เอาชนะความท้าทายที่ใหญ่ที่สุดที่สถาบันการเงินต้องเผชิญเมื่อต้องใช้การวิเคราะห์

เอาชนะความท้าทายที่ใหญ่ที่สุดที่สถาบันการเงินต้องเผชิญเมื่อต้องใช้การวิเคราะห์

ประทับเวลา: 17 พฤษภาคม 2023 11:26 น
โหนดต้นทาง: 2667079

สถาบันการเงินขับเคลื่อนด้วยข้อมูลโดยธรรมชาติ กระบวนการหลักทั้งหมด — รวมถึงการประเมินความเหมาะสมของลูกค้า การตัดสินใจจัดสรรเครดิต และการจัดการบัฟเฟอร์สภาพคล่อง — ขึ้นอยู่กับการเข้าถึงข้อมูลและแบบจำลอง AI เพื่อทำการตัดสินใจทางธุรกิจที่ปรับความเสี่ยงได้ดีที่สุด 

ความใกล้ชิดของข้อมูลนี้ควรช่วยให้สถาบันบริการทางการเงินมีความได้เปรียบในการเร่งความเร็วที่สูงชันไปสู่การวิเคราะห์เต็มรูปแบบและการฝัง AI แต่ก็ยังมีอุปสรรคสำคัญที่ยังคงอยู่ 

เริ่มต้นด้วยการเข้าถึงข้อมูล

ข้อมูลเป็นเหมือนขนมปังและเนยของสถาบันการเงิน โดยมีโครงสร้างข้อมูลที่มาจากองค์ประกอบในอดีตของแบบจำลองธุรกิจและระบบข้อมูลพื้นฐาน ด้วยเหตุนี้ ข้อมูลจึงมักถูกจัดระเบียบตามผลิตภัณฑ์และกิจกรรมต่างๆ 

ประวัติความเป็นมาของการควบรวมกิจการยังมีอิทธิพลต่อรากฐานของระบบข้อมูล สร้างภาระและอุปสรรคแบบเดิมในการเข้าถึงข้อมูลได้ง่ายขึ้น เมื่อรวมกับการบริหารจัดการด้านกฎระเบียบในระดับสูงที่เกี่ยวข้องกับการเข้าถึงข้อมูล ถือเป็นอุปสรรคสำคัญประการแรกในการพัฒนาการวิเคราะห์  

ขั้นตอนแรกคือให้องค์กรรับรู้ว่าการปรับขนาดด้วยการวิเคราะห์เริ่มต้นด้วยการขยายการเข้าถึงข้อมูล ธนาคารและบริษัทประกันภัยลังเลอย่างยิ่งที่จะทำเช่นนั้นด้วยเหตุผลหลายประการ รวมถึงกฎระเบียบ (เช่น GDPR) การไม่มีคลังสินค้าส่วนกลาง การรับรู้ความเสี่ยงเกี่ยวกับความยืดหยุ่นของโครงสร้างพื้นฐาน และอื่นๆ 

อย่างไรก็ตาม มันยังคงเป็นขั้นตอนสำคัญในการเร่งความเร็วที่เหมาะสม ซึ่งสามารถทำได้โดยการรวมความคล่องตัวของพื้นที่ทดลองแบบเปิดเข้ากับการกำกับดูแลที่แข็งแกร่ง เพื่อรับการประเมินภาวะวิกฤตและย้ายไปสู่การใช้งานจริง 

ประโยชน์หลักประการหนึ่งของกลยุทธ์นี้ยังอยู่ที่ความสามารถของทีมจัดการข้อมูลในการเปลี่ยนไปใช้แนวทางที่อิงหลักฐานเชิงประจักษ์ ทำไม เนื่องจากธุรกิจทั้งหมดจะอ้างว่าข้อมูลของตนมีความสำคัญสูงสุด ในลักษณะเดียวกันทุกทีมจะขอให้เครื่องมือของตนมีสถานะ P1 ในแผนการกู้คืนเสมอ 

