Bank masa depan: Bagaimana Bank Menerapkan Artificial Intellegent (AI)?

Bank harus berinvestasi dalam mentransformasikan diri di empat lapisan kemampuan yang terintegrasi, kata McKinsey & Co.

Agar bank berhasil menavigasi era digital, mereka harus dapat membangun kecerdasan buatan (AI) dan kemampuan analitik yang akan membantu mereka memberikan pelayanan secara real time kepada pelanggan mereka, tulis McKinsey dalam ringkasan penelitiannya berjudul “Membangun Bank AI Masa Depan."

Kepada Asian Banking & Finance,  McKinsey& Co,  Renny Thomas dan Violet Chung membahas lebih banyak laporan dan menawarkan saran tentang apa yang harus dipertimbangkan bank sebelum mencelupkan  kaki mereka ke tingkatan yang lebih lanjut. Mereka percaya bahwa pemberi pinjaman perlu bergerak lewat roadmap perusahaam untuk menggunakan model Advanced analytics (AA) dan Machine Learning (ML) yang juga akan mencakup rencana untuk menanamkan AI dalam proses bisnis.

Selain itu, bank juga harus dapat membangun infrastruktur dan proses seperti pengukuran data dan tinjauan kinerja untuk mendorong peningkatan berkelanjutan di luar penyebaran model pertama, kata Thomas dan Chung.

Apa yang harus diingat bank terlebih dahulu sebelum melompat ke AA dan ML? Apakah perusahaan sudah siap?

AA dan ML adalah kemampuan, tetapi bank membutuhkan strategi, visi, tata kelola, infrastruktur, budaya, dan bakat untuk siap juga. Untuk membuat lapisan keputusan yang didukung AI yang kuat, bank perlu beralih secara khusus dan mengarahkan solusi ke roadmap perusahaan dalam menggunakan model AA dan ML di seluruh domain bisnis.

Selain kolaborasi yang kuat antara tim bisnis dan analitik, ini membutuhkan alat yang kuat untuk pengembangan model, proses yang efisien (misalnya, untuk menggunakan kembali kode di seluruh proyek), dan difusi pengetahuan (repositori) lintas tim. Di luar pengembangan model keputusan di seluruh domain dalam skala besar, roadmap atau peta jalan juga harus mencakup rencana untuk menanamkan AI dalam proses bisnis seperti biasa. Sering diremehkan, upaya ini membutuhkan perbaikan proses bisnis di mana model AA / AI ini akan tertanam; membuat keputusan AI "dapat dijelaskan" kepada pengguna, dan rencana perubahan manajemen  yang membahas perubahan pola pikir karyawan dan kesenjangan dalam hal keterampilan.

Untuk mendorong peningkatan berkelanjutan, bank juga perlu membangun infrastruktur (pengukuran data) dan proses (seperti, tinjauan kinerja secara berkala, manajemen risiko pada model AI) agar umpan balik selalu berkembang. Selain itu, bank perlu menambah model dan kemampuan AI buatan sendiri.

Bagaimana penyesuaian itu dikembangkan dengan keterlibatan pelanggan? Hingga titik apa klien ingin produk disesuaikan dengan mereka?

Pelanggan mengharapkan bank selalu ada setiap waktu bersama mereka. Bahkan Bank perlu bergerak melampaui ekspektasi pelanggan ”Ini membutuhkan personalisasi khusus (apa yang ditawarkan, kapan ditawarkan, saluran mana yang ditawarkan) dalam merancang proposisi nilai, termasuk kecerdasan yang mengotomatiskan keputusan dan kegiatan atas nama pelanggan. Selain itu, bank harus berusaha untuk mengintegrasikan produk dan layanan non-perbankan yang relevan yang - bersama dengan produk perbankan inti - memenuhi kebutuhan akhir pelanggan secara komprehensif.

Pergeseran lain yang diperlukan adalah menanamkan pengalaman dengan mulus ke ekosistem dan platform mitra sehingga bank dapat terlibat dengan pelanggan pada titik akhir, serta memanfaatkan data mitra dan platform saluran untuk meningkatkan keterlibatan dan penggunaan secara keseluruhan.

Terakhir, bank perlu mendesain ulang pengalaman pelanggan secara keseluruhan dan interaksi omnichannel. Ini memungkinkan pelanggan untuk bergerak di berbagai mode (mis., web, aplikasi seluler, cabang, pusat panggilan, dan perangkat pintar) secara mulus dalam satu perjalanan sambil mempertahankan dan terus memperbarui konteks interaksi terbaru. Kustomisasi tidak lagi hanya dalam produk, tetapi di seluruh pengalaman - yang mencakup saluran, produk, dan proposisi nilai.

Bagaimana bank dapat menggunakan AA / ML untuk menawarkan solusi khusus kepada klien tanpa terlihat terlalu mengganggu?

