, Singapore

Bank- bank di Asia Pasifik mana yang menerapkan machine learning terbaik dan seperti apa?

Iraklis Kordomatis dari Simon-Kucher menangani bagaimana teknologi ini diterapkan di bank-bank di wilayah tersebut.

Asian Banking & Finance bertemu dengan Senior Consultant  Simon-Kucher & Partners, Iraklis Kordomatis, untuk berbicara tentang adopsi machine learning di Asia Pasifik dan apa yang harus dilakukan bank-bank di kawasan ini untuk meningkatkan teknologi dalam meningkatkan pengalaman pelanggan dan layanan internal.

Bagaimana status adopsi machine learning di bank-bank Asia Pasifik? Apakah mereka berada di garis depan, apakah mereka tertinggal, atau mereka sedang dalam proses bereksperimen?

Indikator yang baik untuk adopsi pembelajaran machine learning untuk bank-bank di Asia Pasifik dibandingkan dengan pasar lain, adalah jumlah penawaran tekfin yang didukung VC di seluruh dunia. Alasan di balik sebagian besar bank memperoleh pengetahuan machine learning (ML) dari mitra eksternal melalui kemitraan R&D, outsourcing (ML sebagai layanan) atau investasi strategis ke dalam tekfin, yang biasanya memiliki kurva belajar yang lebih curam ketika menerapkan metode pembelajaran mesin. Yang terakhir ini paling transparan untuk diamati di pasar dan memberikan kesempatan untuk membandingkan berbagai daerah satu sama lain.

Takeaways utama adala Asia tidak berada di puncak dalam jumlah kesepakatan, dengan Amerika Utara menjadi pemimpin pasar. Namun, perubahan kepemimpinan dalam waktu dekat berada di cakrawala dengan Asia memiliki tingkat pertumbuhan tertinggi di antara kawasan. Eropa tidak bisa mengimbangi laju Asia dan Amerika Utara dan diperkirakan akan tertinggal lebih jauh.

Bagaimana bank secara khusus di Asia Pasifik dapat memanfaatkan machine learning  untuk menawarkan produk dan layanan yang lebih baik dan meningkatkan sistem inti mereka?

Peluang untuk meningkatkan machine learning sangat besar. Bidang utama peningkatan dapat dibagi menjadi tiga kategori: pengalaman klien yang ditingkatkan, produk & layanan baru, dan layanan internal yang ditingkatkan.

Pengalaman Klien yang Ditingkatkan: Perilaku pelanggan sangat beragam di ekonomi Asia Pasifik. Di satu sisi, negara-negara seperti Cina, Jepang, Australia, Singapura, dan Korea Selatan memiliki basis klien yang mengerti teknologi, yang menuntut pengalaman perbankan digital yang hebat. Sedangkan di sisi lain, negara-negara dengan penetrasi ponsel pintaryang rendah memiliki permintaan yang lebih tinggi dari tatap muka atau telephone banking.

Ekonomi yang tech savvy: Untuk fungsionalitas dasar, penerapan teknik ML biasanya tidak diperlukan. Namun, jika bank ingin bekerja lebih keras dan meningkatkan kemungkinan kepuasan klien yang tinggi, teknik ML dapat diterapkan dengan trik. Aplikasi algoritma ML dapat berkisar dari otentikasi pembayaran dengan pengenalan wajah atau suara, persetujuan kredit otomatis, penetapan harga dinamis hingga rekomendasi klien yang disesuaikan untuk produk dan lainnya.

Tatap muka: Memberikan manajer hubungan dengan alat dan sistem yang memungkinkan waktu penanganan yang singkat untuk meningkatkan throughput permintaan dan mengurangi waktu tunggu di cabang. Alat dan pengambilan keputusan sistem ini dapat ditingkatkan dengan teknik ML. Biasanya, sebagian besar aplikasi berada di area pinjaman di pasar tersebut.

