Data Science to nie wybór, to konieczność dla banków

Polski sektor bankowy tradycyjnie już uchodzi za lidera cyfrowej transformacji, tak w wymiarze europejskim, jak i światowym.

Rozpoczynając obrady, prezes ZBP Krzysztof Pietraszkiewicz przypomniał, że w takich obszarach jak choćby system płatniczo-rozliczeniowy, jak również system wymiany informacji gospodarczej w dalszym ciągu możemy stanowić wzór nawet dla silniejszych gospodarek europejskich. Sytuacja ta to nie tylko powód do dumy, ale także i swego rodzaju zobowiązanie.

– Rola liderów polega również na tym, że przeznaczają oni pewne środki i mobilizują pewne zasoby, zarówno intelektualne jak też oczywiście materialne, aby nie ustawać w tych działaniach, by stosować możliwie dobre i najlepsze rozwiązania – dodał prezes ZBP.

Podkreślił on też rosnące znaczenie nowoczesnych technologii we współczesnej rzeczywistości, określanej mianem „gospodarki 4.0”.

– Ważne, żeby owe rozwiązania jak najlepiej służyły nam wszystkim, żeby podnosiły poziom bezpieczeństwa, zwiększały efektywność naszego działania i czyniły nasze życie łatwiejszym, bezpieczniejszym i zdrowszym – podsumował Krzysztof Pietraszkiewicz.

Kres segmentacji klientów

– Dlaczego zagadnienia Data Science i sztucznej inteligencji są tak ważne? – to pytanie postawił dr Andrzej Banasiak, koordynator Programu Analityczno-Badawczego WIB.

Możliwa jest wielka transformacja bankowości i instytucji finansowych w zakresie sprzedaży

Wskazał on, iż w powszechnym odczuciu społecznym pojęcie sztucznej inteligencji wywołuje najczęściej skojarzenie ze scenariuszami rodem z filmów science-fiction. Rzeczywistość jest może mniej spektakularna, niemniej zmiany, jakim podlega świat wskutek wdrażania innowacyjnych rozwiązań bez wątpienia określić należy mianem rewolucyjnych.

– Możliwa jest wielka transformacja bankowości i instytucji finansowych w zakresie sprzedaży, czyli zrealizowanie tego marzenia, żeby reagować na klienta w sposób zindywidualizowany – zaznaczył dr Banasiak.

W wymiarze praktycznym oznacza to stopniowe odchodzenie od tradycyjnej segmentacji, gdzie klienci dzieleni są pod względem kilku, najczęściej występujących kategorii, w kierunku rozwiązań pozwalających na uwzględnienie indywidualnych cech danej osoby i stworzenia produktu odpowiadającego w jak największym stopniu jej potrzebom.

Sztuczna inteligencja, lepsza ocena ryzyka

Podobna przemiana zachodzi w obszarze oceny ryzyka kredytowego. –   Wszystkie dotychczasowe metody scoringowe czy ratingowe próbowały zakwalifikować klienta do pewnego koszyka w sposób statystyczny.

Obecnie, mając potężną statystykę, można patrzeć na klienta w sposób bardziej indywidualny, czyli zarówno lepiej dopasować ofertę kredytową, ale i sprawniej przeprowadzić ocenę klienta z punktu widzenia jego ryzyka.

Automatyzacja procesów decyduje o ostatecznej efektywności banku

Doświadczenia pokazują, że ocena ryzyka z użyciem tych nowych technologii jest lepsza od ogólnych mechanizmów opartych na ratingu – dodał dr Banasiak.

Kolejnym obszarem transformacji, determinowanej postępem w dziedzinie AI jest zaplecze bankowe.

– Wszyscy widzą na dobrą sprawę marketing, widzą produkty, Natomiast owe produkty naprawdę „żyją” w backoffice. To jest miejsce istotne z punktu widzenia procesów, tam jest chyba najwięcej procesów bankowych. Automatyzacja tych procesów daje wielkie możliwości dlatego, że decyduje o kosztach, decyduje o ostatecznej efektywności banku. Dlatego tam technologie są potrzebne i to one mogą wpływać na obniżenie cen usług finansowych – dodał koordynator Programu Analityczno-Badawczego.

Inne dziedziny, w których sztuczna inteligencja i data science mogą mieć znaczenie rewolucyjne, to poprawa jakości danych bankowych i cyberbezpieczeństwo.

Prelegent wskazał, że jakość danych stanie się najpewniej jednym z największych wyzwań najbliższego czasu. Także i ochrona zasobów przed przestępcami musi bazować na nowoczesnych, bardzo wyrafinowanych technologiach,  jako że kwestia ta ma coraz większe znaczenie dla klientów tych instytucji.

Analiza zagrożeń w czasie rzeczywistym

Pojęcia data science i sztuczna inteligencja nie powinny być używane wymiennie – zaznaczył prof. Witold Abramowicz, współautor raportu.

Wskazał on, że data science obejmuje zarówno metody z zakresu AI, jak i technologie innego rodzaju. Dla sektora bankowego szczególne znaczenie ma w pierwszej kolejności analiza danych retrospektywnych, której celem jest jest wykrycie ex post pewnych anomaliów, które mogą wskazywać z jednej strony na zagrożenie cyberprzestępczością, ale również i na szansę wynikającą z nowej sytuacji rynkowej.

– Analiza retrospektywna służy jako skuteczny środek w działaniach predykcyjnych – dodał prof. Abramowicz. Nowym wyzwaniem, związanym z cyfryzacją globalnej gospodarki, a szczególnie bankowości, są ogromne strumienie danych powstających w czasie rzeczywistym, które powinny być ustawicznie monitorowane.

Szczególnego znaczenia nabiera stworzenie skutecznych mechanizmów bezpieczeństwa, i data science wydaje się być jedynym sposobem, by osiągnąć ten cel

Jest to podyktowane choćby coraz  powszechniejszym stosowaniem technologii 5G. Owe zasoby nie powinny być śledzone w sposób retrospektywny, tylko na bieżąco, jeśli bankowcy chcą w porę wychwycić nieprawidłowości czy zareagować na interakcje ze strony użytkownika.  

– We wszystkich procesach data science kładziemy olbrzymi nacisk na zapewnienie zarządzania jakością danych. W data science nie mamy jednej metody, którą możemy stosować w danej sytuacji, w związku z czym powinniśmy umieć wybrać właściwą, powinniśmy je skutecznie porównywać, i musimy zauważyć moment, kiedy z uwagi na zmieniającą się naturę danych metodę dotychczasową trzeba zamienić na inną metodę – wskazał prof. Abramowicz.

Odniósł się on też do kwestii zagrożeń, jakie pojawiły się po wejściu w życie dyrektywy PSD2. Wśród tzw. podmiotów trzecich, które podlegają mniejszej kontroli niż banki, spodziewać się można i takich firm, które stanowić będą przykrywkę dla aktywności kryminalnej.

W nowych realiach gospodarki zdalnej cyberprzestępcy będą sobie radzić coraz lepiej, a ich sukcesy mogą skutkować spadkiem zaufania do sektora finansowego.

Sposobem na ochronę reputacji nie będzie powrót do tradycyjnych kanałów stacjonarnych, gdyż w związku z COVID-19 transformacja gospodarki przyspieszyła i od tego procesu nie ma już odwrotu.

W tym kontekście szczególnego znaczenia nabiera stworzenie skutecznych mechanizmów bezpieczeństwa, i data science wydaje się być jedynym sposobem, by osiągnąć ten cel.