Raport Specjalny | IT@BANK 2022 – KPMG | Applied Artificial Intelligence: trendy i wyzwania adopcji sztucznej inteligencji w sektorze bankowym

Raport Specjalny | IT@BANK 2022 – KPMG | Applied Artificial Intelligence: trendy i wyzwania adopcji sztucznej inteligencji w sektorze bankowym
Udostępnij Ikona facebook Ikona LinkedIn Ikona twitter
Polski sektor bankowy znajduje się obecnie w kluczowym momencie. Zmiany technologiczne oraz konsumenckie redefiniują dynamikę modelu biznesowego produktów i usług finansowych. Adopcja sztucznej inteligencji w sektorze finansowym pozwala reagować na nie szybko i skutecznie. W efekcie organizacje otrzymują możliwość poprawy wyników poprzez pozyskanie oraz obsługę klientów w nowy, niezwykle skuteczny sposób. Aby wygrać w czasach digitalizacji, banki muszą zbudować silne technologicznie kompetencje analityczne, które pozwolą na szybkie oraz skuteczne wdrażanie inteligentnych rozwiązań w skali całej organizacji.

Iwona Galbierz-Sztrauch
Partner, Lider Usług Doradczych dla Sektora Finansowego,
Lider ESG, KPMG w Polsce

Łukasz Dylewski
Dyrektor, Data Science & AI Leader, KPMG w Polsce

Sztuczna inteligencja, Data Science oraz zaawansowana analityka odgrywają jedną z kluczowych ról w obecnym rozwoju technologicznym. Wykorzystywanie danych i technologii pozwala usprawniać procesy, lepiej rozumieć potrzeby klientów, przewidywać zmiany oraz wskazywać rozwiązania maksymalizujące cel. Od klasycznych rozwiązań Business Intelligence różnią się wykorzystaniem algorytmów, które przeprowadzają „wnioskowanie” na podstawie danych: „uczenia się złożonych wzorców z istniejących danych i wykorzystywania tych wzorców do dokonywania przewidywań na niewidzianych danych.

Wśród kluczowych trendów i wyzwań związanych z wdrażaniem sztucznej inteligencji w sektorze bankowym, w oparciu o globalne doświadczenia oraz badanie przeprowadzone w grupie 23 przedstawicieli rynku finansowego, należy wymienić 2 kluczowe trendy i 3 kluczowe wyzwania.

TRENDY

Trend 1 – wykorzystanie AI w analizie ryzyka

AI jest bardzo często wykorzystywana w modelach zarządzania ryzykiem w sektorze bankowym. Zastosowane mechanizmy polegają na zwiększeniu precyzji wykrywania klientów obciążonych ryzykiem kredytowym lub ryzykiem wyłudzeń oraz zmniejszeniu ryzyka odmowy udzielenia kredytów klientom, którzy jednak nie okażą się niewypłacalni. AI znajduje zastosowanie w tych modelach głównie poprzez wykorzystanie wysoce nieliniowych algorytmów uczących (Machine Learning) oraz skalowalność na ogromne zbiory danych (Big Data), dzięki którym analitycy mogą tworzyć predyktory niedostępne dla rozwiązań klasycznych. Na kanwie tego, modele Machine Learning okazują się wyjątkowo skuteczne w poprawie mocy predykcyjnej, prowadząc często nawet do ponad dziesięcioprocentowego wzrostu dokładności mierzonej wskaźnikiem Giniego względem modeli budowanych dotychczasowymi metodami. W efekcie banki poprawiają skuteczność zarządzania ryzykiem w procesach: wstępnej oceny klienta, uruchomienia windykacji miękkiej, wsparcia klienta aktywnego (na podstawie behawioralnych modeli AI), doboru parametrów produktu tak, aby zminimalizować ryzyko niepoprawnej segmentacji klientów. Co więcej, wykorzystywanie sztucznej inteligencji nie jest już dzisiaj nowością w obszarze budowy modeli ratingowych. Z drugiej strony nie są one jeszcze wykorzystywane w technikach pomiaru ryzyka kredytowego opartego na ratingach wewnętrznych dla potrzeb adekwatności kapitałowej (Advanced-IRB) tak szybko, jak w innych obszarach. Trudności wynikają z ich złożoności, co prowadzi, przynajmniej w przypadku tych bardziej zaawansowanych, do wyzwań związanych z dłuższym okresem testów i interpretacji ich wyników. Elementy te bezpośrednio przekładają się na dłuższy czas ich akceptacji i wdrożenia.