Produk & Layanan Baru: Berdasarkan sifat ekonomi Asia, dampak tertinggi ML dapat dicapai dalam penawaran produk berikut: crowdfunding & crowdfesting, pembiayaan mikro, dan deteksi penipuan waktu-nyata untuk pembayaran.

Crowdfunding & Crowdinvesting: Pinjaman alternatif semakin populer di Asia. Berkat populasi yang besar, ini adalah area bisnis yang menarik bagi penyedia. Perkembangan saat ini menunjukkan peningkatan pinjaman alternatif untuk UKM. Untuk menjalankan platform crowdfunding atau crowdfinvesting seperti itu, layanan tertentu perlu disediakan. Untuk beberapa orang seperti menganalisis pendanaan atau menginvestasikan proposal dan memberikan peringkat klien, teknik ML harus dimanfaatkan.

Keuangan Mikro: Asia memiliki jumlah orang tertinggi di bagian bawah piramida. Melayani klien-klien itu secara efisien adalah tantangan. Pengambilan keputusan yang ditingkatkan dan manajemen risiko yang dioptimalkan dengan algoritma ML akan memberikan potensi untuk mempertahankan portofolio kredit yang sehat dan menguntungkan.

Pembayaran - Deteksi Penipuan Real-Time: Penyedia pembayaran elektronik Asia termasuk di antara mereka yang memiliki volume transaksi tertinggi. Kebutuhan akan deteksi penipuan sangat menantang ketika diharapkan terjadi secara real time dengan serangkaian data transaksional yang luas. Dengan teknik ML yang tepat, persyaratan tersebut dapat dipenuhi. Untuk tekstual (mis. email) atau akustik (mis. rekaman telepon) input data, peningkatan ke sistem deteksi penipuan pembelajaran yang mendalam perlu dipertimbangkan.

Peningkatan layanan internal: Di Asia, biaya tenaga kerja sangat rendah, yang membuat investasi besar dalam otomatisasi sistem relatif tidak menarik. Akibatnya, proses bisnis di bank kurang otomatis dibandingkan dengan rekan-rekan Amerika Utara atau Eropa. Mengingat tahap otomatisasi proses bisnis yang rendah di Asia ini, ML belum menjadi teknologi yang mengubah permainan. Namun, manajemen risiko adalah domain di mana ML dapat memiliki dampak besar. Mengukur risiko lebih akurat daripada melalui metode klasik yang mana akan mengarah pada pengambilan keputusan yang lebih baik dan mengurangi kebutuhan margin keamanan yang terlalu tinggi. Akhirnya, jumlah efek tersebut menghasilkan biaya modal yang lebih rendah untuk bank dan karenanya meningkatkan profitabilitas.

Apa praktik terbaik dalam menerapkan pembelajaran mesin di bank? Apakah ada negara Asia Pasifik tertentu yang melakukannya dengan benar?

Itu tergantung pada tujuan dan keadaan bank saat ini. Cara tercepat adalah memperoleh tekfin dengan teknologi yang dibutuhkan. Namun, bank biasanya memperoleh tekfin, karena mereka ingin menawarkan produk atau layanan tekfin ke basis klien mereka. Bank tidak ingin belajar dari kemampuan ML yang telah dimanfaatkan untuk produk atau penawaran layanan. Kerugian lain dari akuisisi adalah bahwa mereka biasanya cukup mahal dibandingkan pendekatan lain.

Pendekatan lain adalah bekerja sama dengan perusahaan, yang menyediakan layanan ML. Empat bank teratas Australia menuju ke arah ini. Keuntungannya adalah bahwa pendekatan ini agak murah dan tergantung pada pengaturannya, waktu singkat untuk memasarkan masih dapat dicapai. Namun, membangun hubungan yang dapat dipercaya dengan perusahaan, dengan siapa bank biasanya berbagi informasi yang cukup sensitif, di sisi lain biasanya tidak semudah itu.

