ปลดล็อกพลังของ AI: พลิกโฉมบริการทางการเงิน

เอไอคือก ประเด็นร้อน และมีการเผยแพร่บทความจำนวนมากที่ระบุว่าบริษัทที่ให้บริการทางการเงินที่ไม่ใช้ AI ในปัจจุบันอาจเสี่ยงที่จะล้าสมัยในวันข้างหน้า อย่างไรก็ตาม เช่นเดียวกับที่มีกระแสฮือฮามากมาย การนำ AI มาใช้ในอุตสาหกรรมอาจไม่ดำเนินการอย่างรวดเร็วอย่างที่คาดการณ์กันโดยทั่วไป ตัวอย่างเช่น ในช่วงสองทศวรรษที่ผ่านมา ผู้เชี่ยวชาญได้คาดการณ์ถึงความล้าสมัยของธนาคารที่ใช้ระบบเมนเฟรมแบบเก่า แม้จะผ่านไป 20 ปี ธนาคารหลายแห่งยังคงพึ่งพาแอปพลิเคชันหลักด้านการธนาคารที่สำคัญซึ่งสร้างขึ้นจากเทคโนโลยีเมนเฟรมแบบเดิม และธนาคารเหล่านี้ยังคงแข็งแกร่ง (หากไม่แข็งแกร่งกว่านี้) เหมือนเมื่อสองทศวรรษที่แล้ว

ดังที่กล่าวไปแล้ว AI จะยังคงอยู่ และการนำไปใช้อย่างค่อยเป็นค่อยไปถือเป็นสิ่งสำคัญ ตามที่กล่าวไว้ในบล็อกของฉัน “ความพอดี: การประเมินมูลค่าทางธุรกิจก่อนนำ AI/ML มาใช้” (https://bankloch.blogspot.com/2023/10/the-right-fit-assessing-business-value.html) เป็นสิ่งสำคัญสำหรับธนาคารในการเลือกการต่อสู้ด้วย AI อย่างชาญฉลาด แทนที่จะใช้ AI เพื่อประโยชน์ของมัน

การสร้างรายการกรณีการใช้งาน AI ที่ครอบคลุมในอุตสาหกรรมบริการทางการเงินจึงมีความจำเป็น ในความคิดของฉัน เราสามารถจัดหมวดหมู่การใช้งาน AI ทั้งหมดในอุตสาหกรรมบริการทางการเงินได้ สองกลุ่มหลัก:

กลุ่มที่ 1: การจัดการข้อมูลที่ไม่มีโครงสร้างมีประสิทธิภาพมากขึ้น

หมวดหมู่นี้มุ่งเน้นไปที่การรวบรวม การวิเคราะห์ และการประมวลผลข้อมูลที่ไม่สามารถจัดโครงสร้างอย่างเรียบร้อยในฐานข้อมูล SQL โดยทั่วไปจะรวมข้อมูลจากเอกสาร คำพูด หรือรูปภาพ ซึ่งมักมาจากบุคคลที่สาม เช่น รัฐบาล หรือจากบริการลูกค้าที่ไม่ใช่ดิจิทัล ซึ่งจำเป็นต้องแปลงเป็นรูปแบบดิจิทัล กรณีการใช้งานเหล่านี้มีจุดมุ่งหมายเพื่อลดต้นทุนเป็นหลัก เนื่องจากการประมวลผลข้อมูลที่ไม่มีโครงสร้างอาจต้องใช้ทรัพยากรมาก การเพิ่มขึ้นของ AI ทำให้กระบวนการเหล่านี้เป็นแบบอัตโนมัติมีความเป็นไปได้มากขึ้น

ตัวอย่างเช่น:

• การจัดการเอกสาร KYC และ KYB: การประมวลผลภาพบัตรประจำตัวประชาชน สิ่งพิมพ์ของรัฐบาล หรือกฎเกณฑ์บริษัทเพื่อให้เข้าใจลูกค้าและโครงสร้างบริษัทดีขึ้น

• การจัดการข้อมูลประจำตัว: คล้ายกับ KYC/KYB แต่มุ่งเน้นไปที่การตรวจสอบสิทธิ์และการลงนามธุรกรรมอย่างต่อเนื่อง โดยใช้ข้อมูลที่ไม่มีโครงสร้าง เช่น รูปภาพบัตรประจำตัวประชาชน การระบุตัวตนด้วยชีวมาตร (เช่น ใบหน้าและลายนิ้วมือ) และการระบุพฤติกรรม

