Финансовые сервисы названы лидерами с точки зрения отраслей, применяющих ИИ в ряде аналитических отчетов и в частности в материалах FutureBridge Analysis and Insights (рис. 3.8), при этом, например, в версии от Mckinsey (рис. 3.9) отрасль не входит даже в тройку.
Как мы отметили ранее, разница в оценках является следствием отсутствия общепринятой таксономии и согласованных методик структурирования рынка.
Несмотря на разные мнения аналитиков по поводу лидерства той или иной отрасли, мы решили рассмотреть финансовые услуги в первых рядах. Среди многочисленных примеров применения ИИ-технологий в финансах можно назвать автономное выполнение торговых операций на финансовых платформах, технологию обеспечения электронных платежей, интеллектуальные системы для предоставления рекомендаций клиентам по управлению своими финансами и многие другие.
При этом основное направление использования ИИ в финансовых сервисах — это автоматизация банковских услуг. Авторы по-разному классифицируют направления применения ИИ в банковской сфере. Один из вариантов (в концепции Deepsense.ai) показан на рис. 3.10. Здесь технологии группируются вокруг пяти основных направлений: «понимание клиента», «автоматизация обслуживания клиентов», «улучшение продаж», «управление кредитными рисками», «оптимизация работы бэк-офиса».
Рис. 3.10. Обзор применения ИИ в банковской сфере. Источник: Deepsense.ai
Понимание клиентов основано на глубоком обучении в анализе клиентов на основе информации из различных источников (транзакций, журналов онлайн-банкинга, взаимодействия пользователей с колл-центром). Это позволяет создать для клиентов интеллектуальных помощников и дать персонализированные рекомендации.
Клиенты часто уходят без явных причин, что затрудняет выработку стратегии борьбы с оттоком. Прогнозирование и оптимизация оттока на базе ИИ включает анализ стоимости потребителя на протяжении его жизненного цикла и помогает сфокусироваться на удержании наиболее ценных клиентов. Данная процедура требует проведения анализа больших наборов данных, меняющихся во времени, включая взаимное влияние поведения одних клиентов на других, и дает возможность распознать закономерности в подобного рода данных. Решения на базе ИИ используются для выявления ценных клиентов, клиентов в зоне риска и выработки для них специальных предложений с целью их удержания.
Глубокое обучение эффективно для анализа взаимодействия клиентов с веб-ресурсами. Понимание поведения пользователей позволяет банку сосредоточить маркетинговую деятельность на потенциальных клиентах и показывать им только персонализированную рекламу, дает возможность банку выбрать правильного покупателя и правильный продукт для перекрестных продаж.
Методы машинного обучения, комбинированные с традиционными моделями скоринга, дают высокие результаты.
ML позволяет практически полностью автоматизировать обнаружение мошенничества, оптимизировать стратегии взыскания долгов, выбирая для каждого клиента оптимальную коммуникацию.
Автоматизация обслуживания клиентов — это та часть работы банков, которая кардинально изменилась при внедрении ИИ-систем. Банковские чат-боты, или виртуальные помощники с искусственным интеллектом, существенно снимают нагрузку с сотрудников. Задачи, которые раньше решались путем непосредственного общения с человеком, теперь выполняются в разговорном интерфейсе с виртуальными помощниками, позволяя финансовым учреждениям общаться с миллионами клиентов одновременно и предупреждать пользователей о потенциальных проблемах или предстоящих платежах.
Чат-бот с ИИ упрощает для клиентов множество задач, позволяя не только получать различного рода информацию, но и осуществлять транзакции. Автоматизация обслуживания в банках кардинально снижает нагрузку на службу поддержки клиентов, решая многие простые вопросы, вообще не привлекая сотрудников. Автоматическая биометрическая идентификация, включая голосовую проверку личности, дает возможность проводить проверку быстро и незаметно для пользователя.
Управление кредитными и операционными рисками позволяет найти баланс между повышением прибыльности и санкциями за несоблюдение различного рода регуляторных требований.
Оптимизация продаж — еще один пример, где используются технологии с привлечением ИИ. На современном рынке банки предоставляют разнообразные депозитные, кредитные и инвестиционные продукты, и при этом значительная часть существующих клиентов может использовать только один из них. Банки регулярно проводят кампании по предложению новых продуктов. Известно, что продать продукт существующему клиенту проще, чем потенциальному. У банков есть ценный актив — данные о клиентах. Финансовые организации используют данные о своих клиентах с тем, чтобы получить представление о возможностях перекрестных и дополнительных продаж. А также для предоставления более персонализированных продуктов и финансовых консультаций.
