11 августа 2023 г.
Битва искусственных интеллектов только началась, а у банковского сектора уже есть конкурентное преимущество. Какое именно — расскажу ниже, а заодно про ИТ-ветеранов и ИТ-пионеров банкинга, бесполезный ИИ и ИИ «здорового человека». То, что нужно знать каждому, кто занимается или планирует заниматься маркетингом в финансовой сфере.
Когда технология сквозит
Искусственный интеллект называют сквозной технологией, т. е. за этим названием — алгоритмы машинного обучения для умной автоматизации. Один и тот же алгоритм с разными настройками можно применять в промышленности, в ритейле, в банкинге и в страховании. Сквозная технология позволяет повысить показатели компании, снизить издержки, автоматизировать рутинные процессы.
При использовании голосового робота на базе ИИ расходы на продажу одного банковского продукта по телефону снизились в 1,5 раза по сравнению с людьми на аутсорсе. Тот же робот при обучении на другом датасете мог бы продавать другие товары и услуги. Но осуществлять сложные экспертные продажи он вряд ли сможет. Особенно в b2b-продажах, как пример, продажах кредитных продуктов для крупных корпоративных клиентов или прокат стали. А вот уменьшать брак металлургического производства за счет автоматизации дефектоскопии, как раз может.
При повышении точности прогноза пополнения запасов товара в российской рознице хотя бы на 1%, технологии окупают себя сами, а свыше 1% уже начинают зарабатывать. Примерно та же история с анализом загрузки банкоматов наличностью. Спрос на нее можно прогнозировать с помощью ИИ и таким образом повышать экономическую эффективность.
Ветеран ИИ в банкинге
Есть классические задачи банка, которые связаны со скоррингом клиента, т. е. оценкой кредитоспособности. Оцифровка была лишь вопросом времени, как и использование машинного обучения. И это, пожалуй, один из самых первых примеров внедрения ИИ в банкинге.
Какие параметры могут влиять на общий балл?
- Орфографические ошибки в заявке на кредит: чем их больше, тем выше риск отказа (поэтому пишите правильно).
- Время чтения правил и условий — если слишком быстро, это вызывает подозрения.
- Частота доставок по месту жительства: если часто, то выше вероятность стабильного дохода.
Скорринговая оценка заемщика раньше применялась банком в 90% случаев. При рейтинге ниже 670 баллов клиент считался неблагонадежным. Когда одни и те же датасеты загрузили в FICO и ИИ-сервис, который использовал дополнительные данные для оценки, искусственный интеллект «реабилитировал» 8% заемщиков вчистую и 28% с оговорками. Как результат, вернулось более трети упущенной выгоды.
Предсказательная акция
Отдельной областью применения искусственного интеллекта стал трейдинг. Есть инвестиционные подразделения банка, и они давно используют роботизированные алгоритмы, которые сами могут торговать и определять рекомендуемую стоимость актива покупки или продажи. По сути, это предсказательная модель, которая пытается угадать следующее значение курса ценной бумаги или валюты. Это большая, сложная, но неплохо разработанная область, в которой работают финансисты, экономисты, математики, лауреаты всевозможных премий. Тут нет проблем с алгоритмами.
Еще в старом опросе Deloitte 52% финансовых сервисов подтвердили, что используют ИИ для разработки трейдинговых стратегий. Во Флориде вышло свежее исследование «Return Predictability and Large Language Models», согласно которому ChatGPT может прекрасно читать новости про компании, которые торгуются на NYSE, NASDAQ и AMEX и с учетом этих данных предсказывать курс акций.
Ну очень большие данные
Благодаря большим данным у банковского сектора уже есть преимущество в битве искусственных интеллектов. Финансовые компании накопили большой объем данных, в основном транзакционных, и они уже сами по себе несут большую ценность. Активная обработка исторических данных идет последние несколько лет. Используя эту информацию, банки могут знать предпочтения клиентов, создавать новые продукты и сервисы. Другая сторона медали — данные делают возможным обучение моделей. Как правило, ИИ бесполезен без датасета; даже если у тебя есть хороший алгоритм, без цифр натренировать и применить его не удастся.
