Zephyrnet-logo

Generatieve data-intelligentie

Fintech

De kracht van AI ontsluiten: financiële dienstverlening opnieuw vormgeven

Heruitgegeven door Plato
Heruitgegeven door Plato

Datum:

Aantal keer bekeken: 127

AI is een hot topic en er worden talloze artikelen gepubliceerd waarin wordt gesteld dat financiële dienstverleners die vandaag de dag geen AI adopteren, morgen verouderd dreigen te raken. Maar zoals bij veel hypes zal de adoptie van AI door de industrie wellicht niet zo snel verlopen als vaak wordt voorspeld. Om een ​​voorbeeld te geven: de afgelopen twintig jaar hebben deskundigen de veroudering voorspeld van banken die gebruik maken van oude, verouderde mainframesystemen. Maar zelfs na twintig jaar vertrouwen veel banken nog steeds op cruciale bankapplicaties die zijn gebouwd op oudere mainframetechnologieën, en deze banken zijn nog steeds even sterk (zo niet sterker) als twintig jaar geleden.

Dat gezegd hebbende, is AI een blijvertje en is een geleidelijke adoptie essentieel. Zoals besproken in mijn blog: “De juiste match: de bedrijfswaarde beoordelen voordat we AI/ML adopteren” (https://bankloch.blogspot.com/2023/10/the-right-fit-assessing-business-value.html), is het van cruciaal belang dat banken hun AI-strijd verstandig kiezen, in plaats van AI omwille van de AI te implementeren.

Het creëren van een uitgebreide lijst met AI-gebruiksscenario’s in de financiële dienstverlening is daarom absoluut noodzakelijk. Naar mijn mening kunnen we alle AI-gebruiksscenario’s in de financiële dienstverlening indelen in: twee hoofdgroepen:

Groep 1: Efficiënter omgaan met ongestructureerde data

Deze categorie richt zich op het verzamelen, analyseren en verwerken van gegevens die niet netjes gestructureerd kunnen worden in een SQL-database. Het omvat doorgaans gegevens uit documenten, spraak of afbeeldingen, vaak afkomstig van derden zoals de overheid of van niet-digitale klantenservices die moeten worden omgezet in een digitaal formaat. Deze gebruiksscenario's zijn primair gericht op kostenreductie, omdat het verwerken van ongestructureerde gegevens zeer arbeidsintensief kan zijn. De opkomst van AI maakt het steeds haalbaarder om deze processen te automatiseren.

Voorbeelden hiervan zijn:

  • KYC- en KYB-documentafhandeling: Verwerking van afbeeldingen van identiteitskaarten, overheidspublicaties of bedrijfsstatuten om een ​​beter inzicht te krijgen in klanten en bedrijfsstructuren.

  • Identiteitsbeheer: Vergelijkbaar met KYC/KYB, maar gericht op continue authenticatie en ondertekening van transacties, waarbij gebruik wordt gemaakt van ongestructureerde gegevens zoals ID-kaartafbeeldingen, biometrische identificatie (zoals gezicht en vingerafdruk) en gedragsidentificatie.

  • Merk- en reputatiemanagement: Het monitoren van het klant- en mediasentiment over het bedrijf om te reageren op marketingcampagnes en om negatieve publiciteit aan te pakken. Dit wordt gedaan door het monitoren van traditionele media en sociale media (zoals feedback, likes, shares, meningen...) en andere informatiebronnen (bijvoorbeeld callcenterrecords) om het klantsentiment en de trends te identificeren.

  • Claimbeheer: Het automatiseren van de afhandeling van claims met ongestructureerde gegevens, zoals foto's van beschadigde verzekerde objecten en verzekeringsexpertrapporten.

  • Chatbots en geautomatiseerde callcenters: AI gebruiken om klantinteracties te categoriseren en te taggen, interacties efficiënt te verzenden, standaardantwoordsjablonen voor te stellen en zelfs antwoorden volledig te automatiseren via verschillende communicatiekanalen (mail, telefoontje en chatbox).

  • Sentiment analyse op e-mails, chatsessies, stem- en video-opnamen en ongestructureerde samenvattingen van communicatie om klantfeedback en interacties tussen medewerkers en klanten te begrijpen.

  • Kosten- en factuurbeheer: Het omzetten van financiële documenten naar gestructureerde gegevens voor automatische verwerking (bijvoorbeeld correct boeken in de juiste boekhoudcategorie).