การใช้ประโยชน์จากหลักฐานในการใช้งานที่จับต้องได้เป็นวิธีที่มีประสิทธิภาพในการลดการอภิปรายด้านการบริหารและความพยายามในการรับรองที่เจ็บปวด แน่นอนว่าสิ่งนี้จะต้องทำด้วยโครงสร้างเทคโนโลยีที่เหมาะสมเพื่อลดความเสี่ยงที่เกี่ยวข้องทั้งหมด ไม่ว่าจะเป็นจากมุมมองการเข้าถึงข้อมูลโดยใช้ข้อมูลตัวอย่าง ไปจนถึงความปลอดภัยและการควบคุมการเข้าถึง   

ความสำคัญของการยกระดับทักษะ

อุปสรรคสำคัญอีกประการหนึ่งในการพัฒนาการวิเคราะห์นั้นเชื่อมโยงกับการยกระดับทักษะและความไว้วางใจ ระดับความรู้ข้อมูลโดยเฉลี่ยอยู่ในระดับสูงในสถาบันบริการทางการเงินในหมู่ผู้เชี่ยวชาญด้านการสร้างแบบจำลอง อย่างไรก็ตาม สำหรับธุรกิจอื่นๆ การย้ายไปสู่การวิเคราะห์แบบฝังตัวของธุรกิจจำเป็นต้องเปลี่ยนกรอบความคิด เช่นเดียวกับการยกระดับทักษะด้านเทคโนโลยีและการจัดการการเปลี่ยนแปลงที่เป็นไปได้ 

ตัวอย่างที่ดีคือแนวทางปฏิบัติที่ดีที่สุดในการจัดการกับข้อมูลที่ขาดไป มีโดเมนบางแห่งที่การรับมอบฉันทะอาจเป็นที่ยอมรับได้อย่างสมบูรณ์ และโดเมนอื่นๆ ที่การรับมอบฉันทะอาจเป็นแนวทางปฏิบัติที่ไม่ดีนัก หากไม่มีราคาและคุณลักษณะสำหรับตราสารทั้งหมดที่ซื้อขายในวันใดวันหนึ่ง ก็มีหลายครั้งที่การประมาณการอาจสมเหตุสมผลมาก (เช่น การประมาณการเรียกหลักประกันและความเสี่ยง)  

อย่างไรก็ตาม ในบางกรณี การ "คาดเดา" ข้อมูลว่างอาจส่งผลกระทบอย่างมีนัยสำคัญต่อการตัดสินใจ บริษัทที่ยินดีรับการวิเคราะห์จะต้องลงทุนในการยกระดับทักษะของพนักงาน และสร้างสภาพแวดล้อมการทำงานร่วมกันที่เหมาะสมเพื่อจัดระเบียบการแลกเปลี่ยนและการควบคุมระหว่างผู้เชี่ยวชาญด้านความเสี่ยง นักธุรกิจ และนักวิทยาศาสตร์ข้อมูลเพื่อพัฒนาความคิดริเริ่มที่มีการควบคุมอย่างดี

ภาคบริการทางการเงินประสบความสำเร็จด้วย AI ได้อย่างไร 

กลุ่มแรกที่ยอมรับการเดินทางของ AI คือทีมการลงทุนที่แสวงหาข้อมูลเชิงลึกทางการตลาดและรูปแบบการลงทุนที่ไม่เหมือนใครอย่างต่อเนื่อง ได้เห็นโอกาสพิเศษในการสร้างสรรค์นวัตกรรมใน AI แม้ว่าจะประสบความสำเร็จอย่างมากสำหรับบางคน แต่ก็ยังนำไปสู่ความคิดริเริ่มที่ไม่เกิดผลมากมาย และในระดับหนึ่ง ทำให้เกิดความเข้าใจผิดว่า AI เป็นเพียงเกี่ยวกับนวัตกรรมและการเจาะลึกหัวข้อตลาดขั้นสูงเท่านั้น 

บริษัททางการเงินที่ประสบความสำเร็จมากที่สุดกับ AI คือบริษัทที่มุ่งเน้นความคิดริเริ่มด้าน AI ของตนไปที่ “หัวข้อการแก้ปัญหาในวันแรก” เช่น การเพิ่มประสิทธิภาพกระบวนการปฏิบัติงาน การวิเคราะห์ลูกค้าและการปรับปรุงการเดินทางของลูกค้า การบริหารความเสี่ยงในทุกมิติ และอื่นๆ