• การจัดการแบรนด์และชื่อเสียง: ติดตามความรู้สึกของลูกค้าและสื่อเกี่ยวกับบริษัทเพื่อตอบสนองต่อแคมเปญการตลาดและจัดการกับการประชาสัมพันธ์เชิงลบ ซึ่งทำได้โดยการตรวจสอบสื่อแบบดั้งเดิมและโซเชียลมีเดีย (เช่น ความคิดเห็นคำติชม การถูกใจ การแชร์ ความคิดเห็น...) และแหล่งข้อมูลอื่น ๆ (เช่น บันทึกของศูนย์บริการข้อมูลทางโทรศัพท์) เพื่อระบุความรู้สึกและแนวโน้มของลูกค้า

• การจัดการเคลม: ประมวลผลการเคลมโดยอัตโนมัติด้วยข้อมูลที่ไม่มีโครงสร้าง เช่น รูปภาพสิ่งของที่เอาประกันภัยที่เสียหาย และรายงานของผู้เชี่ยวชาญด้านประกันภัย

• Chatbots และศูนย์บริการอัตโนมัติ: การใช้ AI เพื่อจัดหมวดหมู่และแท็กการโต้ตอบของลูกค้า จัดส่งการโต้ตอบอย่างมีประสิทธิภาพ เสนอเทมเพลตการตอบกลับมาตรฐาน และแม้แต่การตอบกลับอัตโนมัติในช่องทางการสื่อสารต่างๆ (อีเมล โทรศัพท์ และกล่องแชท)

• การวิเคราะห์ความเชื่อมั่น ในอีเมล เซสชันการแชท การบันทึกเสียงและวิดีโอ และข้อมูลสรุปการสื่อสารที่ไม่มีโครงสร้างเพื่อทำความเข้าใจคำติชมของลูกค้าและการโต้ตอบระหว่างพนักงานกับลูกค้า

• การจัดการค่าใช้จ่ายและใบแจ้งหนี้: แปลงเอกสารทางการเงินให้เป็นข้อมูลที่มีโครงสร้างเพื่อการประมวลผลอัตโนมัติ (เช่น จองอย่างถูกต้องในหมวดบัญชีที่ถูกต้อง)

กลุ่มที่ 2: การคาดการณ์และการจัดสรรทรัพยากรที่ดีขึ้น

ในอุตสาหกรรมบริการทางการเงิน (เช่นเดียวกับในอุตสาหกรรมอื่นๆ) ทรัพยากรเช่นผู้คนและเงินเป็นสิ่งที่ขาดแคลนและควรได้รับการจัดสรรอย่างมีประสิทธิภาพที่สุดเท่าที่จะเป็นไปได้ AI สามารถมีบทบาทสำคัญในการคาดการณ์ว่าทรัพยากรเหล่านี้มีความจำเป็นมากที่สุดที่ใด และที่ใดที่จะสามารถสร้างมูลค่าเพิ่มสูงสุดได้

หมายเหตุ: ความเอาใจใส่ของลูกค้าถือได้ว่าเป็นทรัพยากรที่หายาก ซึ่งหมายความว่าการสื่อสารหรือข้อเสนอใดๆ ควรมีความเป็นส่วนตัวสูงเพื่อให้แน่ใจว่าช่วงความสนใจที่จำกัดของลูกค้าจะถูกใช้อย่างเหมาะสมที่สุด

กรณีการใช้งานเหล่านี้สามารถแบ่งได้เป็นสองประเภทย่อย:

กรณีการใช้งานที่ไม่เชื่อเรื่องพระเจ้าตามภาคส่วน

• การแบ่งกลุ่มลูกค้า ขึ้นอยู่กับข้อมูลที่มีอยู่ (เช่น โปรไฟล์ลูกค้า การวิเคราะห์รูปแบบธุรกรรม พฤติกรรมลูกค้าในอดีตและปัจจุบัน...​) เพื่อกำหนดวิธีการที่ดีที่สุด (การผสมผสานช่องทางที่ดีที่สุด) และรูปแบบการสื่อสาร (การเพิ่มประสิทธิภาพการติดต่อ) และการจัดสรรทรัพยากรให้กับลูกค้าที่มีศักยภาพสูงสุด รายได้ในอนาคต

