Como a inteligência artificial e o aprendizado de máquina estão sendo usados no setor bancário?
A ascensão dos bancos desafiadores tem sido uma marca registrada da indústria de fintechs na última década. Criados para revolucionar o setor bancário tradicional, os desafiadores estão repletos de ofertas inovadoras, muitas vezes digitais, com o objetivo de atender os clientes de várias maneiras. Com o cliente no centro das atenções e a cooperação recém-descoberta com os operadores históricos, este mês exploramos alguns dos atributos clássicos dos bancos desafiadores e seus esforços para permanecer um passo à frente do setor.
Tanto as fintechs quanto os bancos tradicionais estão usando cada vez mais inteligência artificial (IA) para transformar as experiências de seus clientes. Além de ajudar a detectar e impedir fraudes, a IA também pode remover o atrito das jornadas do cliente e garantir a satisfação do cliente. Para saber mais sobre como a IA pode ser utilizada no setor bancário, listamos alguns benefícios dessas tecnologias.
Personalização
Para um banco global estabelecido com clientes institucionais e de patrimônio sofisticados, a inteligência artificial e o aprendizado de máquina podem permitir serviços personalizados, segurança e conformidade regulatória em escala e além-fronteiras, com eficiência que beneficia nossos clientes e a empresa global.
Começando com o cliente individual, o reconhecimento de voz, facial e impressão digital pode fornecer facilidade de acesso e segurança. A coleta e análise de dados de IA das atividades do cliente também podem ser usadas para fornecer previsões mais precisas de saldos de contas e transações prováveis e sugerir ofertas de produtos direcionados que atendam às necessidades de um cliente. No nível de negócios, fundos ou empresas, o perfil de fraude usa aprendizado de máquina para detectar atividades incomuns.
A IA pode ajudar cada vez mais no mundo da conformidade, examinando rapidamente as mudanças regulatórias e identificando impactos nos termos e condições em sites e aplicativos móveis, bem como em sistemas internos.
Gestão de risco
Os bancos dependem cada vez mais de terceiros para fornecer processos e serviços críticos de negócios, expondo-se potencialmente a riscos significativos.
Os programas ainda não mudaram muito, embora o cenário de risco global tenha se tornado cada vez mais complexo e carregado. Os programas atuais dos bancos não estão à altura dos desafios do ambiente de risco em evolução, onde eventos extremos como catástrofes climáticas, pandemias e violações massivas de segurança cibernética estão ocorrendo com mais frequência.
Muitas abordagens ainda exigem que tarefas manuais sejam executadas por especialistas no assunto, que gastam muito de seu tempo em processos tediosos e trabalhosos, deixando pouco espaço para o trabalho mais desafiador de planejar e navegar por eventos de risco reais.
Tecnologias cognitivas avançadas, como IA e aprendizado de máquina, estão ajudando os bancos a fortalecer seus programas, automatizando o esforço manual, capacitando os bancos a identificar e antecipar melhor os riscos e a se adequar mais rapidamente aos requisitos regulatórios em rápida evolução.
Por exemplo, AI e algoritmos proprietários de processamento de linguagem natural (NLP) podem analisar conteúdo de terceiros e validá-lo e fazer referência cruzada com outras fontes de dados. Essas ferramentas complementam a automação do fluxo de trabalho, economizando tempo, esforço e custos significativos dos bancos associados ao trabalho manual. A IA permite a mineração de dados de questionários, documentos de evidência, feeds de dados etc., e os transforma em insights de exposição de risco acionáveis com planos de ação específicos.
Uma plataforma de inteligência alimentada por IA monitora e digitaliza continuamente a coleta de dados de várias fontes 24 horas por dia, permitindo que os bancos aproveitem fontes de dados anteriormente não utilizadas ou subutilizadas devido à falta de largura de banda manual.
No futuro, os bancos continuarão a usar IA para transformar digitalmente suas operações e aproveitar o poder da análise avançada de dados para ajudar a gerar resultados significativos, desde a experiência aprimorada de funcionários e clientes até processos simplificados e riscos reduzidos de terceiros.
