5 najpopularniejszych zastosowań AI w bankowości

5 najpopularniejszych zastosowań AI w bankowości

To nie najsilniejsze albo najbardziej inteligentne jednostki przetrwają, tylko te, które najszybciej dostosują się do zmian.” – mówił prawie 200 lat temu Karol Darwin. I choć myśl ta pierwotnie odnosiła się do procesów ewolucyjnych, dziś równie dobrze może być komentarzem do zmian na rynku finansowym.

AI i Machine Learning to technologie o których w ostatnich latach mówi się w bankowości coraz częściej. Banki, świadome tego, że aby zachować konkurencyjność, muszą rozwijać się technologicznie, kierują wzrok w stronę rozwiązań, które zapewnią im wzrost. Według danych Accenture, do 2035 roku AI może podwoić roczne tempo wzrostu gospodarczego, przyczyniając się do ewolucji metod pracy oraz budując nowe relacje między człowiekiem a maszyną. Ponadto, prognozy wskazują na to, że sztuczna inteligencja zwiększy wydajność przedsiębiorstw nawet o 40 proc. i umożliwi pracownikom bardziej efektywne wykorzystanie swojego czasu pracy. Niewątpliwie także w branży finansowej istnieje szereg funkcjonalności, które mogą zostać zoptymalizowane w oparciu o mechanizmy AI, w związku z tym postanowiliśmy przyjrzeć im się bliżej. Wybraliśmy więc 5 kluczowych obszarów, które naszym zdaniem zostaną wkrótce zdominowane przez AI:

Obsługa klienta

Choć trudno wyobrazić sobie obsługę klienta całkowicie pozbawioną czynnika ludzkiego, moduły AI mogą zostać skutecznie wykorzystane przede wszystkim w obszarze automatyzacji procesów i obsługi kanałów kontaktu. Automatyzacja powtarzalnych procesów bankowych, które nie wymagają nadmiernej weryfikacji, to nie tylko spora oszczędność w dłuższej perspektywie, ale także zmniejszenie liczby popełnianych błędów, które są integralną częścią manualnej obsługi. Sztuczna inteligencja zaimplementowana w procesach obsługi klienta to również zwiększona wydajność i transparentność działań.

Ze względu na zmiany modeli komunikacyjnych, to znaczy przejście z tradycyjnych kanałów do tych, w których klienci komunikują się z markami (social media, komunikatory, aplikacje mobilne), każdego roku rośnie liczba kanałów, które banki muszą obsługiwać w celu kontaktu ze swoimi klientami. Rozwiązaniem w tym przypadku wcale nie musi być zwiększenie zasobów działów obsługi klienta, ale także, a może przede wszystkim, wdrożenie modułu sztucznej inteligencji, na przykład w chatbotach, czy różnego rodzaju wirtualnych asystentach. Dobrze skonfigurowany chatbot jest w stanie obsłużyć o wiele więcej standardowych zapytań i problemów, z którymi borykają się klienci, a co najważniejsze, jest dostępny niemal natychmiast po zainicjowaniu kontaktu przez klienta.

Customer Experience

Sztuczna inteligencja może także służyć jako wsparcie w budowaniu doświadczenia klienta. Analiza i interpretacja danych pozwala na jeszcze większą personalizację nie tylko w zakresie oferty, ale także samego kontaktu z marką. Dopasowane do użytkownika treści, czy wysoka dostępność usług, to tylko niektóre elementy dobrego CX. Dzięki analizom behawioralnym i statystykom generowanym w czasie rzeczywistym banki mogą dokładniej wnioskować o potrzebach klientów. Ponadto, sztuczna inteligencja pomaga w optymalizacji ścieżki klienta – analiza punktów styku pomaga w identyfikacji problemów, które mogą wpłynąć na decyzje “zakupowe” odbiorcy. Według raportu IDC, sztuczna inteligencja może optymalizować procesy na niemal każdym etapie kontaktu klienta z bankiem, zwłaszcza w następujących obszarach:

  • Procesy reklamowe, marketingowe i angażujące na etapie interakcji między marką a klientem. Pozwala to lepiej zrozumieć konsumenta i dostosować do niego unikalną i spersonalizowaną obsługę.
  • Interakcje z konsumentem w celu zapewnienia dodatkowych informacji na drodze cyfrowej oraz wsparcia i pomocy pracownikom przy współpracy z klientem.
  • Bezpośrednie i pośrednie wsparcie klienta i firmy, uzyskania najwyższej wartości z transakcji i rozwiązania wszelkich problemów i błędów, które mogą się pojawić.
  • Lepsze zrozumienie i wspieranie relacji między klientem a firmą, przede wszystkim poprzez analizę i interpretację danych.
  • Skoncentrowanie na cechach klienta poprzez zastosowanie sztucznej inteligencji. Analiza danych gromadzonych wokół konsumenta, aby lepiej zrozumieć jego potrzeby.

