Logo Zephyrnet

Trí thông minh dữ liệu tạo

Fintech

Giải phóng sức mạnh của AI: Định hình lại dịch vụ tài chính

Được xuất bản lại bởi Plato
Được xuất bản lại bởi Plato

Ngày:

Lượt xem: 126

AI là một chủ đề nóng và nhiều bài báo được xuất bản nói rằng các công ty dịch vụ tài chính không áp dụng AI ngày hôm nay có nguy cơ trở nên lỗi thời vào ngày mai. Tuy nhiên, giống như nhiều lời cường điệu, việc áp dụng AI trong ngành có thể không tiến triển nhanh như dự đoán. Lấy một ví dụ, trong hai thập kỷ qua, các chuyên gia đã dự báo về sự lỗi thời của các ngân hàng sử dụng hệ thống máy tính lớn cũ. Tuy nhiên, ngay cả sau 20 năm, nhiều ngân hàng vẫn dựa vào các ứng dụng ngân hàng cốt lõi quan trọng được xây dựng trên các công nghệ máy tính lớn truyền thống và các ngân hàng này vẫn mạnh (nếu không muốn nói là mạnh hơn) như hai thập kỷ trước.

Nói như vậy, AI sẽ tiếp tục tồn tại và việc áp dụng dần dần là điều cần thiết. Như đã thảo luận trong blog của tôi, “Sự phù hợp phù hợp: Đánh giá giá trị doanh nghiệp trước khi áp dụng AI/ML” (https://bankloch.blogspot.com/2023/10/the-right-fit-assessing-business-value.html), điều quan trọng là các ngân hàng phải lựa chọn cuộc chiến AI của mình một cách khôn ngoan, thay vì triển khai AI chỉ vì lợi ích của nó.

Do đó, việc tạo ra một danh sách đầy đủ các trường hợp sử dụng AI trong ngành dịch vụ tài chính là điều bắt buộc. Theo tôi, chúng ta có thể phân loại tất cả các trường hợp sử dụng AI trong ngành dịch vụ tài chính thành hai nhóm chính:

Nhóm 1: Xử lý dữ liệu phi cấu trúc hiệu quả hơn

Danh mục này tập trung vào việc thu thập, phân tích và xử lý dữ liệu không thể được cấu trúc gọn gàng trong cơ sở dữ liệu SQL. Nó thường bao gồm dữ liệu từ tài liệu, lời nói hoặc hình ảnh, thường xuất phát từ các bên thứ ba như chính phủ hoặc từ các dịch vụ khách hàng phi kỹ thuật số cần chuyển đổi sang định dạng kỹ thuật số. Các trường hợp sử dụng này chủ yếu nhằm mục đích giảm chi phí vì việc xử lý dữ liệu phi cấu trúc có thể rất tốn tài nguyên. Sự trỗi dậy của AI đang khiến việc tự động hóa các quy trình này ngày càng khả thi.

Ví dụ như:

  • Xử lý tài liệu KYC và KYB: Xử lý hình ảnh chứng minh thư, ấn phẩm của chính phủ hoặc quy chế công ty để hiểu rõ hơn về khách hàng và cơ cấu công ty.

  • Quản lý danh tính: Tương tự như KYC/KYB nhưng tập trung vào xác thực và ký giao dịch liên tục, sử dụng dữ liệu phi cấu trúc như hình ảnh CMND, nhận dạng sinh trắc học (như khuôn mặt và dấu vân tay) và nhận dạng hành vi.

  • Quản lý thương hiệu & danh tiếng: Giám sát cảm nhận của khách hàng và giới truyền thông về công ty để phản ứng với các chiến dịch tiếp thị và giải quyết những dư luận tiêu cực. Điều này được thực hiện bằng cách giám sát các phương tiện truyền thông truyền thống và phương tiện truyền thông xã hội (như nhận xét phản hồi, lượt thích, lượt chia sẻ, ý kiến..) và các nguồn thông tin khác (ví dụ: hồ sơ trung tâm cuộc gọi) để xác định tâm lý và xu hướng của khách hàng.