Trend 2 – hiperpersonalizacja klienta: indywidualne oferty, promocje i rekomendacje

Drugim, niezwykle istotnym trendem w świecie AI, jest hiperpersonalizacja. Mamy z nią do czynienia codziennie, korzystając z aplikacji mobilnych, sieci społecznościowych, streamingu wideo czy przejazdów osobowych. Głównym aspektem hiperpersonalizacji jest traktowanie klienta w jak najbardziej zindywidualizowany sposób: tzw. „segment of one”. Należy to zrobić w możliwie jak najszerszym kontekście podejmowania decyzji: jaki produkt powinniśmy zaproponować? Jaki kanał komunikacji będzie dla klienta najwygodniejszy? Czy nie potrzebuje w tym momencie dodatkowego finansowania lub ubezpieczenia? Odpowiadając na te pytania w klasyczny sposób, decydenci opierają się na globalnej segmentacji, która poprzez swój poziom agregacji oraz opóźnienie traci wiele cennych informacji o kliencie. Wykorzystanie do tego odpowiednich algorytmów pozwala w czasie niemalże rzeczywistym ocenić indywidualną preferencję każdego klienta. Dzięki temu widząc zakup maski do nurkowania, można błyskawicznie zaproponować w aplikacji mobilnej preferencyjne ubezpieczenie na czas podróży czy spersonalizowany produkt gotówkowy na konkretny koszyk w sklepie internetowym.

WYZWANIA

Niestety pomimo dużego entuzjazmu i rosnącej świadomości w firmach, adopcja AI niesie ze sobą bardzo konkretne wyzwania. W badaniu przeprowadzonym przez KPMG w gronie przedstawicieli rynku finansowego, niestety „tradycyjna statystyka” oraz „oceny eksperckie” cieszą się niemal dwukrotnie większym zaufaniem niż AI (91% v 48%). Wynika to przede wszystkim z doświadczeń zdobytych podczas zrealizowanych wdrożeniach AI, które nie zawsze kończyły się sukcesem.

Wyzwanie 1 – poprawne zdefiniowanie przełożenia wyniku procesu analitycznego na akcje biznesowe

AI Use Case – czyli przypadek użycia sztucznej inteligencji to jednostka opisująca konkretny proces, który AI będzie wspierać: ocena ryzyka niewypłacalności we wniosku kredytowym, rekomendowanie produktu, kanału kontaktu czy analiza wiadomości od klienta. Niestety często sam przypadek użycia nie jest do końca zdefiniowany, osoby odpowiedzialne nie przewidziały, jak użytkownik biznesowy będzie konsumował wyniki, a co gorsza jak zamierzony efekt będzie zmierzony. W celu poprawnego zmierzenia efektu wdrożenia AI można wykorzystać dwie główne metody: testy A/B, lub utworzenie homogenicznych grup testowych i pilotażowych, a następnie konkretne wskazanie metryk porównawczych np. odsetek niespłaconych kredytów. Proces należy tak zaprojektować, aby każda osoba zaangażowana w jego realizację, rozumiała wypracowane metryki.

Wyzwanie 2 – wybór odpowiedniej technologii, platformy, metodyki oraz integracja z istniejącą infrastrukturą

Drugim kluczowym wyzwaniem jest umiejscowienie technologiczne. Sztuczna inteligencja to jeden z bardziej skomplikowanych obszarów technologicznych. W związku z tym, że główną siłą napędową są algorytmy, których efektywność zależy od ilości danych i złożoności procesu, często rozwiązania, które doskonale działały w fazie pilotażu, muszą być całkowicie przeprojektowane, aby zderzyć się z pełną skalą organizacji. W efekcie czas wdrożenia diametralnie się wydłuża. Aby skrócić ten czas, należy dokładnie zaprojektować warstwę technologiczną jeszcze w fazie inicjalizacji oraz zapewnić zespołom analitycznym spójne i przejrzyste środowisko pracy. W osiągnięciu tego celu niezwykle ważne jest zaangażowanie osób odpowiedzialnych za platformy analityczne i platformy danych w banku.

Wyzwanie 3 – weryfikacja oraz zapewnienie dostępności danych

Najważniejszym filarem rozwiązań analitycznych są dane. Dane dobrej jakości, utrzymywane z odpowiednią historyczną retencją, tak aby algorytmy miały się z czego uczyć. Niestety nadal w wielu przypadkach brak zaufania do wyników nie wiąże się z warstwą analityczną, a z warstwą danych. Mnogość systemów, migracje, brak centralnej odpowiedzialności za dane (CDO) czy silosy analityczne prowadzą do błędnych wyników, winą za które niesłusznie obarcza się analityków. Wdrożenie pełnego Data Governance, zarządzanie jakością danych (Data Quality), utrzymywanie spójnej taksonomii (Data Catalogue) oraz centralnych repozytoriów danych jest w długiej perspektywie kluczowe dla osiągnięcia sukcesu analitycznego. Nie tylko w obszarze sztucznej inteligencji, ale również Business Intelligence. Oczywiście o ile możemy w kilku przypadkach zdecydować się na indywidualne czyszczenie danych pod konkretny Use Case, to w perspektywie setek Use Case’ów nie jest to zrównoważona strategia, a im wcześniej centralizacja zostanie wdrożona, tym mniejszy będzie koszt innowacji i mniejsza frustracja na końcu.

Pomimo wielu mitów, wyzwań i niestety nadal ograniczonego zaufania sztuczna inteligencja jest coraz szerzej wykorzystywana na rynku bankowym w Polsce. Przemyślane, odpowiedzialne i etyczne wykorzystanie sztucznej inteligencji zwraca się zarówno po stronie banku jak i klienta.

Źródło: Miesięcznik Finansowy BANK