Groep 2: Betere voorspelling en toewijzing van middelen

In de financiële dienstverleningssector (net als in elke andere sector) zijn middelen zoals mensen en geld schaars en moeten ze zo efficiënt mogelijk worden toegewezen. AI kan een cruciale rol spelen bij het voorspellen waar deze middelen het meest nodig zijn en waar ze de hoogste toegevoegde waarde kunnen opleveren.

Note: De aandacht van een klant kan ook worden beschouwd als een schaars goed, wat betekent dat elke communicatie of aanbieding zeer gepersonaliseerd moet zijn om ervoor te zorgen dat de beperkte aandachtsspanne van de klant optimaal wordt benut.

Deze gebruiksscenario's kunnen worden onderverdeeld in twee subcategorieën:

Sectoronafhankelijke gebruiksscenario's

  • Segmentatie van klanten op basis van beschikbare gegevens (bijv. klantprofilering, analyse van transactiepatronen, klantgedrag uit het verleden en onmiddellijk…​) voor het bepalen van de best mogelijke middelen (beste kanaalmix) en communicatiestijl (contactoptimalisatie) en het toewijzen van middelen aan de klanten met het hoogste potentieel toekomstige inkomsten.

  • Detectie van verloop om klanten te identificeren en te behouden die het risico lopen te vertrekken. Door extra middelen aan die klanten toe te wijzen, zoals medewerkers die contact opnemen met de klant of bepaalde prikkels aanbieden (bijvoorbeeld kortingen of betere rentetarieven) om te voorkomen dat de klant gaat karnen.

  • Identificeer de beste prospects en verkoopkansen: identificeer uit een lijst met leads degenen van wie de kans het grootst is dat ze klant worden, maar identificeer ook welke bestaande klanten het beste kunnen worden getarget voor cross- en up-sellingacties.

  • Voorspel evoluties in vraag en aanbod, bijvoorbeeld identificeren waar geldautomaten of filialen het beste kunnen worden geplaatst, voorspellen hoeveel klantondersteuningsinteracties kunnen worden verwacht om een ​​optimale bezetting van het klantenondersteuningsteam te garanderen of de belasting van de IT-infrastructuur voorspellen om de kosten van de cloudinfrastructuur te optimaliseren.

  • Volgende beste actie, Volgende beste aanbieding of Aanbevelingsengine voor gepersonaliseerde klantinteracties, dwz voorspellen welke actie, product of dienst een gebruiker op een bepaald moment waarschijnlijk zal interesseren. Door gemakkelijke toegang tot dit proces te verlenen, kan de klant of elke andere gebruiker (zoals interne medewerkers) zijn doel sneller bereiken, wat resulteert in hogere inkomsten en lagere kosten.

  • Prijsmotor voor het bepalen van de optimale prijs voor producten of diensten.

Specifieke gebruiksscenario's voor de financiële dienstverlening

  • Kredietscore-engine om de kredietwaardigheid te beoordelen en efficiënte kredietbeslissingen te nemen. Deze engine heeft tot doel de kans op wanbetaling en de geschatte verlieswaarde in geval van wanbetaling te voorspellen, om te bepalen of een krediet al dan niet moet worden geaccepteerd. Ook dit is een voorspellingsprobleem, dat ervoor zorgt dat het geld van de bank zo efficiënt mogelijk wordt besteed.

  • Fraudedetectie-engine om frauduleuze financiële transacties, waaronder onlinefraude (cyberdreigingen) en betalingsfraude, te identificeren en te voorkomen. De engine voorspelt of het daadwerkelijke gedrag van een gebruiker overeenkomt met het verwachte (voorspelde) gedrag. Als dat niet het geval is, is er waarschijnlijk sprake van fraude. Deze motoren helpen omzetverliezen te verminderen, merkschade te voorkomen en een soepele online klantervaring te bieden.

  • Robo-adviserend diensten om optimale beleggingsportefeuilles te creëren op basis van markttrends, de huidige beleggingsportefeuille en klantbeperkingen (zoals risicoprofiel, duurzaamheidsbeperkingen, investeringshorizon…​).

    • AML-detectie-engine om het witwassen van geld en criminele activiteiten bij financiële transacties op te sporen (en te stoppen).