  • Quản lý xác nhận quyền sở hữu: Tự động xử lý các yêu cầu bồi thường bằng dữ liệu phi cấu trúc, chẳng hạn như hình ảnh các đối tượng được bảo hiểm bị hư hỏng và báo cáo của chuyên gia bảo hiểm.

  • Chatbots và trung tâm cuộc gọi tự động: Sử dụng AI để phân loại và gắn thẻ các tương tác của khách hàng, gửi tương tác hiệu quả, đề xuất các mẫu phản hồi tiêu chuẩn và thậm chí tự động hóa hoàn toàn các phản hồi trên nhiều kênh liên lạc khác nhau (thư, cuộc gọi điện thoại và hộp trò chuyện).

  • Phân tích tình cảm trên email, phiên trò chuyện, bản ghi âm giọng nói và video cũng như các bản tóm tắt giao tiếp không có cấu trúc để hiểu phản hồi của khách hàng và tương tác giữa nhân viên và khách hàng.

  • Quản lý chi phí và hóa đơn: Chuyển đổi tài liệu tài chính thành dữ liệu có cấu trúc để xử lý tự động (ví dụ: đặt chính xác vào đúng danh mục kế toán).

Nhóm 2: Dự đoán và phân bổ nguồn lực tốt hơn

Trong ngành dịch vụ tài chính (cũng giống như bất kỳ ngành nào khác), các nguồn lực như con người và tiền bạc đều khan hiếm và cần được phân bổ hiệu quả nhất có thể. AI có thể đóng một vai trò quan trọng trong việc dự đoán nơi nào cần những tài nguyên này nhất và nơi chúng có thể mang lại giá trị gia tăng cao nhất.

Chú thích: Sự chú ý của khách hàng cũng có thể được coi là nguồn lực khan hiếm, có nghĩa là bất kỳ thông tin liên lạc hoặc ưu đãi nào cũng phải được cá nhân hóa cao độ để đảm bảo rằng khoảng thời gian chú ý hạn chế của khách hàng được sử dụng một cách tối ưu.

Những trường hợp sử dụng này có thể được phân loại thành hai loại phụ:

Các trường hợp sử dụng bất khả tri theo ngành

  • Phân khúc khách hàng dựa trên dữ liệu có sẵn (ví dụ: lập hồ sơ khách hàng, phân tích mô hình giao dịch, hành vi khách hàng trong quá khứ và ngay lập tức…) để xác định phương tiện tốt nhất có thể (kết hợp kênh tốt nhất) và phong cách giao tiếp (tối ưu hóa liên hệ) và phân bổ nguồn lực cho khách hàng có tiềm năng cao nhất doanh thu trong tương lai.

  • Phát hiện rời bỏ để xác định và giữ chân những khách hàng có nguy cơ rời bỏ. Bằng cách phân bổ thêm nguồn lực cho những khách hàng đó, chẳng hạn như nhân viên liên hệ với khách hàng hoặc đưa ra một số ưu đãi nhất định (ví dụ: giảm giá hoặc lãi suất tốt hơn) để ngăn khách hàng rời bỏ.

  • Xác định những khách hàng tiềm năng và cơ hội bán hàng tốt nhất: trong danh sách khách hàng tiềm năng xác định những người có nhiều khả năng trở thành khách hàng nhất, đồng thời xác định những khách hàng hiện tại nào có thể được nhắm mục tiêu tốt nhất cho các hành động bán kèm và bán thêm.

  • Dự đoán diễn biến cung và cầu, ví dụ: xác định vị trí tốt nhất của máy ATM hoặc chi nhánh, dự đoán số lượng tương tác hỗ trợ khách hàng có thể xảy ra để đảm bảo nhân sự tối ưu cho nhóm hỗ trợ khách hàng hoặc dự đoán tải trọng trên cơ sở hạ tầng CNTT để tối ưu hóa chi phí cơ sở hạ tầng đám mây.

