Unele bănci preferă să adopte inovaţia ca un mod de operare, altele să aştepte şi să analizeze reacţia pieţei, înainte să implementeze tehnologii sau modele similare. În cazul adoptării ML, pare să existe un consens că aceasta va îmbunătăţi interacţiunea personalizată cu clientul, va reduce costurile cu vânzările şi timpul de reacţie şi va îmbunătăţi acurateţea predicţiilor în cadrul activităţilor operaţionale, cum ar fi cele despre performanţele vânzărilor, riscurile de neperformanţă a produsului, evoluţia pieţei sau comportamentul clienţilor.

Dacă analizăm pieţele mai avansate, sectorul băncilor de investiţii (în special cele comerciale) utilizează de aproape un deceniu deja modele matematice avansate şi infrastructură de ultimă generaţie (inclusiv private cloud) pentru a automatiza selectarea activelor profitabile şi executarea tranzacţiilor.

Adoptatorii timpurii ai algoritmilor de Machine Learning

Primele versiuni de ML au fost folosite pentru a ajuta la detectarea fraudelor şi riscurilor de securitate, prin utilizarea unui set complex de reguli. Algoritmii mai noi asigură o protecţie activă, se adaptează în timp real la ameninţările existente şi le elimină pe cele potenţiale prin analizarea continuă a unor fluxuri de date interne şi externe.

Un alt domeniu a fost administrarea automată a portofoliilor (sau robo-consultanţi) . Aceştia implică algoritmi matematici combinaţi cu învăţarea automată, care monitorizează şi iau decizii semiautomate (în funcţie de anumite praguri) care calibrează portofoliul financiar astfel încât acesta să fie în concordanţă cu obiectivele legate de venituri şi de expunerea la risc setate de oameni.

În alte zone, precum creditarea şi subscrierea, s-au experimentat algoritmii de învăţare automată pentru a creşte acurateţea predicţiilor sau pentru a reduce riscul asigurătorului în privinţa produselor de asigurare generală.

În concordanţă cu politica orientării spre client, ML a început, de asemenea, să genereze un nivel mai bun de interacţiune cu clientul, creşterea gradului de loializare şi cum menţionam, de anticipare a ameninţărilor la adresa securităţii cibernetice.

Machine Learning: cum ne afectează?

Întrebarea care ne vine în minte atunci când auzim de ML este legată de rolul pe care îl vom avea după apariţia unei inteligenţe robotice, ultra rapide, care ne va ghida şi probabil monitoriza şi va fi bazată pe date la care nu am avut neapărat acces (a se vedea „fake news”). Ce ştim pentru moment este ca ML a transformat majoritatea locurilor de muncă, îmbunătăţind cunoaşterea umană prin analiza mai rapidă a unui volum mai mare de date. Să luăm exemplul centrelor telefonice de asistenţă a clienţilor: roboţii creaţi pe bază de ML răspund la întrebările frecvent adresate, reducând astfel nevoia de personal.

În acelaşi timp, ML a creat şi multe locuri de muncă. Aceste soluţii necesită forţă de lucru care să structureze şi să clasifice baza de cunoştinţe existente despre fiecare client şi, de asemenea, care să „antreneze” algoritmii pentru a da răspunsuri specifice. Iar tehnologiile inteligente au nevoie de oameni inteligenţi.

Consider că tendinţa centrelor telefonice de asistenţă a clienţilor bazate pe ML se va maturiza în sectorul bancar românesc în următoarele 12 luni – vedem deja multe bănci care au lansat sau experimentează cu acest concept precum Banca Transilvania , Libra Bank  sau Raiffeisen Bank . Suntem abia la începutul drumului, iar interacţiunile actuale generează în acelaşi timp şi multă frustrare clienţilor.

Multe bănci care doresc să se diferenţieze şi mai mult în demersul de atragere a clienţilor, păstrându-şi, în acelaşi timp, planurile de optimizare a costurilor, s-au concentrat în ultima vreme asupra sinergiilor oferite de RPA (Robotic Process Automation, automatizarea proceselor prin robotizare) şi de ML, cu rezultate îmbunătăţite atât la nivelul calităţii, cât şi al eficienţei. Combinarea datelor structurate cu text nestructurat reprezintă Sfântul Graal pentru majoritatea departamentelor de marketing, vânzări şi analiză a riscului.

Având în vedere că interacţiunea vocală ajunge în prim-plan, preconizez o integrare mai mare a serviciilor bancare mobile cu aplicaţiile robotice pe bază de voce.

Ce e de făcut?

Băncile sunt supuse unei presiuni tot mai mari de a pune la dispoziţia clienţilor platformele, datele şi experienţa pe care aceştia le aşteaptă, în acelaşi timp respectând exigenţele în materie de confidenţialitate (a se vedea reglementările GDPR), securitate, juridice şi etice. Pentru a utiliza cu adevărat ML ca diferenţiator competitiv, băncile vor trebui mai întâi să identifice scenariile de utilizare comercială şi să înţeleagă ce date relevante sunt disponibile şi unde, apoi să le cureţe, clasifice şi îmbunătăţească prin intermediul datelor externe.

O decizie în privinţa infrastructurii şi aplicaţiilor (în prezent, multe fiind de tip „open source”) este obligatorie, împreună cu identificarea capacităţilor şi a unui ecosistem de parteneri pentru implementarea cu succes a soluţiilor. Odată ce scenariile de utilizare sunt agreate şi implementate, trebuie monitorizată îmbunătăţirea performanţelor şi continuată antrenarea modelelor ML, pentru a se ameliora acurateţea.

Am convingerea că băncile care au un plan clar şi realizabil, care au identificat sursele de date disponibile şi care vor adopta devreme algoritmi de ML vor beneficia de o reacţie pozitivă din partea pieţei, îşi vor îmbunătăţi marjele de profit prin reducerea riscurilor globale şi, drept consecinţă, a provizioanelor. De asemenea, îşi vor ameliora performanţa operaţională prin identificarea ineficienţelor şi vor câştiga cote de piaţă mai mari, deoarece atragerea de noi clienţi şi interacţiunea personalizată vor genera loialitate şi implicit venituri mai mari.