    • Motor voor liquiditeitsrisicobeheer voor het optimaliseren van de cashflows. Dit is een dienst die aan klanten kan worden aangeboden, maar die ook intern voor de bank nodig is. De bank moet zorgen voor voldoende liquiditeit op haar balans om alle opnames te dekken, maar ook om te voorspellen hoeveel fysiek geld nodig is om geldautomaten en filialen te bevoorraden.

Naast deze bedrijfsgerichte AI-gebruiksscenario's mag ook het interne gebruik van AI niet over het hoofd worden gezien de productiviteit van werknemers verhogen. Generatieve AI-tools zoals ChatGPT kunnen verschillende afdelingen, zoals verkoop, marketing en IT, helpen bij het verhogen van hun productiviteit.

Zoals aangegeven in mijn blog “The Right Fit: Assessing Business Value before Adopting AI/ML” (https://bankloch.blogspot.com/2023/10/the-right-fit-assessing-business-value.html), heeft de eerste categorie (dat wil zeggen “Efficiënter omgaan met ongestructureerde gegevens”) naar mijn mening het grootste potentieel, hoewel dit zeer specifieke AI-vaardigheden en complexe AI-modellen vereist. Daarom zullen veel financiële dienstverleners waarschijnlijk vooraf getrainde modellen gebruiken voor deze categorie gebruiksscenario's.

Ook de use cases in de tweede categorie (dat wil zeggen “Betere voorspelling en betere allocatie van schaarse middelen”) zijn veelbelovend en kunnen sneller resultaten opleveren dan de use cases uit categorie 1. Hun toegevoegde waarde ten opzichte van traditionele, op regels gebaseerde algoritmen is echter Deze zijn niet altijd gegarandeerd, ontberen vaak transparantie en zijn moeilijk te verfijnen. Als gevolg hiervan zien AI-gebruiksscenario's er vaak veelbelovender uit dan ze in werkelijkheid zijn.

In veel gevallen zullen banken niet rechtstreeks in AI hoeven te investeren, omdat er al talloze softwareoplossingen bestaan ​​die niet alleen AI-modellen bieden, maar ook de workflow en bedrijfslogica eromheen omvatten.
Voor elke use case kunnen financiële dienstverleners daadwerkelijk kiezen tussen drie opties:

  • Option 1: Een model bouwen vanuit het niets met behulp van platforms zoals AWS SageMaker of GCP AI Platform. Dit betekent dat het bedrijf een goede datatrainingset moet identificeren, een model moet opzetten en het model zelf moet trainen. KBC heeft bijvoorbeeld een groot deel van zijn virtuele assistent (Kate genaamd) volledig intern gebouwd met behulp van GCP AI-technologieën.

  • Option 2: Gebruik makend van vooraf opgeleid cloudgebaseerde modellen die gemakkelijk inzetbaar en aanpasbaar zijn, zoals AWS Fraud Detector, AWS Personalize of aangepaste versies van ChatGPT (cfr. aankondiging van OpenAI om een ​​nieuw concept van GPT's te introduceren) voor specifieke gebruiksscenario's.

  • Option 3: Verwerven volledige softwareoplossingen waaronder interne AI-modellen, schermen, workflows en processen. Er bestaan ​​talloze oplossingen in de financiële dienstverleningssector, zoals Discai (dat de AI-modellen commercialiseert die intern door de KBC-bank zijn gebouwd), ComplyAdvantage, Zest AI, Scienaptic AI, DataRobot, Kensho Technologies, Tegus, Canoe, Abe.ai…​

De beslissing welke optie u kiest, hangt af van de specifieke behoeften van de financiële dienstverlener. Het begrijpen van de mogelijkheden en beperkingen van AI-modellen, het hebben van een solide datastrategie en weten hoe je data beschikbaar kunt maken voor externe modellen en tools zijn cruciale stappen voor een financiële dienstverlener die AI wil adopteren. Deze stappen zijn meestal belangrijker dan het hebben van diepgaande interne AI-kennis.

Het adopteren van AI in de financiële dienstverlening is duidelijk een noodzaak om concurrerend te blijven en aan de eisen van klanten te voldoen. De juiste aanpak (van bouwen versus kopen), gecombineerd met weloverwogen use cases, kan de weg vrijmaken voor een succesvol AI-traject.

Bekijk al mijn blogs op https://bankloch.blogspot.com/

spot_img

Laatste intelligentie

spot_img

Copyright @ 2024 Plato Technologies Inc.