Решение загадки производительности ИИ в банковской сфере

Опубликовано 1 августа 2019 г.

Авторы: Лукас Дю Кроо Де Йонг, Йорг Эрлебах и Марк Поли

В финансовых службах существует консенсус в отношении того, что искусственный интеллект (ИИ) может изменить правила игры. Банки хранят огромные хранилища данных. Поэтому логично, что банки должны поставить ИИ в центр своей бизнес-модели, чтобы обеспечить более быстрые и разумные решения и более персонализированное обслуживание клиентов.

Учитывая сходство банковского дела с технологиями (банки любят называть себя технологическими компаниями), в отрасли вызывает разочарование то, что ИИ еще не оправдал ожиданий. Фактически, его влияние остается скорее маргинальным, чем преобразующим, и лишь немногие банки превратили его потенциал в существенное влияние на чистую прибыль.

Для большинства отраслей и игроков ИИ - это технология на ранней стадии, поэтому проблемы с прорезыванием зубов естественны. Даже в этом случае банки могли бы прогрессировать быстрее. Одна из причин, по которой они этого не сделали, заключается в том, что они склонны использовать беспорядочный подход к экспериментам, выбирая варианты использования, которые кажутся привлекательными, но не приводят ни к значительному снижению затрат, ни к увеличению доходов. Кроме того, многие банки не видят более широкой картины с точки зрения соответствующих требований, касающихся корпоративного управления и операций. Результатом является недостаточно эффективная стратегия искусственного интеллекта, которая не работает.

Банкам требуется более амбициозная повестка дня для ИИ, которая сводится к вековым изменениям. Чтобы технология работала эффективно, им необходимо поставить ее на передний план и поддержать ее операционной моделью, ориентированной на данные - ориентированность на клиента требует ориентированности на данные. Задача сложная, но приз значительный. Мы считаем, что средний бизнес и розничный банк с годовой прибылью в 1 миллиард долларов может реально увеличить чистую прибыль в размере 150–200 миллионов долларов в течение одного-двух лет.

Установление финансового воздействия

При правильном подходе ИИ может помочь банкам добиться значительного повышения производительности в краткосрочной перспективе. (1)

Тем не менее, важным фактором эффективной реализации является научиться ходить, прежде чем пытаться бегать. Имея это в виду, первым шагом должен быть выбор нескольких вариантов использования, которые могут оказать финансовое влияние на раннем этапе процесса. Если банки понимают это правильно, необходимые элементы (от культурных изменений до стандартизации данных и обновления ИТ) становятся гораздо более целенаправленными, поскольку тогда ключевой движущей силой является влияние прибылей и убытков. Затем они могут начать действовать как крупные технологические компании, потому что у них есть все необходимое для масштабных экспериментов с приложениями ИИ.

Некоторые банки приняли этот итеративный подход, гарантируя, что выгоды будут существенными, измеримыми и контролируемыми в процессе перехода. Конечно, индивидуальные ситуации будут различаться в зависимости от рынка и бизнес-модели. В основе большинства успешных реформ лежат три ключевых элемента:

Фокус: успешная трансформация обычно начинается с нескольких флагманских приложений, которые могут иметь прямое влияние на выручку, прибыль и / или удовлетворенность клиентов.
Драйв: для каждого варианта использования руководители должны координировать, а иногда даже управлять внедрением в рамках всего бизнеса.
Трансформация: Параллельно варианты использования должны проложить путь для следующего поколения.

Сосредоточение внимания на самых масштабных сценариях использования

Распространенная ошибка в банковской сфере - сосредоточить первые инициативы AI на общих аналитических возможностях, таких как программы стандартизации данных. Это может упускать из виду, например, если нет смысла в том, полезны ли эти данные в контексте ИИ. Лучший подход - выбрать несколько флагманских приложений, которые обещают прямое и значительное влияние на выручку, прибыль и / или удовлетворенность клиентов. Это имеет финансовый смысл и предотвращает естественную тенденцию начинать с приложений с низким уровнем риска, которые имеют мало шансов создать значительную ценность.

На практике наиболее привлекательными областями финансовых услуг являются: перекрестные продажи, интеллектуальное удержание, ценообразование, разведка и кредитный мониторинг. Это уже существующие виды деятельности, которые удобны для аналитики и могут извлечь выгоду из способности искусственного интеллекта выделять отличительные черты отдельных клиентов - создавая «сегменты одного». Две области, особенно чувствительные к быстрой победе, - это перекрестные продажи и ежегодные кредитные обзоры для малых и средних предприятий (МСП). В обоих случаях реализации ИИ по-прежнему достаточно редки для создания конкурентного преимущества, однако это, скорее всего, изменится в следующие два-три года.

Наконец, важно сосредоточить внимание на нескольких вариантах использования, потому что при этом признается, что изменить сложно. Новые аналитические возможности требуют значительной согласованности в рамках всего банка, от сквозных требований (например, данных и ИТ-архитектуры) до бизнес-процессов и показателей эффективности работы с талантами и фронт-офиса. Однако наиболее важно то, что команды, которые владеют процессом, в который вкладывается аналитика, должны быть открыты для изменений - без поддержки, без успеха.