  • Hành động tốt nhất tiếp theo, Ưu đãi tốt nhất tiếp theo hoặc Công cụ đề xuất dành cho các tương tác được cá nhân hóa của khách hàng, tức là dự đoán hành động, sản phẩm hoặc dịch vụ nào có nhiều khả năng khiến người dùng quan tâm nhất tại bất kỳ thời điểm nào. Việc cho phép truy cập dễ dàng vào quy trình này có thể giúp khách hàng hoặc bất kỳ người dùng nào khác (như nhân viên nội bộ) đạt được mục tiêu của họ nhanh hơn, do đó giúp tăng doanh thu và giảm chi phí.

  • Công cụ định giá để xác định giá sản phẩm hoặc dịch vụ tối ưu.

Các trường hợp sử dụng cụ thể của ngành dịch vụ tài chính

  • Công cụ chấm điểm tín dụng để đánh giá mức độ tín nhiệm và đưa ra quyết định cho vay hiệu quả. Công cụ này nhằm mục đích dự đoán xác suất vỡ nợ và giá trị tổn thất ước tính trong trường hợp vỡ nợ, để xác định xem khoản tín dụng có nên được chấp nhận hay không. Đây cũng là bài toán dự đoán, đảm bảo tiền của ngân hàng được chi tiêu theo cách hiệu quả nhất có thể.

  • Công cụ phát hiện gian lận để xác định và ngăn chặn các giao dịch tài chính gian lận, bao gồm gian lận trực tuyến (mối đe dọa mạng) và gian lận thanh toán. Công cụ dự đoán xem hành vi thực tế của người dùng có khớp với hành vi dự kiến ​​(được dự đoán) hay không. Nếu không, rất có thể đó là một trường hợp lừa đảo. Những công cụ này giúp giảm tổn thất doanh thu, tránh thiệt hại cho thương hiệu và mang lại trải nghiệm trực tuyến suôn sẻ cho khách hàng.

  • Robo-Tư vấn dịch vụ nhằm tạo ra danh mục đầu tư tối ưu dựa trên xu hướng thị trường, danh mục đầu tư hiện tại và các ràng buộc của khách hàng (như hồ sơ rủi ro, hạn chế về tính bền vững, thời hạn đầu tư…).

    • Công cụ phát hiện AML để phát hiện (và ngăn chặn) hoạt động rửa tiền và tội phạm trong các giao dịch tài chính.

    • Công cụ quản lý rủi ro thanh khoản để tối ưu hóa dòng tiền. Đây là một dịch vụ có thể được cung cấp cho khách hàng nhưng cũng được yêu cầu trong nội bộ ngân hàng. Ngân hàng cần đảm bảo đủ thanh khoản trên bảng cân đối kế toán để chi trả cho tất cả các lần rút tiền, đồng thời dự đoán nhu cầu tiền mặt vật chất để cung cấp cho các máy ATM và chi nhánh.

Ngoài các trường hợp sử dụng AI định hướng kinh doanh này, đừng bỏ qua việc sử dụng AI nội bộ để nâng cao năng suất của nhân viên. Các công cụ AI sáng tạo như ChatGPT có thể hỗ trợ các bộ phận khác nhau, chẳng hạn như bán hàng, tiếp thị và CNTT, trong việc tăng năng suất của họ.

Như đã chỉ ra trong blog của tôi “Sự phù hợp phù hợp: Đánh giá giá trị doanh nghiệp trước khi áp dụng AI/ML” (https://bankloch.blogspot.com/2023/10/the-right-fit-assessing-business-value.html), danh mục đầu tiên (tức là “Xử lý dữ liệu phi cấu trúc hiệu quả hơn”) theo quan điểm của tôi có tiềm năng lớn nhất, mặc dù nó đòi hỏi các kỹ năng AI rất cụ thể và các mô hình AI phức tạp. Do đó, nhiều công ty dịch vụ tài chính có khả năng sử dụng các mô hình được đào tạo trước cho loại trường hợp sử dụng này.