Doradztwo (robo-doradztwo)

Ciekawym obszarem w zakresie wdrażania sztucznej inteligencji wydaje się robo-doradztwo, czyli automatyczne doradztwo inwestycyjne dla klientów. Polega to na tym, że sztuczna inteligencja poznaje potrzeby klienta na podstawie baz danych i proponuje mu dedykowane strategie inwestycyjne, następnie zarządza aktywami, aż do uzyskania określonego zysku. Robo-doradcy umożliwiają także pełną automatyzację niektórych usług zarządzania aktywami i narzędzia planowania finansowego online. Analizując szereg danych historycznych są w stanie dokonywać lepszych predykcji dotyczących zachowań portfeli inwestycyjnych. Równocześnie na podstawie analizy zachowań pomagają klientom podejmować bardziej świadome decyzje dotyczące wydatków i oszczędzania. Choć na ten moment w Polsce brakuje odpowiedniej legislacji dotyczącej tego rodzaju usług, ich potencjał dostrzega już Komisja Nadzoru Finansowego, przygotowując projekt ustanawiający formalne stanowisko wobec robo-doradztwa. Jak czytamy na stronie KNF: Projektowany dokument ma w sposób kompleksowy odnosić się do najważniejszych zagadnień związanych z prowadzeniem robo-doradztwa, które powinny być uwzględnione w działalności podmiotu nadzorowanego. Projekt Stanowiska dotyczy również całości procesu, poczynając od fazy projektowania usługi, po jej praktyczne wdrożenie i monitorowanie istniejących rozwiązań. Stanowisko będzie miało na celu zapewnienie jednolitego wdrażania robo-doradztwa przez zainteresowane instytucje finansowe, z jednoczesnym uwzględnieniem odpowiedniej ochrony klientów, zwłaszcza inwestorów nieprofesjonalnych.

Przetwarzanie danych

Banki, ze względu na swoją specyfikę, przetwarzają codzienne ogromne wolumeny danych. W tym ujęciu jawią się dwa wyzwania: jak robić to szybko i jak wyciągnąć z danych maksymalną ilość informacji. AI adresuje problem wysokiej wydajności i szybkości, a ponadto pozwala na wysokopoziomowe wnioskowanie, w oparciu o mocno zaawansowane analizy, będące efektem uczenia maszynowego. Roboty oparte na technologiach kognitywnych, związanych z rozwojem sztucznej inteligencji, mogą zajmować się analizą treści korespondencji z klientami, weryfikacją poprawności złożonej dokumentacji kredytowej, segmentacją behawioralną w oparciu o rzeczywiste zachowania finansowe klientów czy nawet doradztwem.

Cyberbezpieczeństwo i fraud detection

AI jest wykorzystywane przede wszystkim pod kątem identyfikacji klienta i zapobiegania oszustwom w bankowości internetowej. Oszustwa związane z kartami kredytowymi stały się w ostatnich latach jedną z najbardziej rozpowszechnionych form cyberprzestępczości, co spowodowane jest dużym wzrostem liczby płatności internetowych i mobilnych.
Aby zidentyfikować nielegalną działalność, algorytmy sztucznej inteligencji sprawdzają wiarygodność transakcji kart kredytowych klientów w czasie rzeczywistym i porównują nowe transakcje z poprzednimi kwotami oraz lokalizacjami, z których były wykonywane. System blokuje transakcje, jeśli tylko widzi potencjalne ryzyko.

Do walki z nadużyciami organizacje coraz częściej wykorzystują także biometrię, która umożliwia rozpoznawanie osób na podstawie ich cech fizycznych. Metoda ta zakłada weryfikację użytkowników przed zalogowaniem do systemu, na podstawie m.in. linii papilarnych, tęczówki oka czy kształtu twarzy (tzw. funkcja rozpoznawania twarzy).
Moduły takie jak AML, Anti-fraud, KYC, wspierane sztuczną inteligencją pozwalają na znaczące ograniczenie ryzyka oraz strat związanych z oszustwami finansowymi, co znajduje odzwierciedlenie w działaniach organizacji narażonych na to ryzyko. Według raportu Anti-Fraud Technology Benchmarking Report do 2021 r. aż 72% organizacji przewiduje wdrożenie zautomatyzowanego monitoringu, systemów raportowania wyjątków i wykrywania anomalii, a ponad połowa respondentów zamierza zaimplementować rozwiązania z obszaru analityki predykcyjnej i modelowania.

Podsumowanie

Przyszłość branży bankowej w kontekście wykorzystania AI i Machine learning rysuje się niezmiernie intrygująco. Postępująca automatyzacja branży bankowej, a także większe otwarcie na nowe technologie z jednej strony realizuje ogromny potencjał tego obszaru usług, a z drugiej otwiera drzwi nowym zagrożeniom i cyberprzestępcom. Dlatego tak ważne jest, aby realizacja zadań związanych z implementacją sztucznej inteligencji i machine learning odbywała się z zachowaniem dobrych praktyk i przy udziale doświadczonych partnerów technologicznych oraz biznesowych.