În general, sectoarele care îmbrățișează inovația mai rapid sunt cele în care se observă o luptă constantă pentru clienți, care sunt, pe zi ce trece, tot mai nestatornici – sectorul bancar fiind reprezentativ din acest punct de vedere.
de Cristian Carstoiu, EY Romania
Unele bănci preferă să adopte inovația ca un mod de operare, altele să aștepte și să analizeze reacția pieței, înainte să implementeze tehnologii sau modele similare. În cazul adoptării ML, pare să existe un consens că aceasta va îmbunătăți interacțiunea personalizată cu clientul, va reduce costurile cu vânzările și timpul de reacție și va îmbunătăți acuratețea predicțiilor în cadrul activităților operaționale, cum ar fi cele despre performanțele vânzărilor, riscurile de neperformanță a produsului, evoluția pieței sau comportamentul clienților.
Dacă analizăm piețele mai avansate, sectorul băncilor de investiții (în special cele comerciale) utilizează de aproape un deceniu deja modele matematice avansate și infrastructură de ultimă generație (inclusiv private cloud) pentru a automatiza selectarea activelor profitabile și executarea tranzacțiilor.
Adoptatorii timpurii ai algoritmilor de Machine Learning
Primele versiuni de ML au fost folosite pentru a ajuta la detectarea fraudelor și riscurilor de securitate, prin utilizarea unui set complex de reguli. Algoritmii mai noi asigură o protecție activă, se adaptează în timp real la amenințările existente și le elimină pe cele potențiale prin analizarea continuă a unor fluxuri de date interne și externe.
Un alt domeniu a fost administrarea automată a portofoliilor (sau robo-consultanți). Aceștia implică algoritmi matematici combinați cu învățarea automată, care monitorizează și iau decizii semiautomate (în funcție de anumite praguri) care calibrează portofoliul financiar astfel încât acesta să fie în concordanță cu obiectivele legate de venituri și de expunerea la risc setate de oameni.
În alte zone, precum creditarea și subscrierea, s-au experimentat algoritmii de învățare automată pentru a crește acuratețea predicțiilor sau pentru a reduce riscul asigurătorului în privința produselor de asigurare generală.
În concordanță cu politica orientării spre client, ML a început, de asemenea, să genereze un nivel mai bun de interacțiune cu clientul, creșterea gradului de loializare și cum menționam, de anticipare a amenințărilor la adresa securității cibernetice.
Întrebarea care ne vine în minte atunci când auzim de ML este legată de rolul pe care îl vom avea după apariția unei inteligențe robotice, ultra rapide, care ne va ghida și probabil monitoriza și va fi bazată pe date la care nu am avut neapărat acces (a se vedea „fake news”). Ce știm pentru moment este ca ML a transformat majoritatea locurilor de muncă, îmbunătățind cunoașterea umană prin analiza mai rapidă a unui volum mai mare de date. Să luăm exemplul centrelor telefonice de asistență a clienților: roboții creați pe bază de ML răspund la întrebările frecvent adresate, reducând astfel nevoia de personal.
În același timp, ML a creat și multe locuri de muncă. Aceste soluții necesită forță de lucru care să structureze și să clasifice baza de cunoștințe existente despre fiecare client și, de asemenea, care să „antreneze” algoritmii pentru a da răspunsuri specifice. Iar tehnologiile inteligente au nevoie de oameni inteligenți.
Consider că tendința centrelor telefonice de asistență a clienților bazate pe ML se va maturiza în sectorul bancar românesc în următoarele 12 luni – vedem deja multe bănci care au lansat sau experimentează cu acest concept precum Banca Transilvania, Libra Bank sau Raiffeisen Bank. Suntem abia la începutul drumului, iar interacțiunile actuale generează în același timp și multă frustrare clienților.
Multe bănci care doresc să se diferențieze și mai mult în demersul de atragere a clienților, păstrându-și, în același timp, planurile de optimizare a costurilor, s-au concentrat în ultima vreme asupra sinergiilor oferite de RPA (Robotic Process Automation, automatizarea proceselor prin robotizare) și de ML, cu rezultate îmbunătățite atât la nivelul calității, cât și al eficienței. Combinarea datelor structurate cu text nestructurat reprezintă Sfântul Graal pentru majoritatea departamentelor de marketing, vânzări și analiză a riscului.
Având în vedere că interacțiunea vocală ajunge în prim-plan, preconizez o integrare mai mare a serviciilor bancare mobile cu aplicațiile robotice pe bază de voce.
Ce e de făcut?
Băncile sunt supuse unei presiuni tot mai mari de a pune la dispoziția clienților platformele, datele și experiența pe care aceștia le așteaptă, în același timp respectând exigențele în materie de confidențialitate (a se vedea reglementările GDPR), securitate, juridice și etice. Pentru a utiliza cu adevărat ML ca diferențiator competitiv, băncile vor trebui mai întâi să identifice scenariile de utilizare comercială și să înțeleagă ce date relevante sunt disponibile și unde, apoi să le curețe, clasifice și îmbunătățească prin intermediul datelor externe.
O decizie în privința infrastructurii și aplicațiilor (în prezent, multe fiind de tip „open source”) este obligatorie, împreună cu identificarea capacităților și a unui ecosistem de parteneri pentru implementarea cu succes a soluțiilor. Odată ce scenariile de utilizare sunt agreate și implementate, trebuie monitorizată îmbunătățirea performanțelor și continuată antrenarea modelelor ML, pentru a se ameliora acuratețea.
Am convingerea că băncile care au un plan clar și realizabil, care au identificat sursele de date disponibile și care vor adopta devreme algoritmi de ML vor beneficia de o reacție pozitivă din partea pieței, își vor îmbunătăți marjele de profit prin reducerea riscurilor globale și, drept consecință, a provizioanelor. De asemenea, își vor ameliora performanța operațională prin identificarea ineficiențelor și vor câștiga cote de piață mai mari, deoarece atragerea de noi clienți și interacțiunea personalizată vor genera loialitate și implicit venituri mai mari.