Машинное обучение активно применяется для интерпретации данных о клиентах, выявляя людей, наиболее открытых для перекрестных и новых продаж. Вместо продаж, основанных на универсальных кампаниях, банки могут персонализировать свои продукты для определенной целевой группы, что позволяет повысить окупаемость кампании, увеличить качество обслуживания клиентов на основе предсказания их потребностей.
Оптимизация работы бэк-офиса подразумевает документирование рабочих процессов (классификации документов, сегментации клиентов) и автоматизацию процессов (кассовых операций, торгового финансирования, обработки кредитных заявок, бухгалтерских процессов). Все это ведет к сокращению объема ручной работы, связанной с организацией обслуживания клиентов.
Говоря о степени внедрения ИИ в различных видах банковской деятельности, полезно обратиться к статистике по рынку США, как наиболее развитому. Аналитики из компании Nuvento попытались провести количественный анализ степени адаптации применения ИИ-технологий в разных направлениях банковской деятельности (рис. 3.11).
Рис. 3.11. Области, в которых ИИ реализуется в банках США. Источник: Nuvento 2020 г.
Как следует из рисунка, на первом месте находится » оценка рисков», в тройку входят также финансовые исследования/анализ и управление инвестициями и портфелем ценных бумаг. Процесс одобрения кредитов, который часто приводят как пример банковской деятельности, где активно применяется ИИ, находится лишь на пятом месте. Категория KYC и AML расшифровывается как Know Your Customer (процесс получения информации о клиенте, проверки его личности и т. п.) и Anti-Money Laundering (борьба с отмыванием денег — комплекс мер, осуществляемых финансовыми учреждениями и другими регулируемыми организациями для предотвращения финансовых преступлений).
Говоря о применении ИИ в банковской сфере в России, следует привести опыт компании Сбер. В Сбербанке развиваются технологии поддержки принятия решений, компьютерного зрения, обработки языка, речевой аналитики, что позволяет в значительной степени повысить качество сервисов.
Финансовые сервисы названы лидерами с точки зрения отраслей, применяющих ИИ в ряде аналитических отчетов и в частности в материалах FutureBridge Analysis and Insights (рис. 3.8), при этом, например, в версии от Mckinsey (рис. 3.9) отрасль не входит даже в тройку.
Как мы отметили ранее, разница в оценках является следствием отсутствия общепринятой таксономии и согласованных методик структурирования рынка.
Несмотря на разные мнения аналитиков по поводу лидерства той или иной отрасли, мы решили рассмотреть финансовые услуги в первых рядах. Среди многочисленных примеров применения ИИ-технологий в финансах можно назвать автономное выполнение торговых операций на финансовых платформах, технологию обеспечения электронных платежей, интеллектуальные системы для предоставления рекомендаций клиентам по управлению своими финансами и многие другие.
При этом основное направление использования ИИ в финансовых сервисах — это автоматизация банковских услуг. Авторы по-разному классифицируют направления применения ИИ в банковской сфере. Один из вариантов (в концепции Deepsense.ai) показан на рис. 3.10. Здесь технологии группируются вокруг пяти основных направлений: «понимание клиента», «автоматизация обслуживания клиентов», «улучшение продаж», «управление кредитными рисками», «оптимизация работы бэк-офиса».
Рис. 3.10. Обзор применения ИИ в банковской сфере. Источник: Deepsense.ai
Понимание клиентов основано на глубоком обучении в анализе клиентов на основе информации из различных источников (транзакций, журналов онлайн-банкинга, взаимодействия пользователей с колл-центром). Это позволяет создать для клиентов интеллектуальных помощников и дать персонализированные рекомендации.
Клиенты часто уходят без явных причин, что затрудняет выработку стратегии борьбы с оттоком. Прогнозирование и оптимизация оттока на базе ИИ включает анализ стоимости потребителя на протяжении его жизненного цикла и помогает сфокусироваться на удержании наиболее ценных клиентов. Данная процедура требует проведения анализа больших наборов данных, меняющихся во времени, включая взаимное влияние поведения одних клиентов на других, и дает возможность распознать закономерности в подобного рода данных. Решения на базе ИИ используются для выявления ценных клиентов, клиентов в зоне риска и выработки для них специальных предложений с целью их удержания.
Глубокое обучение эффективно для анализа взаимодействия клиентов с веб-ресурсами. Понимание поведения пользователей позволяет банку сосредоточить маркетинговую деятельность на потенциальных клиентах и показывать им только персонализированную рекламу, дает возможность банку выбрать правильного покупателя и правильный продукт для перекрестных продаж.
Методы машинного обучения, комбинированные с традиционными моделями скоринга, дают высокие результаты.
ML позволяет практически полностью автоматизировать обнаружение мошенничества, оптимизировать стратегии взыскания долгов, выбирая для каждого клиента оптимальную коммуникацию.
Автоматизация обслуживания клиентов — это та часть работы банков, которая кардинально изменилась при внедрении ИИ-систем. Банковские чат-боты, или виртуальные помощники с искусственным интеллектом, существенно снимают нагрузку с сотрудников. Задачи, которые раньше решались путем непосредственного общения с человеком, теперь выполняются в разговорном интерфейсе с виртуальными помощниками, позволяя финансовым учреждениям общаться с миллионами клиентов одновременно и предупреждать пользователей о потенциальных проблемах или предстоящих платежах.
Чат-бот с ИИ упрощает для клиентов множество задач, позволяя не только получать различного рода информацию, но и осуществлять транзакции. Автоматизация обслуживания в банках кардинально снижает нагрузку на службу поддержки клиентов, решая многие простые вопросы, вообще не привлекая сотрудников. Автоматическая биометрическая идентификация, включая голосовую проверку личности, дает возможность проводить проверку быстро и незаметно для пользователя.
Управление кредитными и операционными рисками позволяет найти баланс между повышением прибыльности и санкциями за несоблюдение различного рода регуляторных требований.
Оптимизация продаж — еще один пример, где используются технологии с привлечением ИИ. На современном рынке банки предоставляют разнообразные депозитные, кредитные и инвестиционные продукты, и при этом значительная часть существующих клиентов может использовать только один из них. Банки регулярно проводят кампании по предложению новых продуктов. Известно, что продать продукт существующему клиенту проще, чем потенциальному. У банков есть ценный актив — данные о клиентах. Финансовые организации используют данные о своих клиентах с тем, чтобы получить представление о возможностях перекрестных и дополнительных продаж. А также для предоставления более персонализированных продуктов и финансовых консультаций.
Машинное обучение активно применяется для интерпретации данных о клиентах, выявляя людей, наиболее открытых для перекрестных и новых продаж. Вместо продаж, основанных на универсальных кампаниях, банки могут персонализировать свои продукты для определенной целевой группы, что позволяет повысить окупаемость кампании, увеличить качество обслуживания клиентов на основе предсказания их потребностей.
Оптимизация работы бэк-офиса подразумевает документирование рабочих процессов (классификации документов, сегментации клиентов) и автоматизацию процессов (кассовых операций, торгового финансирования, обработки кредитных заявок, бухгалтерских процессов). Все это ведет к сокращению объема ручной работы, связанной с организацией обслуживания клиентов.
Говоря о степени внедрения ИИ в различных видах банковской деятельности, полезно обратиться к статистике по рынку США, как наиболее развитому. Аналитики из компании Nuvento попытались провести количественный анализ степени адаптации применения ИИ-технологий в разных направлениях банковской деятельности (рис. 3.11).
Рис. 3.11. Области, в которых ИИ реализуется в банках США. Источник: Nuvento 2020 г.
Как следует из рисунка, на первом месте находится » оценка рисков», в тройку входят также финансовые исследования/анализ и управление инвестициями и портфелем ценных бумаг. Процесс одобрения кредитов, который часто приводят как пример банковской деятельности, где активно применяется ИИ, находится лишь на пятом месте. Категория KYC и AML расшифровывается как Know Your Customer (процесс получения информации о клиенте, проверки его личности и т. п.) и Anti-Money Laundering (борьба с отмыванием денег — комплекс мер, осуществляемых финансовыми учреждениями и другими регулируемыми организациями для предотвращения финансовых преступлений).
Говоря о применении ИИ в банковской сфере в России, следует привести опыт компании Сбер. В Сбербанке развиваются технологии поддержки принятия решений, компьютерного зрения, обработки языка, речевой аналитики, что позволяет в значительной степени повысить качество сервисов.
-
Add a note