For kun få år siden var der brug for mennesker til at forstå tekst og genkende billeder. Det bliver nu mere og mere muligt at automatisere disse funktioner ved hjælp af kognitive teknologier, såsom maskinlæring. Faktisk begyndte en af de første praktiske implementeringer af maskinlæring, den automatiserede behandling af håndskrevne checks, i banksektoren i begyndelsen af 1990'erne.
Vi er nået langt siden da. De seneste par år har set betydelige forstyrrelser inden for automatiseret beslutningstagning, hovedsageligt ledet af unge, innovative teknologivirksomheder. Forretningsledere bruger kognitive teknologier til at skabe en forbedret kundeoplevelse og ekspandere ud over deres traditionelle branchegrænser. Disse teknologier tilbyder væsentlige forbedringer og udvikler sig i hurtig skala.
Den næste grænse for automatiseret beslutningstagning er anbefalingsmotoren – en intelligent implementering af maskinlæringsteknologi til at udvide eller fuldt ud automatisere en beslutningsproces. At komme med indsigtsfulde anbefalinger, såsom at anbefale produkter til kunder, som de sandsynligvis vil købe, har længe været den hellige gral for enhver kommerciel virksomhed. Vi ser også en grundlæggende ændring i den måde, kunderne reagerer på indsigtsfulde anbefalinger.
Banker, der har valgt at udnytte potentialet for at bruge anbefalingsmotorer, skaber en konkurrencefordel ved at give deres kunder en mere personlig oplevelse samt øge deres medarbejderes kompetencer.
Anbefalingsmaskiner er kommet for at blive
Anbefalingsmotorer fungerer, fordi de udnytter indsigt opnået fra tidligere kundeadfærd til at forudsige fremtidige kundeønsker – et par allestedsnærværende eksempler:
- Amazon er den største forhandler i verden, og dens anbefalingsmotor genererer en stor procentdel af salget. Denne motor skaber en overbevisende brugeroplevelse ved at foreslå produkter, der anses for at have størst relevans for deres kunder.
- Netflix er blevet en førende indholdsleverandør på grund af dets overlegne anbefalingsmotor, der udnytter tidligere udvalgsdata, såvel som brugerbedømmelser og feedback. Med disse data giver den relevante, personlige filmforslag til sine kunder.
Forvandling af bankernes måde at fungere på
Så hvad betyder det for bankverdenen? De vigtigste anvendelser og fordele ved anbefalingsmotorer til banker omfatter:
- Personliggørelse i stor skala
Indsigtsdrevne banker udvinder viden fra de data, de har indsamlet om deres kunder, for at forme en skræddersyet kundeoplevelse. Eksempler inkluderer den grænseflade, som kunderne ser, når de går ind på netbankplatformen, og de produktforslag, der vises, mens forbrugeren bruger en mobilapp.
En typisk bankkunde har to formål; at bruge smartere og at investere smartere. Desværre er drivkræfterne bag hver af disse målsætninger ofte forskellige for hver enkelt kunde, hvorfor tilpasning muliggjort af anbefalingssystemer kan være så effektiv.
Anbefalingssystemer er i stand til at analysere transaktionsdata og komme med skræddersyede forslag til kunder om, hvordan man sparer penge. De kan også analysere adfærden hos andre kunder med lignende egenskaber og anbefale produkter, der har fungeret for dem.
- Forøgelse af arbejdsstyrken
Anbefalingsmotorer gør det muligt for medarbejderne at træffe bedre beslutninger og investere deres tid på en smartere måde. Bedre beslutninger øger medarbejdernes produktivitet og værditilvækst, og det forbedrer igen præstationerne for en virksomhed som helhed.
Svigagtige aktiviteter er meget dyre for banker. Traditionelt brugte svigopdagelse en regelbaseret mønstertilpasningstilgang, som både var tidskrævende at vedligeholde og ofte ineffektiv på grund af svindelteknikker i stadig udvikling. Ved hjælp af maskinlæring er banker i stand til at opdage uregelmæssigheder med meget større nøjagtighed og markere mistænkelig aktivitet hurtigere. Dette fører til en stigning i registrering af svindel samt en reduktion af falske alarmer.
- Automatisk orkestrering
For at få det fulde udbytte af automatiseret beslutningstagning kræver det at forbinde forskellige dele af en organisation og skabe ende-til-ende-rejser. Når først automatiseret beslutningstagning er anvendt i én del af virksomheden, kan det skabe muligheder, der rækker langt ud over at automatisere en isoleret proces eller transaktion.
Banker behandler et stort antal transaktioner hver dag. Forestil dig en bank, der kategoriserer hver kundetransaktion i realtid efter købstype, såsom udgifter til underholdning, rejser, mad eller husleje. Dette er muligt med anbefalingsmaskiner, der allokerer hvert køb til den relevante udgiftskategori baseret på mønstre, der er opdaget i lignende historiske transaktioner.
Faktisk bruger nogle banker allerede realtidsklassificering af kundeforbrug. En bank kan bruge disse oplysninger til at levere en forbrugsanalyse til kunderne. Udgiftsanalyse kan til gengæld bruges som input til en anbefalingsmaskine, der rådgiver kunder om, hvordan de kan spare penge, eller hvilke produkter de skal investere i.
Vejen frem
Automatiseret beslutningstagning transformerer allerede hurtigt, hvordan banker leverer tjenester på tværs af hele værdikæden. Deres implementering muliggør personalisering i stor skala og forøgelse af arbejdsstyrken, og dette skaber igen yderligere automatiseringsmuligheder. For at høste det fulde udbytte af anbefalingsmotorer er banker nødt til at anlægge et endnu mere holistisk syn på deres kunderejse, som de allerede gør. Læs mere om kognitive teknologier på Deloittes hjemmeside.