Bank harus menggunakan AA / ML di berbagai aspek siklus hidup pelanggan. Memiliki KPI yang sesuai untuk fungsi yang berbeda juga akan membantu memastikan mereka sepenuhnya mengoptimalkan pengalaman pelanggan sehingga tidak terlalu mengganggu untuk memenuhi kebutuhan klien.

Bagaimana bank dapat memastikan bahwa mesin AA / ML mereka konsisten, terutama mengenai tarif dan biaya serta penilaian risiko? Menurut Anda, seberapa sering harus dilakukan kalibrasi ulang?

Bank harus memastikan bahwa model AA / ML mereka dapat dinilai secara real time di seluruh siklus kehidupan pelanggan dan bahwa model ini harus dapat diulang dan dapat diukur. Dengan begitu, bank dapat memenuhi syarat pelanggan baru untuk layanan kredit, menentukan batas pinjaman dan harga, dan mengurangi risiko penipuan.

Apakah bank khawatir tentang kemungkinan bahwa regulator pada akhirnya akan membatasi jenis data yang dapat diakses sektor ini? Bagaimana dengan kemitraan mereka dengan penyedia pihak ketiga, terutama dengan masalah keamanan dan privasi?

Ketika bank merancang dan membangun infrastruktur manajemen data  mereka, mereka harus mengembangkan kontrol tambahan dan alat pemantauan untuk memastikan keamanan data, privasi, dan kepatuhan terhadap peraturan. Sebagai contoh, ini bisa terlihat seperti akses tepat waktu dan sesuai peran di seluruh organisasi untuk berbagai  penggunaan.

Selain itu, saat mengakses dan memanfaatkan data pribadi pelanggan, bank harus mengamankan data dan melindungi privasi pelanggan sesuai dengan peraturan setempat (mis., Peraturan Perlindungan Data Umum di UE dan Undang-Undang Privasi Konsumen California di AS). Tanpa tulang punggung data, praktis tidak mungkin untuk menganalisis data yang relevan dan menghasilkan rekomendasi yang akurat pada saat yang tepat. Jika data merupakan bahan baku perbankan, maka data harus diatur dan tersedia dengan cara yang aman yang memungkinkan analisis data dari sumber internal dan eksternal pada skala jutaan pelanggan yang dilakukan secara real-time 

Terakhir, untuk berbagai analisis dan model AI canggih untuk pengukuran, organisasi membutuhkan seperangkat alat yang kuat dan standar proses untuk membangun, menguji, menyebarkan, dan memantau model, dengan cara yang berulang.

Seperti apa masa depan dalam hal perbankan AI?

Untuk menjadi yang terdepan dalam AI, bank harus berinvestasi dalam mentransformasikan kemampuan di keempat lapisan terintegrasi: lapisan keterlibatan, lapisan pengambilan keputusan yang didukung AI, teknologi inti dan lapisan data, dan model operasi. Ini dirujuk dalam Tampilan 6 artikel “AI-bank masa depan: Dapatkah bank memenuhi tantangan AI?"

Lapisan pertama adalah tentang menata ulang lapisan keterlibatan pelanggan. Semakin banyak pelanggan mengharapkan bank hadir dalam hidup mereka, mengetahui konteks dan kebutuhan mereka di mana pun mereka berinteraksi dengan bank, dan untuk memungkinkan pengalaman tanpa gesekan.

Lapisan kedua adalah tentang membangun lapisan untuk pengambilan keputusan yang didukung AI. Memberikan pesan dan keputusan yang dipersonalisasi kepada jutaan pengguna dan ribuan karyawan, yang secara realtime di seluruh spektrum saluran keterlibatan dimana mengharuskan bank untuk mengembangkan lapisan pengambilan keputusan yang didukung AI.

Layer tiga memperkuat teknologi inti dan infrastruktur data: Menyebarkan kemampuan AI di seluruh organisasi membutuhkan serangkaian komponen teknologi inti yang dapat diukur, tangguh, dan mudah beradaptasi. Tulang punggung teknologi inti yang lemah, kekurangan investasi yang dibutuhkan untuk modernisasi, dapat secara dramatis mengurangi efektivitas lapisan pengambilan keputusan dan keterlibatan.

Terakhir, lapisan keempat sedang beralih ke model operasi platform: Bank AI-pertama di masa depan akan membutuhkan model operasi baru bagi organisasi untuk mencapai kelincahan dan kecepatan yang diperlukan untuk melepaskan nilai di lapisan lain. Sementara sebagian besar bank mentransisikan platform teknologi dan aset mereka menjadi lebih modular dan fleksibel, tim kerja di bank terus beroperasi secara fungsional di bawah model kolaborasi yang kurang optimal, yang seringkali kurang selaras dalam hal tujuan dan prioritas.