блоги

Авторские блоги и комментарии к ним отображают исключительно точку зрения их авторов. Редакция ЛІГА.net может не разделять мнение авторов блогов.
20.08.2018 14:03

5 примеров применения машинного обучения ведущими банками США

Владимир Федак Основатель и генеральный директор компании IT Svit

Банки всегда были инноваторами в сфере безопасности и эффективности. Вот 5 примеров того, как ведущие банки США инвестируют в машинное обучение.

Машинное обучение (МО) в данный момент является одним из самых важных факторов, определяющих успех в сфере банковских услуг. Это доказано 5 ведущими банками США.

Федеральный резерв США недавно опубликовал официальный отчет о состоянии дел в банковской системе США. Он описывает все финучреждения США с капиталом более 300 миллионов долларов и неудивительно, что ведущие 5 банков из списка больше всего инвестировали во внедрение искусственного интеллекта и машинного обучения в свои услуги и предложения:

JPMorgan Chase

Wells Fargo

Bank of America

Citibank

U.S. Bank


Конкретные сферы применения МО и ИИ существенно разнятся — от сортировки электронной почты с использованием алгоритмов
NLP (Natural Language Processing — машинное распознавание смысла текста) и автоматического обновления сведений в CRM-системе (Customer Relations Management — система управления отношениями с клиентами) — и до оказания более удобных услуг в мобильном банкинге с участием помощника на основе ИИ, или применения моделей машинного обучения для предсказания динамики цен на бирже и более эффективного управления инвестициями и биржевой торговли.

Ниже мы подробно рассмотрим каждый из этих случаев, а чтобы проиллюстрировать эффективность такого подхода, вот вам интересные цифры — эти 5 банков в 2016 закрыли более 400 местных отделений, переведя клиентов на мобильный банкинг с элементами ИИ.

И это не только не привело к потере прибыли, но и помогло достичь и превысить запланированные показатели рентабельности, равно как и привлечь ощутимое количество новых клиентов. Почему? Поскольку новые предложения с элементами ИИ и МО превысили ожидания клиентов и привели к самому эффективному виду маркетинга — “сарафанному радио”, когда довольные клиенты рекомендовали банк своим друзьям и знакомым.

JPMorgan Chase и их COiN

Чтобы автоматизировать ежедневную рутинную переписку и снизить время на анализ входящей бизнес-корреспонденции, JPMorgan Chase разработал лицензионный алгоритм МО под названием Contract Intelligence или COiN. Теперь COiN применяется для анализа документов и агрегации важных данных из них. Применение этого инструмента позволило банку обработать 12,000 кредитных договоров за несколько секунд, хотя раньше это занимало около 360,000 человеко-часов. Теперь банк ищет новые способы применения данного инструмента для оптимизации бизнес-процессов и получения дополнительной прибыли.

Еще одна инициатива JPMorgan Chase, так называемый «Двигатель новых возможностей» — Emerging Opportunities Engine, была внедрена еще в 2015 году и неуклонно развивается в течение 2016 и 2017 годов. Это решение помогает банку анализировать транзакции и находить клиентов, которые, скорее всего, согласятся на приобретение дополнительных услуг. Решение было впервые применено в торговле пакетами акций, и теперь выходит на другие рынки, включая торговлю долговым капиталом.

Банк также вкладывает значительные средства в развитие своего частного помощника для виртуального чата, который в настоящее время используется в пилотном режиме для 120 000 клиентов и вскоре будет запущен для всех 1 700 000 клиентов банка. Это поможет сэкономить миллиарды в оплате труда, обеспечивая при этом первоклассную поддержку клиентов круглосуточно и без выходных.

Wells Fargo инвестирует в чатбот с АИ и стартапы

В феврале 2017 банк Wells Fargo создал новую команду AI Enterprise Solutions. Команда концентрирует усилия для обеспечения возможности подключения к платежным решениям компании, используя ИИ для ускорения возможностей роста и разработки передовых API-интерфейсов для предоставления отличных услуг клиентам корпоративного уровня. Всего через 2 месяца, в апреле 2017, команда выпустила чатбот с AI для Facebook-мессенджера компании.

Этот виртуальный помощник используется для сброса пароля и предоставления данных учетной записи. То, что раньше требовало заполнения нескольких страниц форм, стало простым диалогом, который занимает всего несколько минут. После тестирования среди 700 сотрудников компании эта удобная функция будет развернута для всех клиентов, многие из которых используют Facebook Messenger для выполнения операций с Wells Fargo с 2009 года.

 

Bank of America и Эрика, их виртуальный помощник

Bank of America был одной из первых финансовых компаний, которые 10 лет назад предоставили своим клиентам мобильный банкинг. В прошлом году они представили Эрику, виртуального помощника, которая позиционируется как самая передовая в мире инновация в сфере платежных и финансовых услуг.

