In general, sectoarele care imbratiseaza inovatia mai rapid sunt cele in care se observa o lupta constanta pentru clienti, care sunt, pe zi ce trece, tot mai nestatornici – sectorul bancar fiind reprezentativ din acest punct de vedere.

Unele banci prefera sa adopte inovatia ca un mod de operare, altele sa astepte si sa analizeze reactia pietei, inainte sa implementeze tehnologii sau modele similare. In cazul adoptarii ML, pare sa existe un consens ca aceasta va imbunatati interactiunea personalizata cu clientul, va reduce costurile cu vanzarile si timpul de reactie si va imbunatati acuratetea predictiilor in cadrul activitatilor operationale, cum ar fi cele despre performantele vanzarilor, riscurile de neperformanta a produsului, evolutia pietei sau comportamentul clientilor.

Daca analizam pietele mai avansate, sectorul bancilor de investitii (in special cele comerciale) utilizeaza de aproape un deceniu deja modele matematice avansate si infrastructura de ultima generatie (inclusiv private cloud) pentru a automatiza selectarea activelor profitabile si executarea tranzactiilor.

Adoptatorii timpurii ai algoritmilor de Machine Learning
Primele versiuni de ML au fost folosite pentru a ajuta la detectarea fraudelor si riscurilor de securitate, prin utilizarea unui set complex de reguli. Algoritmii mai noi asigura o protectie activa, se adapteaza in timp real la amenintarile existente si le elimina pe cele potentiale prin analizarea continua a unor fluxuri de date interne si externe.

Un alt domeniu a fost administrarea automata a portofoliilor (sau robo-consultanti). Acestia implica algoritmi matematici combinati cu invatarea automata, care monitorizeaza si iau decizii semiautomate (in functie de anumite praguri) care calibreaza portofoliul financiar astfel incat acesta sa fie in concordanta cu obiectivele legate de venituri si de expunerea la risc setate de oameni.

In alte zone, precum creditarea si subscrierea, s-au experimentat algoritmii de invatare automata pentru a creste acuratetea predictiilor sau pentru a reduce riscul asiguratorului in privinta produselor de asigurare generala.
In concordanta cu politica orientarii spre client, ML a inceput, de asemenea, sa genereze un nivel mai bun de interactiune cu clientul, cresterea gradului de loializare si cum mentionam, de anticipare a amenintarilor la adresa securitatii cibernetice.

Machine Learning: cum ne afecteaza?
Intrebarea care ne vine in minte atunci cand auzim de ML este legata de rolul pe care il vom avea dupa aparitia unei inteligente robotice, ultra rapide, care ne va ghida si probabil monitoriza si va fi bazata pe date la care nu am avut neaparat acces (a se vedea „fake news”). Ce stim pentru moment este ca ML a transformat majoritatea locurilor de munca, imbunatatind cunoasterea umana prin analiza mai rapida a unui volum mai mare de date. Sa luam exemplul centrelor telefonice de asistenta a clientilor: robotii creati pe baza de ML raspund la intrebarile frecvent adresate, reducand astfel nevoia de personal.

In acelasi timp, ML a creat si multe locuri de munca. Aceste solutii necesita forta de lucru care sa structureze si sa clasifice baza de cunostinte existente despre fiecare client si, de asemenea, care sa „antreneze” algoritmii pentru a da raspunsuri specifice. Iar tehnologiile inteligente au nevoie de oameni inteligenti.

Consider ca tendinta centrelor telefonice de asistenta a clientilor bazate pe ML se va maturiza in sectorul bancar romanesc in urmatoarele 12 luni – vedem deja multe banci care au lansat sau experimenteaza cu acest concept precum Banca Transilvania, Libra Bank sau Raiffeisen Bank . Suntem abia la inceputul drumului, iar interactiunile actuale genereaza in acelasi timp si multa frustrare clientilor.

Multe banci care doresc sa se diferentieze si mai mult in demersul de atragere a clientilor, pastrandu-si, in acelasi timp, planurile de optimizare a costurilor, s-au concentrat in ultima vreme asupra sinergiilor oferite de RPA (Robotic Process Automation, automatizarea proceselor prin robotizare) si de ML, cu rezultate imbunatatite atat la nivelul calitatii, cat si al eficientei. Combinarea datelor structurate cu text nestructurat reprezinta Sfantul Graal pentru majoritatea departamentelor de marketing, vanzari si analiza a riscului.

Avand in vedere ca interactiunea vocala ajunge in prim-plan, preconizez o integrare mai mare a serviciilor bancare mobile cu aplicatiile robotice pe baza de voce.

Ce e de facut?
Bancile sunt supuse unei presiuni tot mai mari de a pune la dispozitia clientilor platformele, datele si experienta pe care acestia le asteapta, in acelasi timp respectand exigentele in materie de confidentialitate (a se vedea reglementarile GDPR), securitate, juridice si etice. Pentru a utiliza cu adevarat ML ca diferentiator competitiv, bancile vor trebui mai intai sa identifice scenariile de utilizare comerciala si sa inteleaga ce date relevante sunt disponibile si unde, apoi sa le curete, clasifice si imbunatateasca prin intermediul datelor externe.

O decizie in privinta infrastructurii si aplicatiilor (in prezent, multe fiind de tip „open source”) este obligatorie, impreuna cu identificarea capacitatilor si a unui ecosistem de parteneri pentru implementarea cu succes a solutiilor. Odata ce scenariile de utilizare sunt agreate si implementate, trebuie monitorizata imbunatatirea performantelor si continuata antrenarea modelelor ML, pentru a se ameliora acuratetea.

Am convingerea ca bancile care au un plan clar si realizabil, care au identificat sursele de date disponibile si care vor adopta devreme algoritmi de ML vor beneficia de o reactie pozitiva din partea pietei, isi vor imbunatati marjele de profit prin reducerea riscurilor globale si, drept consecinta, a provizioanelor. De asemenea, isi vor ameliora performanta operationala prin identificarea ineficientelor si vor castiga cote de piata mai mari, deoarece atragerea de noi clienti si interactiunea personalizata vor genera loialitate si implicit venituri mai mari.

Autor: Cristian Carstoiu (foto), Partener in cadrul Departamentului de Asistenta in Afaceri, EY Romania