В одном из примеров успешной трансформации европейский банк опробовал механизм перекрестных продаж с участием 200 менеджеров по работе с клиентами (RM) и девяти классов продуктов. Механизм аналитики был разработан, чтобы помочь менеджерам по менеджменту ответить на два простых вопроса:

«Что я должен сказать, если мне позвонит клиент?»
«С какими клиентами мне следует встретиться дальше?»

Банк проявил прагматический подход, начав только с легкодоступных данных и разработав модели исключительно для ответа на эти вопросы. Результатом стал простой веб-инструмент, поддерживающий RM в их коммуникациях в реальном времени. Реализация поощрялась за счет стимулов и мониторинга эффективности.

Аналитическая система определила первую партию из 12 000 потенциальных клиентов. Каждый RM взял на себя 60 лидов. Учитывая качество потенциальных клиентов, менеджеры по маркетингу отказались от своей давней схемы перекрестных продаж. На основе пилотного проекта прогнозируемый рост доходов портфеля клиентов МСП составляет около 10%.

Схема реализации

В разных отраслях около 70% усилий по внедрению ИИ сосредоточено на разработке бизнес-процессов, внедрении и управлении изменениями. Только 30% относится к моделированию и обработке данных. Одна из причин заключается в том, что ИИ - это технология общего назначения, а это означает, что он имеет ряд приложений в рамках всего бизнеса. Это вносит сложность и зависимости по мере развертывания проектов. Кроме того, преобразование в организацию, ориентированную на данные, требует новых протоколов практически для каждого аспекта операций. Процесс изменений также требует ряда навыков, чтобы заставить его работать. По этим причинам важное значение имеет высшее исполнительное руководство (возможно, генеральный директор или руководитель направления бизнеса).

В одном из примеров успешной реализации банк использовал ИИ, чтобы сократить отток розничных клиентов и создать более персонализированные услуги. Он начался с того, что сфокусировался на миллионе клиентов, на которые в совокупности приходилось 70 миллиардов точек данных. Срок реализации проекта составлял шесть месяцев. Первый набор моделей ИИ выявил возможности удержания и перекрестных продаж, а второй набор предлагал наиболее эффективные каналы связи с людьми. Программа потребовала значительных операционных изменений (от сценариев колл-центра до разрешений механизма SMS), и был задействован генеральный директор, который обеспечил выполнение всех межфункциональных разрешений и мандатов. Пилотный проект был успешным, что привело к снижению оттока клиентов на 14%. Позднее он был расширен до 8 миллионов клиентов банка и более комплексной программы трансформации в течение 24 месяцев.

Преобразование бизнеса и создание основы с помощью ранних сценариев использования

Чтобы запустить крупное приложение в производство, банкам требуется реформирование операционных моделей, бизнес-процессов и ИТ-архитектуры. Хорошая новость заключается в том, что, как только они появятся, они могут послужить основой для будущих программ искусственного интеллекта. Этот

это гибкость по замыслу, так что ценность накапливается в процессе, а также в конечном результате.

В одном примере североамериканский банк начал преобразование ИИ, сосредоточившись на андеррайтинге МСП (до 5 миллионов долларов) и ежегодном кредитном мониторинге. Его целью было развитие возможностей искусственного интеллекта для решения именно этих проблемных точек. Компания взяла на себя инициативу и продолжала работать при поддержке функции управления рисками. С точки зрения данных, ключевой целью было составление высокочувствительного прогноза ликвидности для каждого клиента. Данные транзакций были дополнены данными за 10 лет из различных источников, собранными с помощью 17 интерфейсов прикладного программирования (API). Банк собрал сильную ИТ-команду из 30 человек для создания API с использованием гибких методов, и команда и API остались на месте после проекта. Банк также нанял еще четырех специалистов по данным по постоянным контрактам для разработки и проверки конкретной модели.

Проект позволил автоматизировать 70% кредитных процессов (для клиентов самого высокого уровня) и снизить расходы на андеррайтинг на 6 млн долларов. В то же время банк изменил качество обслуживания клиентов. «Время, чтобы дать ответ» было сокращено с двух недель до половины дня. Банку также удалось существенно автоматизировать кредитный мониторинг. Результатом стало более детальное понимание, позволяющее аналитикам уделять больше времени клиентам с высоким уровнем риска, что привело к ежегодной экономии около 30 миллионов долларов.

_____

Опыт банков, приступивших к трансформации искусственного интеллекта, показывает, что «позволить расцветать тысячей цветов», как это часто наблюдается в высокоразвитых технологических компаниях, - это неправильный путь вперед. Скорее, банки должны принять стратегический и итеративный подход, при котором быстрые победы обеспечивают прогресс и позволяют вносить необходимые изменения в культуру, операции и инфраструктуру. Варианты использования, которые повышают ценность сейчас, потеряют свое конкурентное преимущество через два-три года. Поэтому задача банков - действовать быстро, добиться успеха, а затем перейти к следующему многообещающему эксперименту.

(1) См. С. Рансботэм, П. Герберт, М. Ривз, Д. Кирон и М. Спира, «Искусственный интеллект в бизнесе становится реальным», MIT Sloan Management Review и отчет Boston Consulting Group, сентябрь 2018 г .; и С. Рансботэм, П. Герберт, М. Ривз и Д. Кирон, Изменение бизнеса с помощью искусственного интеллекта, MIT Sloan Management Review и отчет Boston Consulting Group, сентябрь 2017 г.

Решение загадки производительности ИИ в банковской сфере