• การตรวจจับการปั่นป่วน เพื่อระบุและรักษาลูกค้าที่เสี่ยงต่อการออกไป โดยการจัดสรรทรัพยากรเพิ่มเติมให้กับลูกค้าเหล่านั้น เช่น พนักงานติดต่อกับลูกค้า หรือเสนอสิ่งจูงใจบางอย่าง (เช่น ส่วนลดหรืออัตราดอกเบี้ยที่ดีกว่า) เพื่อป้องกันไม่ให้ลูกค้าเลิกใช้งาน

• ระบุแนวโน้มที่ดีที่สุดและโอกาสในการขาย: จากรายชื่อลูกค้าเป้าหมาย ให้ระบุผู้ที่มีแนวโน้มจะเป็นลูกค้ามากที่สุด แต่ยังระบุด้วยว่าลูกค้าปัจจุบันรายใดที่สามารถกำหนดเป้าหมายได้ดีที่สุดสำหรับการขายต่อเนื่องและการขายต่อยอด

• คาดการณ์วิวัฒนาการของอุปสงค์และอุปทานเช่น ระบุว่าเครื่อง ATM หรือสาขาใดควรตั้งอยู่ดีที่สุด คาดการณ์จำนวนการโต้ตอบกับฝ่ายสนับสนุนลูกค้าที่คาดหวังได้ เพื่อให้มั่นใจว่าทีมงานฝ่ายสนับสนุนลูกค้าจะมีพนักงานที่เหมาะสมที่สุด หรือคาดการณ์ภาระงานบนโครงสร้างพื้นฐานด้านไอทีเพื่อปรับต้นทุนโครงสร้างพื้นฐานคลาวด์ให้เหมาะสม

• การดำเนินการที่ดีที่สุดถัดไป ข้อเสนอที่ดีที่สุดถัดไป หรือเครื่องมือแนะนำ สำหรับการโต้ตอบกับลูกค้าแบบเฉพาะบุคคล เช่น คาดการณ์ว่าการกระทำ ผลิตภัณฑ์ หรือบริการใดมีแนวโน้มที่จะสนใจผู้ใช้มากที่สุดในช่วงเวลาใดก็ตาม การอนุญาตให้เข้าถึงกระบวนการนี้ได้ง่ายสามารถช่วยให้ลูกค้าหรือผู้ใช้รายอื่น (เช่น พนักงานภายใน) บรรลุเป้าหมายได้เร็วขึ้น ซึ่งส่งผลให้รายได้เพิ่มขึ้นและลดต้นทุน

• เครื่องมือกำหนดราคา เพื่อกำหนดราคาผลิตภัณฑ์หรือบริการที่เหมาะสมที่สุด

กรณีการใช้งานเฉพาะของอุตสาหกรรมบริการทางการเงิน

• เครื่องมือการให้คะแนนเครดิต เพื่อประเมินความน่าเชื่อถือทางเครดิตและตัดสินใจให้สินเชื่ออย่างมีประสิทธิภาพ กลไกนี้มีจุดมุ่งหมายเพื่อคาดการณ์ความน่าจะเป็นของการผิดนัดชำระหนี้และมูลค่าการสูญเสียโดยประมาณในกรณีที่ผิดนัดชำระหนี้ เพื่อพิจารณาว่าควรยอมรับเครดิตหรือไม่ นี่เป็นปัญหาในการคาดการณ์ด้วย ซึ่งทำให้แน่ใจได้ว่าเงินของธนาคารจะถูกใช้อย่างมีประสิทธิภาพมากที่สุดเท่าที่จะเป็นไปได้