Ajudando os desfavorecidos
A IA ainda não percebeu seu poder total e verdadeiro. Quando otimizado, pode ser instrumental para melhorar a alta taxa de famílias que permanecem sem banco e sem banco e criar acesso adequado ao capital para muitas pequenas e médias empresas que mais precisam dele.
A IA mudou a cultura do setor bancário para automação e aprendizado de máquina a partir de práticas bancárias legadas, o que é fundamental para fortalecer as decisões de empréstimos e crédito que aprimoram a experiência bancária dos consumidores. É sempre saudável focar não apenas no que a IA pode fazer, mas em quantas pessoas e empresas ela pode impactar. Para realmente medir o sucesso e garantir que o amplo acesso aos serviços financeiros seja alcançado, precisamos de um novo benchmark que alavanque a inclusão como um componente-chave de qualquer métrica de desempenho.
Instituições financeiras tradicionais, disruptores do setor e reguladores financeiros têm uma oportunidade incrível de trabalhar juntos para aproveitar o poder da fintech para aumentar a mobilidade econômica e social em comunidades carentes que historicamente foram excluídas, os desbancarizados.
Dados, dados, dados
A IA é útil ao examinar dados. As instituições financeiras têm grandes volumes de dados que podem usar para melhorar a experiência do cliente. Nos pagamentos, algo incrivelmente útil que a IA pode fazer é ajudar a gerenciar as finanças de um correntista. O aprendizado de máquina pode analisar seus hábitos de pagamento quando se trata de contas, gastos e poupança para fazer recomendações proativas que ajudam os titulares de contas a gerenciar melhor suas finanças diárias e reduzir o estresse financeiro.
Por exemplo, a IA pode ver um padrão de que um determinado usuário do banco paga suas contas grandes no dia 15 do mês e historicamente precisam de um valor agregado. Com base nesse padrão, a IA pode prever quanto dinheiro será necessário para cobrir essas contas neste mês e pode alertar o usuário sobre ter fundos suficientes para cobrir essas contas. As possibilidades como esta continuam e continuam.
AI e Machine Learning são usados de forma diferente em várias partes do setor bancário. Por exemplo, um banco digital está mais interessado no que está acontecendo com o uso de IA e ML no lado do crédito. No crédito, existem várias áreas interessantes que estão usando cada vez mais IA e Machine Learning. Para pontuação de crédito pode ser usado para árvores de decisão impulsionadas, esta técnica está sendo adotada cada vez mais em todo o mercado, substituindo técnicas tradicionais de ML como Regressão Logística. No mercado de crédito, a proteção contra fraude continua sendo um dos maiores adeptos do ML, no entanto, esperamos que o ML continue a transformar todo o lado do crédito bancário.
No futuro, os praticantes de Probabilidade de Modelo Padrão podem ver melhorias poderosas em seus modelos existentes ao usar Árvores de Decisão Reforçadas e, possivelmente, Redes Neurais também. A maior mudança, no entanto, provavelmente será nas Operações do Modelo IRB*; é aqui que a adoção de técnicas de ML pode fazer com que a mudança do modelo seja entregue mais rapidamente.
* As abordagens IRB empregam os parâmetros de risco Probabilidade de Descumprimento (PD), Perda Dado o Descumprimento (LGD), Exposição no Momento do Descumprimento (EAD) e Prazo Efetivo de Vencimento (M) para cálculo do valor do capital regulamentar segundo fórmula estabelecida em Basileia II. A utilização desses parâmetros de risco busca aperfeiçoar a sensibilidade ao risco da regulamentação prudencial, com vistas a aumentar a estabilidade do sistema financeiro.
Contra a lavagem de dinheiro
Os bancos estão gastando uma quantidade crescente e insustentável de recursos na detecção e prevenção de fraudes, lavagem de dinheiro e financiamento do terrorismo porque as ferramentas que eles usam não estão mais à altura do trabalho. O setor financeiro europeu gasta cerca de € 100 bilhões tentando identificar dinheiro sujo no sistema financeiro global, mas menos de um por cento desse dinheiro é apreendido. Claramente, algo não está funcionando.