Pendekatan terakhir adalah membangun kemampuan in-house, yang umumnya lebih mahal daripada bekerja sama dengan perusahaan layanan ML, tetapi lebih murah daripada mengakuisisi perusahaan lain. Namun, waktu untuk memasarkan layanan, produk, dll yang berpotensi ditingkatkan ML. kemungkinan akan menjadi yang terpanjang. Membangun kemampuan ML di rumah tidak selalu berarti melakukan semuanya di rumah. Memiliki ahli ML in-house sebagai mitra sparring untuk bisnis akan sangat bermanfaat karena ahli dapat dengan cepat menilai ide mana yang dapat direalisasikan dengan menerapkan algoritma ML dan akan membantu menyalurkan ide ke dalam proyek konkret. Peran potensial lain untuk seorang ahli internal adalah memberi nasihat kepada dewan tentang akuisisi strategis tekfin. Peran ketiga adalah menjadi manajer hubungan untuk perusahaan layanan ML yang diamanatkan bank, untuk memberikan solusi ML. Bagaimanapun, harus dikatakan membentuk tim ahli ML dalam bank sangat dianjurkan.

Apa manfaat yang akan dibawa machine learning ke bank yang akan menggunakannya?

Tiga keuntungan utama penerapan ML adalah peningkatan kepuasan klien, berkurangnya struktur biaya, dan peningkatan profitabilitas.

Peningkatan kepuasan klien: Melayani klien lebih baik daripada sesama bank menghasilkan potensi pengurangan klien dan peningkatan konsumsi (karena klien yang bahagia menghabiskan lebih banyak). Semua ini menghasilkan potensi pendapatan yang lebih tinggi untuk bank.

Struktur biaya yang berkurang: Mengoptimalkan proses internal dan penurunan biaya modal dapat secara signifikan mengurangi struktur biaya bank.

Peningkatan profitabilitas: Peningkatan potensi pendapatan dengan penurunan biaya akan menyebabkan peningkatan profitabilitas bank.

Follow the link for more news on

UNO Digital Bank menargetkan menjadi bank virtual terdepan di Filipina

CEO Manish Bhai mengatakan mereka ingin menjadi yang pertama dalam memenuhi kebutuhan keuangan nasabah Filipina.

DBS Hong Kong pamerkan seragam baru untuk merepresentasikan cabang yang lebih hijau

Bank membuat pernyataan tentang masa depan bukan melalui produk baru, tetapi dengan seragam.

Sektor keuangan dan perbankan Indonesia merupakan industri kedua yang paling banyak mendapat serangan siber

Lembaga keuangan diserang tiga kali lipat dari rata-rata global setiap minggu.

Investasi fintech Indonesia mencapai rekor tertinggi di semester pertama

Payment gateway Xendit mengumpulkan $300 juta dalam pendanaan Seri D untuk membantu menaikkan angka.

Thailand mengejar ketertinggalan keuangan hijau global

Bank menyerukan legislator untuk mengenakan pajak karbon dan tujuan taksonomi bersama.

DBS menunjuk Lim Chu Chong sebagai presiden direktur DBS Indonesia

Lim saat ini menjabat sebagai COO Institutional Banking Group DBS.

Home Credit Indonesia menyepakati pinjaman terkait ESG senilai $10 juta dengan Deutsche Bank

Pinjaman tersebut akan digunakan untuk meningkatkan inklusi dan literasi keuangan.

Data adalah kutukan sekaligus anugerah dalam upaya mengatasi kesenjangan investasi yang berkelanjutan

Menggunakan alat ini dengan cara yang benar adalah kunci untuk mendorong dan memenuhi tujuan ESG, kata Sisca Margaretta dari Experian.

LINE Bank Indonesia meluncurkan dua pinjaman digital baru

Pinjaman ini memiliki opsi pembayaran yang fleksibel.