Các trường hợp sử dụng trong danh mục thứ hai (tức là “Dự đoán tốt hơn và phân bổ nguồn lực khan hiếm tốt hơn”) cũng đầy hứa hẹn và có thể mang lại kết quả nhanh hơn các trường hợp sử dụng thuộc danh mục 1. Tuy nhiên, giá trị gia tăng của chúng so với các thuật toán dựa trên quy tắc truyền thống là không phải lúc nào cũng được đảm bảo, chúng thường thiếu tính minh bạch và khó tinh chỉnh. Kết quả là, những trường hợp sử dụng AI đó thường có vẻ hứa hẹn hơn thực tế.

Trong nhiều trường hợp, các ngân hàng sẽ không cần đầu tư trực tiếp vào AI vì đã có nhiều giải pháp phần mềm cung cấp không chỉ các mô hình AI mà còn bao gồm quy trình làm việc và logic kinh doanh xung quanh chúng.
Đối với mỗi trường hợp sử dụng, các công ty dịch vụ tài chính thực sự có thể lựa chọn giữa ba lựa chọn:

  • Lựa chọn 1: Xây dựng mô hình từ đầu sử dụng các nền tảng như AWS SageMaker hoặc GCP AI Platform. Điều này có nghĩa là công ty cần xác định một bộ đào tạo dữ liệu tốt, thiết lập một mô hình và tự đào tạo mô hình đó. Ví dụ: KBC đã xây dựng hoàn toàn nội bộ phần lớn trợ lý ảo (được gọi là Kate) bằng cách sử dụng công nghệ GCP AI.

  • Lựa chọn 2: Sử dụng được đào tạo trước các mô hình dựa trên đám mây có khả năng triển khai và điều chỉnh dễ dàng, chẳng hạn như AWS Fraud Detector, AWS Personalize hoặc các phiên bản tùy chỉnh của ChatGPT (cfr. thông báo về OpenAI để giới thiệu khái niệm mới về GPT) cho các trường hợp sử dụng cụ thể.

  • Lựa chọn 3: Thu được giải pháp phần mềm trọn gói bao gồm các mô hình, màn hình, quy trình làm việc và quy trình AI nội bộ. Có nhiều giải pháp tồn tại trong ngành Dịch vụ Tài chính, chẳng hạn như Discai (thương mại hóa các mô hình AI do ngân hàng KBC xây dựng nội bộ), ComplyAdvantage, Zest AI, Scienaptic AI, DataRobot, Kensho Technologies, Tegus, Canoe, Abe.ai…​

Quyết định lựa chọn phương án nào tùy thuộc vào nhu cầu cụ thể của công ty dịch vụ tài chính. Hiểu được khả năng và hạn chế của mô hình AI, có chiến lược dữ liệu vững chắc và biết cách cung cấp dữ liệu cho các mô hình và công cụ bên ngoài là những bước quan trọng đối với một công ty dịch vụ tài chính muốn áp dụng AI. Các bước này thường quan trọng hơn việc có kiến ​​thức AI nội bộ sâu sắc.

Việc áp dụng AI trong ngành dịch vụ tài chính rõ ràng là điều cần thiết để duy trì tính cạnh tranh và đáp ứng nhu cầu của khách hàng. Cách tiếp cận phù hợp (xây dựng so với mua), kết hợp với các trường hợp sử dụng được cân nhắc kỹ lưỡng, có thể mở đường cho hành trình AI thành công.

Kiểm tra tất cả các blog của tôi trên https://bankloch.blogspot.com/

tại chỗ_img

Tin tức mới nhất

tại chỗ_img

Bản quyền @ 2024 Plato Technologies Inc.