• เครื่องมือตรวจจับการฉ้อโกง เพื่อระบุและป้องกันการฉ้อโกงธุรกรรมทางการเงิน รวมถึงการฉ้อโกงออนไลน์ (ภัยคุกคามทางไซเบอร์) และการฉ้อโกงการชำระเงิน กลไกคาดการณ์ว่าพฤติกรรมจริงของผู้ใช้ตรงกับพฤติกรรมที่คาดหวัง (คาดการณ์) หรือไม่ ถ้าไม่เช่นนั้นก็อาจเป็นกรณีของการฉ้อโกง เครื่องมือเหล่านี้ช่วยลดการสูญเสียรายได้ หลีกเลี่ยงความเสียหายของแบรนด์ และมอบประสบการณ์ออนไลน์ที่ราบรื่นแก่ลูกค้า

• Robo-ที่ปรึกษา บริการเพื่อสร้างพอร์ตการลงทุนที่เหมาะสมที่สุดตามแนวโน้มของตลาด พอร์ตการลงทุนในปัจจุบัน และข้อจำกัดของลูกค้า (เช่น ประวัติความเสี่ยง ข้อจำกัดด้านความยั่งยืน ระยะเวลาการลงทุน…​)

  • เครื่องมือตรวจจับ AML เพื่อตรวจจับ (และหยุด) การฟอกเงินและกิจกรรมทางอาญาในธุรกรรมทางการเงิน

  • เครื่องมือบริหารความเสี่ยงด้านสภาพคล่อง เพื่อเพิ่มประสิทธิภาพกระแสเงินสด นี่คือบริการที่สามารถเสนอให้กับลูกค้าได้ แต่ยังจำเป็นภายในสำหรับธนาคารด้วย ธนาคารจำเป็นต้องตรวจสอบให้แน่ใจว่ามีสภาพคล่องเพียงพอในงบดุลเพื่อครอบคลุมการถอนเงินทั้งหมด แต่ยังต้องคาดการณ์ความต้องการเงินสดทางกายภาพในการจัดหาเครื่อง ATM และสาขาด้วย

นอกเหนือจากกรณีการใช้งาน AI ที่มุ่งเน้นธุรกิจแล้ว อย่ามองข้ามการใช้งาน AI ภายใน เพิ่มประสิทธิภาพการทำงานของพนักงาน. เครื่องมือ AI เจนเนอเรชั่น เช่น ChatGPT สามารถช่วยแผนกต่างๆ เช่น การขาย การตลาด และไอที ในการเพิ่มประสิทธิภาพการทำงานได้

ตามที่ระบุในบล็อกของฉัน “ความพอดี: การประเมินมูลค่าทางธุรกิจก่อนนำ AI/ML มาใช้” (https://bankloch.blogspot.com/2023/10/the-right-fit-assessing-business-value.html) หมวดหมู่แรก (เช่น "การจัดการข้อมูลที่ไม่มีโครงสร้างที่มีประสิทธิภาพมากขึ้น") ถือเป็นศักยภาพสูงสุดในความคิดของฉัน แม้ว่าจะต้องใช้ทักษะ AI ที่เฉพาะเจาะจงมากและโมเดล AI ที่ซับซ้อนก็ตาม ดังนั้น บริษัทที่ให้บริการทางการเงินจำนวนมากจึงมีแนวโน้มที่จะใช้แบบจำลองที่ได้รับการฝึกอบรมล่วงหน้าสำหรับกรณีการใช้งานประเภทนี้

กรณีการใช้งานในหมวดหมู่ที่สอง (เช่น "การคาดการณ์ที่ดีขึ้นและการจัดสรรทรัพยากรที่หายากที่ดีขึ้น") ก็มีแนวโน้มเช่นกันและสามารถให้ผลลัพธ์ได้เร็วกว่ากรณีการใช้งานประเภทที่ 1 อย่างไรก็ตาม มูลค่าเพิ่มของพวกเขาเมื่อเปรียบเทียบกับอัลกอริธึมตามกฎแบบเดิมคือ ไม่รับประกันเสมอไป เนื่องจากมักขาดความโปร่งใสและยากต่อการปรับแต่ง เป็นผลให้กรณีการใช้งาน AI เหล่านั้นมักจะดูมีแนวโน้มมากกว่าที่เป็นจริง

ในหลายกรณี ธนาคารไม่จำเป็นต้องลงทุนใน AI โดยตรง เนื่องจากมีโซลูชันซอฟต์แวร์มากมายอยู่แล้ว ซึ่งไม่เพียงนำเสนอโมเดล AI เท่านั้น แต่ยังครอบคลุมขั้นตอนการทำงานและตรรกะทางธุรกิจรอบตัวอีกด้วย
สำหรับแต่ละกรณีการใช้งาน บริษัทที่ให้บริการทางการเงินสามารถเลือกได้ระหว่าง สามตัวเลือก:

• 1 ตัวเลือก: การสร้างแบบจำลอง จากรอยขีดข่วน ใช้แพลตฟอร์มเช่น AWS SageMaker หรือ GCP AI Platform ซึ่งหมายความว่าบริษัทจำเป็นต้องระบุชุดการฝึกอบรมข้อมูลที่ดี ตั้งค่าโมเดล และฝึกอบรมโมเดลเอง เช่น KBC ได้สร้างผู้ช่วยเสมือนส่วนใหญ่ (เรียกว่า Kate) ภายในองค์กรโดยใช้เทคโนโลยี GCP AI

• 2 ตัวเลือก: การใช้ อบรมล่วงหน้า โมเดลบนระบบคลาวด์ที่ปรับใช้และปรับเปลี่ยนได้ง่าย เช่น AWS Fraud Detector, AWS Personalize หรือ ChatGPT เวอร์ชันที่กำหนดเอง (ประกาศเปิดตัว OpenAI เพื่อแนะนำแนวคิดใหม่ของ GPT) สำหรับกรณีการใช้งานเฉพาะ

• 3 ตัวเลือก: กำลังรับ โซลูชั่นซอฟต์แวร์เต็มรูปแบบ ซึ่งรวมถึงโมเดล AI ภายใน หน้าจอ เวิร์กโฟลว์ และกระบวนการต่างๆ มีโซลูชันมากมายในอุตสาหกรรมบริการทางการเงิน เช่น Discai (ซึ่งจำหน่ายโมเดล AI ที่สร้างขึ้นภายในโดยธนาคาร KBC), ComplyAdvantage, Zest AI, Scienaptic AI, DataRobot, Kensho Technologies, Tegus, Canoe, Abe.ai...​

การตัดสินใจว่าจะเลือกตัวเลือกใดขึ้นอยู่กับความต้องการเฉพาะของบริษัทผู้ให้บริการทางการเงิน การทำความเข้าใจความสามารถและข้อจำกัดของโมเดล AI การมีกลยุทธ์ข้อมูลที่แข็งแกร่ง และการรู้วิธีทำให้ข้อมูลพร้อมใช้งานสำหรับโมเดลและเครื่องมือภายนอกเป็นขั้นตอนสำคัญสำหรับบริษัทผู้ให้บริการทางการเงินที่ต้องการนำ AI มาใช้ ขั้นตอนเหล่านี้มักจะมีความสำคัญมากกว่าการมีความรู้ AI ภายในเชิงลึก

การนำ AI มาใช้ในอุตสาหกรรมบริการทางการเงินมีความจำเป็นอย่างชัดเจนในการรักษาความสามารถในการแข่งขันและตอบสนองความต้องการของลูกค้า แนวทางที่ถูกต้อง (ระหว่างการสร้างกับการซื้อ) ผสมผสานกับกรณีการใช้งานที่ได้รับการพิจารณามาเป็นอย่างดี สามารถปูทางไปสู่การเดินทางของ AI ที่ประสบความสำเร็จได้

ตรวจสอบบล็อกทั้งหมดของฉันบน https://bankloch.blogspot.com/

• เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
• PlatoData.Network Vertical Generative Ai เพิ่มพลังให้กับตัวเอง เข้าถึงได้ที่นี่.
• เพลโตไอสตรีม. Web3 อัจฉริยะ ขยายความรู้ เข้าถึงได้ที่นี่.
• เพลโตESG. คาร์บอน, คลีนเทค, พลังงาน, สิ่งแวดล้อม แสงอาทิตย์, การจัดการของเสีย. เข้าถึงได้ที่นี่.
• เพลโตสุขภาพ เทคโนโลยีชีวภาพและข่าวกรองการทดลองทางคลินิก เข้าถึงได้ที่นี่.
• ที่มา: https://www.finextra.com/blogposting/25219/unlocking-the-power-of-ai-reshaping-financial-services?utm_medium=rssfinextra&utm_source=finextrablogs