Первые скидочные купоны начали предлагать платежные системы — как глобальная Visa, так и локальные вроде Samsung Card. Платежные системы изучали паттерны и предсказывали покупательское поведение в реальном времени с учетом геолокации. Скидка автоматически применялась при оплате, чтобы не заставлять покупателя совершать дополнительные действия.
А если обогатить транзакционные данные гео данными о передвижении клиентов, то можно предлагать ему скидки по программам лояльности по пути домой. Такие приложения уже давно работают на рынке и часто встроены в кошельки для сохранения карт лояльности или банковские приложения.
По душам с клиентом
Умная автоматизация коснулась и взаимодействий с клиентами, появилась целая отрасль — conversational business («разговорный» бизнес), основанная на различных видах анализа естественного языка (NLP). С технологической точки можно выделить алгоритмы кластеризации и классификации текстов, распознавание и синтез речи, превращение голоса в текст и обратно (text-to-speech, speech-to-text), суммаризацию сказанного, анализ тональности текста, генерацию текста.
Голосовых роботов и чатботов чаще всего внедряют контакт-центры. На ранних этапах использовалось интерактивное голосовое меню IVR (англ. Interactive Voice Response), в котором вам нужно назвать задачу или нажать цифру на телефоне. В контакт-центре часто выделяют две линии обслуживания: первая отвечает на частые и общие вопросы, а на второй работают квалифицированные эксперты. Внедрение умных алгоритмов позволяет существенно снизить нагрузку на первую линию и частично на вторую. Клиенты по-разному ведут себя в чате и в голосовом канале, поэтому ни одна технология пока не сходит с арены. Но при этом постоянно совершенствуется, повышая степень автоматизации.
ИИ в контакт-центрах позволяет автоматизировать до
70-90% звонков, в зависимости от специфики и отрасли, и ускорить среднее время на обработку запроса на 20%.
Граждане, будьте бдительны
Одной из больших бед цифровизации является киберпреступность. Любой банк защищает себя лучше, чем пользователь. Поэтому для мошенников проще зайти с этой стороны, заставить ввести учетные данные и похитить средства. Банки это понимают и стараются помочь с помощью ИИ-инструментов. Например, антифрод мониторинг — это ПО для предотвращения мошеннических транзакций, система анализирует нетипичные транзакции и реагирует на них.
Как именно устроена борьба банков с мошенничеством — рассказывать не принято, раскрытие информации сразу будет использовано киберпреступниками. По данным ЦБ за 2022 год, у клиентов банков преступники украли 14,2 млрд руб., и это больше, чем годом ранее; доля краж с помощью социальной инженерии выросла до 50,4%. Т. е. похищать техническими средствами сложно и дорого, а вот заболтать клиента, чтобы он тебе сам отдал данные от карты или пароли, гораздо дешевле.
Автоматизация документооборота
Автоматизация документооборота, как и чат-боты используется, очевидно, не только в банках. Но у финкомпаний есть своя специфика обработки документов. Важен не только сам инструмент, но и его включение в бизнес-процесс. Например, сервисы оптического распознавания используется для сканирования чеков, счетов и другой документации, которые оцифровываются и подтверждаются сотрудников быстрее, чем это делать вручную. К тому же данные отправляются в хранилище, где будут доступны для поиска и анализа тех самым транзакционных данных, о которых писали выше.
Снова про оптическое распознавание при подаче документов на кредит. Когда это происходит в розничном магазине, важна каждая секунда. Применение надежного OCR-решения на основе машинного обучения снижает скорость распознавания в два раза до 5 секунд. Звучит не очень впечатляюще, пока вы не перемножите это на тысячный трафик.
***
Как видим, ИИ в банке — это не какая-то монолитная технология, которая заменит людей, а множество различных алгоритмов машинного обучения, которые позволяют ускорить и удешевить процессы или даже увеличить продажи.
Источник: Сергей Лукашкин, эксперт по цифровой трансформации