Os bancos agora estão reconhecendo que incorporar IA e, como um subconjunto, aprendizado de máquina em seu monitoramento de transações e combate à lavagem de dinheiro é uma estratégia mais eficaz. Essa tecnologia pode ser projetada especificamente para enfrentar o desafio de frente. Ele pode detectar comportamentos e atividades suspeitas com mais precisão e, então, aprender e se adaptar às mudanças nas atividades criminosas.
Os bancos desafiadores agora estão incorporando sistemas automatizados treinados para monitorar transações em busca de eventos incomuns. Quando o sistema é alimentado com conjuntos de dados substanciais de alta qualidade (tudo, desde relacionamentos entre clientes e a hora exata do dia em que uma transação ocorreu, pode ser analisado), ele pode identificar comportamentos, padrões e conexões que mesmo o mais meticuloso responsável pela conformidade não conseguiria.
Embora os aplicativos de IA e aprendizado de máquina em conformidade permaneçam ainda em sua infância, é uma área que se mostra muito promissora e deve se tornar onipresente se o setor bancário quiser acompanhar a evolução da ameaça de fraude.
Melhor experiência do cliente
Os clientes estão constantemente em busca de conveniência. Por exemplo, o caixa eletrônico foi um sucesso porque os clientes puderam acessar um serviço vital mesmo quando os bancos estavam fechados. Esse nível de conveniência apenas inspirou mais inovação. Agora, os clientes podem abrir contas bancárias e verificar a si mesmos, usando seus smartphones, no conforto do sofá.
Na busca por um tempo de resposta mais curto, um sistema de gerenciamento de decisão pode reduzir o tempo necessário para capturar informações do Know Your Customer (KYC) e eliminar erros. Além disso, com um software de regras de negócios adequado, as decisões de negócios podem ser implementadas e implementadas sem procedimentos demorados.
Novos produtos e ofertas financeiras sazonais podem estar disponíveis a tempo. Além disso, novas decisões de negócios ou mudanças nas tarifas são facilmente acomodadas no sistema.
A elegibilidade é um significado automatizado, os clientes que não se qualificam não ficam frustrados ao passar por todo um processo apenas para serem rejeitados. Este tipo de tecnologia dá a ilusão de um toque pessoal, apesar de uma base de clientes variada.
Os bancos podem ganhar a confiança dos clientes reduzindo o tempo de resposta.
Às vezes, os funcionários do banco abrem contas erroneamente, levando a restrições impostas às contas dos clientes. Isso pode ser muito frustrante para um cliente. A captura precisa das informações do cliente e a configuração correta das contas do cliente garantem uma experiência tranquila para seus clientes.
Avaliação aprimorada de empréstimos e facilidades
O uso de pontuações de crédito para avaliar a elegibilidade para financiamento geralmente depende de informações desatualizadas, erros de classificação e erros. No entanto, hoje em dia há muito mais informações disponíveis on-line que podem fornecer uma imagem mais realista da pessoa ou empresa avaliada.
Um sistema baseado em IA pode dar recomendações de aprovação ou rejeição considerando mais variáveis mesmo quando a parte, seja pessoal ou empresarial, possui pouca documentação.
A parte complicada é que nem sempre fica claro porque o software apresenta uma recomendação específica. Quando um pedido é aprovado, ninguém faz perguntas. No entanto, quando um pedido é rejeitado, a instituição deve uma explicação ao cliente.
Resumindo
Mesmo que os sistemas baseados em IA e ML sejam projetados para serem objetivos, eles podem demonstrar viés. Isso ocorre porque as configurações são tão boas quanto seus desenvolvedores. Felizmente, a maioria dos pedidos de financiamento recebidos pelas instituições é semelhante e as pessoas estão cientes do viés institucional. Como resultado, os desenvolvedores estão cada vez mais bem posicionados para inserir variáveis melhores ao projetar aplicativos e atualizações.