หลังจากใช้เวลานานกว่า 10 ปีของการเปลี่ยนแปลงด้านกฎระเบียบเชิงลึก ผู้เล่นทางการเงินทุกคนได้ปรับปรุงกรอบความเสี่ยงของตนอย่างมีนัยสำคัญ แต่ยังมีอีกมากที่ต้องทำในทุกมิติ การบูรณาการ AI ที่ประสบความสำเร็จในการบริหารความเสี่ยงมีบทบาทสำคัญในการสนับสนุนความแข็งแกร่งของระบบธนาคาร รวมถึงความคล่องตัวและผลกระทบในการสืบสวน การพัฒนาการควบคุมภายในใหม่ และการปรับปรุงการติดตามอาชญากรรมทางการเงินผ่านการวิเคราะห์ เป็นต้น

AI ยังเป็นการปฏิวัติที่แท้จริงในการประเมินความเสี่ยง โดยเฉพาะอย่างยิ่งผ่านการใช้ข้อมูลทางเลือกที่ได้รับการปรับปรุง สิ่งนี้เป็นจริงทั้งสำหรับความเสี่ยงแบบดั้งเดิมและความเสี่ยงที่เกิดขึ้นใหม่ เช่น การเปลี่ยนแปลงสภาพภูมิอากาศ การช่วยเหลือผู้เล่นทางการเงินทุกคน ทั้งธนาคารและบริษัทประกันภัย ให้พิจารณาทบทวนวิธีกำหนดราคาความเสี่ยง ผู้ที่พัฒนาความเชี่ยวชาญที่แข็งแกร่งในการใช้ประโยชน์จากข้อมูลทางเลือกและการสร้างแบบจำลองที่คล่องตัวสามารถได้รับประโยชน์อย่างแท้จริงจากการลงทุนของพวกเขาในช่วงวิกฤตด้านสุขภาพที่กำลังดำเนินอยู่ ซึ่งท้าทายโมเดลแบบดั้งเดิมอย่างมาก (โดยเฉพาะอย่างยิ่งการให้คะแนนสำหรับองค์กร)

สุดท้ายนี้ ไม่ควรมองข้ามผลกระทบเชิงบวกของ AI ที่มีต่อลูกค้า บริการทางการเงินต้องเผชิญกับภูมิทัศน์การแข่งขันที่รุนแรง รวมถึงความต้องการจากลูกค้าในการปรับปรุงรูปแบบเฉพาะบุคคล ซึ่งผลักดันให้เกิดการวางแนวลูกค้าที่ดีขึ้นในองค์กรเหล่านี้ ความสามารถในการสร้างมุมมองของลูกค้าที่สมบูรณ์และเพิ่มประสิทธิภาพการเดินทางของลูกค้า โดยเฉพาะอย่างยิ่งในการจัดการการเรียกร้องค่าสินไหมทดแทน เป็นสองตัวอย่างของด้านที่ AI ได้สนับสนุนการเปลี่ยนแปลงเชิงลึกภายในธนาคารและบริษัทประกันภัยอย่างมีนัยสำคัญ และยังมีโอกาสอีกมากมายที่รอการสำรวจ 

โดยรวมแล้ว การวิเคราะห์และ AI ยังคงเป็นโอกาสสำคัญในการสร้างผลตอบแทนให้กับคนส่วนใหญ่ ความจริงที่ว่าเราเห็น AI และการวิเคราะห์ออกจากห้องปฏิบัติการข้อมูลบ่อยครั้งมากขึ้นเพื่อฝังลงในสายธุรกิจอย่างสมบูรณ์ แสดงให้เห็นว่ามีความเคลื่อนไหวอยู่ที่นั่น อย่างไรก็ตาม ยังมีอะไรให้ทำอีกมาก และยังมีการแข่งขันระหว่างผู้เล่นเพื่อดูว่าใครจะคว้าศักยภาพสูงสุดได้ก่อน เดิมพันของฉันคือผู้ที่ตัดสินใจที่จะเอาชนะอุปสรรคที่จับต้องได้และรับรู้ในการเข้าถึงข้อมูล โดยเน้นที่การกำกับดูแลร่วมกัน โดยมุ่งเน้นไปที่การปรับปรุงกระบวนการอย่างเป็นระบบ

ประทับเวลา:

เพิ่มเติมจาก ฟินเท็กซ์ทรา