvis viktigare än att ha djup intern AI-kunskap.

Att ta till sig AI i finansbranschen är helt klart en nödvändighet för att förbli konkurrenskraftig och möta kundernas krav. Rätt tillvägagångssätt (byggt kontra köp), i kombination med väl övervägda användningsfall, kan bana väg för en framgångsrik AI-resa.

Kolla in alla mina bloggar på https://bankloch.blogspot.com/

Tidsstämpel:

Mer från Fintextra