Как машинное обучение меняет банковскую индустрию

МЕНЮ


Искусственный интеллект
Поиск
Регистрация на сайте
Помощь проекту

ТЕМЫ


Новости ИИРазработка ИИВнедрение ИИРабота разума и сознаниеМодель мозгаРобототехника, БПЛАТрансгуманизмОбработка текстаТеория эволюцииДополненная реальностьЖелезоКиберугрозыНаучный мирИТ индустрияРазработка ПОТеория информацииМатематикаЦифровая экономика

Авторизация



RSS


RSS новости


2018-09-16 10:54

it новости

В наше время мало кто может представить свою жизнь без онлайн-банкинга, так как он комфортен для клиента из-за своей простоты, скорости и предоставляемых услуг. Поэтому многие банки стремятся к развитию и совершенствованию этой сферы.

Главным приоритетом есть комфорт пользователю и именно поэтому много инвестиций уходит на развитие Big Data. По оценкам Gartner, на сегодня 34% банков инвестировали в развитие этих технологий.

Банки хранят все: анкеты, истории транзакций и общения с клиентами, внутреннюю информацию — словом, именно все. Хранилища буквально раздуты до тера-, а у кого-то и до петабайт. Искусственный интеллект в паре с Machine Learning позволяет софту изучать поведение и нужды клиента и принимать решения автономно. Но для этого, обычно требуется человек, который бы следил и одобрял решения принятые программно. Искусственный интеллект и Machine Learning используются уже долгое время, но они достигают своего пика при помощи Big Data: при помощи которой можно обрабатывать огромные количества информации быстро и эффективно. Чем больше количество информации тем больше обнаруживаемых нужд и поведений клиента. Именно из-за этого для сферы банкинга критически важно полагаться и собирать большее количество информации о каждом клиенте.

Причиной развития финансового сектора на данный момент является её использование Big Data, которая позволяет предоставлять полностью подогнанный, под каждого клиента, сервис. Информация это золото 21 века и эти технологии используют её для предоставления услуг которые клиента уже требуют. Одним из приоритетов для финансовой сферы сейчас является сбор информации про каждого клиента для улучшения его опыта. Самым банальным примером будут операции в банкомате, которые клиент выполняет постоянно. Целью банка есть обработка информации полученной о всех операциях и при следующем посещении сразу исполнить обычную операцию при помощью одной кнопки, без поиска и цифр.

Именно поэтому International Data Corporation (IDC) прогнозирует рост прибыли в сфере Big Data Analytics до $200 миллиардов долларов к 2020 году (против $150 миллиардов в 2017). Наибольшее количество инвестиций идет Big Data стартапам, которые соединены с облаком и используют систему подписки. Также большое количество стартапов объединяют Big Data Analytics с Artificial Intelligence и Machine Learning для усиления возможностей этой сферы.

Информация полученная при помощи Big Data может быть использована для:

  • Создания и функционирование движка, который определяет оптимальное место для открытия физических банков. Финансовая институция собирает информацию про наиболее посещаемые районы города, время посещения этих районов, магазины в которые их клиенты ходят, где наибольшее и наименьшее количество клиентов. При помощи этих данных и аналитики, можно определить наиболее прибыльное и посещаемое место для открытия банка или любой другой финансовой институции.
  • Управление рисками и предотвращение мошенничества, это 2 наиболее горячие темы для банков на данный момент и именно поэтому эти проекты были адресованы первыми с инновационными технологиями аналитики, машинного обучения и Big Data. Банки просчитывают все возможные варианты рисков и мошенников и откидывают их при первом же подозрении.
  • Продление заинтересованности клиентской базы в услугах банка: Кроме доступа к данным об экономической активности, банк также может получать посторонние данные , такие как данные из социальных сетей или поведения онлайн, чтобы добавить эту информацию в экосистему, которая окружает клиента. С помощью анализа этой информации, которая находится в Big Data, банк открывает для себя большое количество новых возможностей. К примеру, если пользователь обсуждает возможность покупки новой машины в комментариях, то банк может генерировать предложения кредита той самой машины о которой мечтает клиент и отослать это предложения моментально ему на электронную почту.
  • Определение лучших средств для коммуникации с клиентом. Клиенты требуют наиболее комфортных средств для коммуникации, которые они используют по дефолту, такие как социальные медиа, электронная почта или месенджеры. Банк должен определить приоритетный канал коммуникаций и отправлять все оповещения, новые предложения и контактировать через них. Это позволит клиенту почувствовать, что банк находится с ним на одной волне и в тот же момент позволит банку тратить меньше средств на другие средства коммуникаций.
  • Определять когда клиент планирует поменять финансовую институцию: при помощи анализа внутренних и внешних данных о клиенте, возможно определить собирается ли пользователь покинуть банк. К примеру если клиент долгое время не посещал физических отделений банка, не посещает вебсайт и подписан на обновления других банков в соц. сетях, то шанс того, что он покинет банк можно предопределить. В такой момент банку важно заинтересовать клиента при помощи рекомендации продуктов или предложений, которые клиент жаждет в данный момент.

Одной из основных проблем использования Big Data, как не странно, является вопрос этичного использования результатов, клиенты должны ощущать чувство защищенности их приватной жизни пользуясь услугами банка. Лучшим вариантом использования технологии Big Data будет её использование во внутренних процессах институции, не показывая максимально детализированную информацию клиенту. Это достигается при помощи нескольких шагов, первый из которых выявляет потребности определенных клиентов, а следующий шаг маскирует эти потребности под массовую рассылку или возможные сценарии общения, подстраивая их под те, которые уже находятся в базе Big Data.


Источник: m.vk.com

Комментарии: