Sztuczna inteligencja zoptymalizuje obsługę klienta w bankowości

Zastosowanie tego rodzaju rozwiązań w branży bankowej i usług finansowych, ze względu na jej złożony i regulowany charakter, może nieco potrwać. Widać jednak szybki postęp w tym obszarze dzięki uznaniu w wielu organizacjach konieczności zwiększenia demokratyzacji usług dla wszystkich klientów w skalowalny sposób. Wcześniej, gdy następowały zmiany na rynkach lub pojawiały się interesujące okazje inwestycyjne, banki kontaktowały się z kluczowymi klientami i omawiały z nimi sytuację w odniesieniu do ich konkretnych potrzeb i posiadanych portfeli. Teraz, wykorzystując sztuczną inteligencję, ten wysoki stopień personalizacji usług może dotyczyć każdego, dzięki informacjom o zachowaniach klientów i związanych z tym danych.

Możliwość personalizacji i rekomendacji usług to jeden z najbardziej ekscytujących aspektów. Netflix udowodnił, że współczynnik wykorzystania spersonalizowanych rekomendacji dotyczących filmów jest trzy do czterech razy wyższy, niż w przypadku ogólnych sugestii. Wykorzystując dane, którymi dysponujemy w ramach codziennej działalności, takie jak preferowane przez klienta instrumenty, godziny największej aktywności i wiele innych, otrzymujemy wskazówki pozwalające tworzyć lepsze i bardziej adekwatne usługi finansowe w stopniu niedostępnym przy dotychczasowej skali działalności.

AI zdemokratyzuje dostęp do usług finansowych

Jako Saxo oferujemy ponad 35 tysięcy instrumentów finansowych, więc informowanie wszystkich klientów o nowościach z nimi związanych czy o wydarzeniach rynkowych mogłoby być dla wielu przytłaczające i niepotrzebne. Warto jednak określić, co jest interesujące dla poszczególnych klientów i zaprezentować im te informacje, np. poprzez powiadomienia na platformie transakcyjnej czy wyskakujące okienka, które można kliknąć, aby zapoznać się z całością informacji. Odpowiednie informacje skierowane do odpowiedniej osoby w odpowiednim czasie sprawią, że klienci będą w stanie podejmować lepsze decyzje.

Do niedawna korzystanie ze wsparcia doradcy finansowego czy maklera zarezerwowane było dla dużych klientów; obecnie celem jest odtworzenie tego poziomu personalizacji w odniesieniu do wszystkich klientów. Podobnie jak technologia zdemokratyzowała dostęp do globalnych rynków finansowych, AI zdemokratyzuje dostęp do spersonalizowanych i adekwatnych informacji i usług finansowych.

Według opublikowanej niedawno tezy, najbardziej wartościowym światowym zasobem nie jest już ropa naftowa, a dane. Technologia leżąca u podstaw uczenia maszynowego wykorzystuje zawansowane modele komputerowe, jednak nie byłaby wiele warta bez odpowiednich danych. To podstawa wszystkich osiągnięć w tym obszarze, a czyste, wysokiej jakości dane są kluczowe dla maksymalnego wykorzystania nowych technologii.

Problem z ochroną danych

Specjaliści zajmujący się danymi poświęcają dużo czasu na zapewnienie ich „czystości”. Może to stanowić pewien problem dla niektórych dużych banków korzystających z przestarzałych systemów lub instytucji, które przeszły fuzję, a nie miały do tej pory czasu na odpowiednie oczyszczenie swoich zasobów danych. Dobrym przykładem obrazującym konieczność posiadania czystych danych jest budownictwo – jeżeli na początku zadbamy o dobre fundamenty, możemy oczekiwać trwałości i wytrzymałości całej konstrukcji, a jeżeli będziemy się spieszyć i łączyć elementy za pomocą niesprawdzonych materiałów – efekt nie spełni naszych oczekiwań. Ponieważ nie wiadomo co w przyszłości okaże się potrzebne, warto zapewnić sobie elastyczną i niezawodną infrastrukturę. Nie bez znaczenia jest odpowiednia kultura korporacyjna, w której dane postrzegane są jako aktywo i nie są odrzucane tylko dlatego, że nie ma czasu na ich oczyszczenie.

Mimo iż dane to główny warunek sukcesu przy wdrażaniu uczenia maszynowego, to równie istotną kwestią jest odpowiedni mandat. Wdrożenie uczenia maszynowego ma charakter przełomowy i zmienia metody prac, w wielu przypadkach wspomaga lub wręcz zastępuje zadania realizowane przez człowieka. Bez pełnego poparcia kadry zarządzającej przeprowadzenie takiego procesu może być trudne. W przypadku Saxo Banku zarząd nie pytał „czy powinniśmy zainwestować w uczenie maszynowe, czy też nie?”, a raczej „w jaki sposób przeprowadzić to w odpowiedniej skali?”.

Rolą specjalistów zajmujących się danymi w takim scenariuszu jest zapewnienie, że to, co robią jest rzeczywiście istotne dla firmy. Nauka o danych musi stanowić integralną część organizacji, aby określić, jakie wyzwania się z tym wiążą, a następnie zaproponować rozwiązania z wykorzystaniem dostępnych technologii. Poza kadrą zarządzającą warto również uzyskać szeroko rozumiane poparcie na wszystkich szczeblach organizacji, aby usprawnić współpracę i dotrzeć do źródła istniejących wyzwań biznesowych. Ponadto wszyscy pracownicy powinni rozumieć, co nauka o danych może wnieść do firmy oraz to, że mówimy wspólnym językiem.

AI nie wypiera ludzkiej pracy

Istnieje przekonanie, że AI wypiera ludzką pracę, jednak w istocie nie chodzi o to, by człowiek stał się przeżytkiem, a o takie wykorzystanie sztucznej inteligencji i uczenia maszynowego, by móc więcej wysiłku wkładać w istotne zadania i zapewnienie lepszych usług. Nużące, powtarzalne prace mogą wykonywać komputery, co pozwala ludziom skupić się na bardziej złożonych zagadnieniach, w których rolą AI i uczenia maszynowego staję się optymalizacja i pomoc w tworzeniu analiz. Sztuczna inteligencja może również zapewnić dostęp do usług zarezerwowanego do tej pory dla nielicznych. Jeżeli to, co nasze zespoły oferują z powodzeniem dla największych klientów będzie również cyfrowo dostępne dla pozostałych klientów, uzyskamy realną definicję demokratyzacji inwestowania.

Bycie istotnym dla organizacji powoduje, że nauka o danych staje się bardziej ambitna i umożliwia przy okazji realizację innych inicjatyw, dla których w innym przypadku byłoby trudno znaleźć poparcie. To istotna kwestia, ponieważ nie chodzi o to, że ludzie nie traktują innowacji technologicznych jako ważnych, ale gdy innowacje ich bezpośrednio nie dotyczą, zgodnie z ludzką naturą nie są zbytnio zainteresowani ich wdrożeniem. W skali makro, banki, które są zbyt zajęte, by wdrażać innowacje, wkrótce poniosą konsekwencje tej decyzji, ponieważ uczenie maszynowe i AI nie są już tylko wizją przyszłości, lecz teraźniejszością.

Źródło: Saxo Bank