Благодаря использованию когнитивных алгоритмов анализа сообщений и предсказательной аналитики Erica выступает в качестве финансового консультанта для более чем 45 миллионов клиентов Банка Америки. В 2012 году мобильный банкинг обслужил 12 миллионов клиентов банка, и это число выросло до 22 в 2016 году, что свидетельствует о том, что финансовый гигант делает упор на технологии, созданные за эти 5 лет.

Интегрируя помощника AI в решение для мобильных банковских услуг, Bank of America стремится снизить нагрузку на рутинные транзакции, чтобы освободить центры поддержки клиентов, чтобы быстрее справляться с более сложными делами, тем самым значительно улучшив общий уровень обслуживания клиентов.

2016 год стал вторым самым прибыльным годом для Bank of America, который также сообщил о том, что в этом году потратил 3 млрд долларов на технологические инновации. Компания уверенно стремится к новым вершинам и постоянно растет на рынке услуг финансовой индустрии.

 

Citibank и борьба с мошенничеством с помощью FeedzAI

У Citibank есть собственный стартап-акселератор, который объединяет множество технологических стартапов по всему миру. Большинство из этих компаний разрабатывают продукты в области финансовых услуг и кибербезопасности. Одним из их наиболее заметных шагов в этой сфере были значительные инвестиции Citibank в FeedzAI.

Это глобальное предприятие, которое концентрируется на использовании науки о данных для выявления и пресечения попыток мошеннических транзакций в различных направлениях финансовой деятельности, включая онлайн-банкинг и мобильный банкинг. FeedzAI использует алгоритмы машинного обучения для анализа огромных объемов данных Big Data в режиме реального времени и сразу же уведомляет финансовые учреждения о предполагаемых случаях мошенничества.

U.S. Bank

U.S. Bank полон решимости использовать современные технологии на 100% и расширять возможности своих бизнес-процессов и услуг с помощью машинного обучения и искусственного интеллекта. Создана специальная группа AI Innovation Leader с базой в Миннесоте, которая концентрируется на разработке диалоговых интерфейсов и чат-ботов для расширения обслуживания клиентов. Например, ожидается, что алгоритм непрерывного обучения машинного обучения сможет помочь партнерам банка быстрее отвечать на редко задаваемые вопросы. Это не значит полный отказ от человеческих сотрудников - на данный момент, конечно. Главный директор Банка США по инновациям Доминик Вентуро заявил в интервью журналу American Banker, что сотрудники филиалов не должны бояться ботов, поскольку это всего лишь инструмент, помогающий людям быть более продуктивными, а не сверхразум для их замены.

 

Перспективы применения машинного обучения в банковской сфере в 2018 году

Как вы можете видеть, все 5 ведущих ведущих банков США вложили значительные средства в ИИ и МО. Они сосредоточены на предоставлении следующего уровня самообслуживания клиентов, быстрой обработки документов, использования чатов, проверки мошенничества, управления кредитным портфелем и т. д. Тем не менее  очевидно, что это далеко не все возможные методы применения, поэтому давайте взглянем на более возможные примеры использования машинного обучения в банковской отрасли:

- Персонализация предложений. Когда клиенты видят тысячи маркетинговых предложений, где бы они ни находились, и по любому каналу, с которым они взаимодействуют, только предоставление самых персонализированных и релевантных предложений имеет шанс привлечь их внимание и подтолкнуть к покупке.

Например, whitepaper по эффективному маркетингу от IDC, опубликованный в 2017 году показывает, что 58% менеджеров в сфере маркетинга персонализируют изображения в своих предложениях продуктов и услуг, а также теги (57%), имена адресата (57%), форматирование текста (55%) и цвет / шрифты (51%). Эти цифры, несомненно, будут увеличиваться, поскольку все больше и больше финансовых учреждений осознают огромную важность персонализации для успешной рекламы своих продуктов, а ML будет играть ключевую роль в выборе идеального соответствия для каждого клиента.

- Правильный таргетинг на потребителя для обеспечения долгосрочного партнерства. Анализ больших данных, хранящихся в вашем CRM, помогает лучше понять потребности и ожидания каждого клиента. Кластеризация внутренних и внешних точек данных помогает создать целостную картину желаний каждого клиента и сформировать правильный таргетинг для каждого типа клиентов.

Например, компания Bain провела исследование банковской отрасли, которое показало, что в 2016 каждый телефонный звонок или личный визит клиента стоили банкам в среднем 4 доллара, а использование веб-или мобильного приложения стоило всего 0,1 доллара за клиента. Таким образом, применяя правильный подход к самому ценному клиенту банки смогут обеспечить наилучшую персонализацию предложений, экономя при этом массу денег.

- Улучшенный UX, который ведет к улучшению продаж и конверсии. Алгоритмы ИИ могут анализировать текущее устройство посетителя, его местоположение, историю открытых посещений и историю взаимодействия с компанией для предоставления персонализированного пользовательского опыта, что, естественно, приводит к более высокому уровню удовлетворенности и увеличению продаж.

В обзоре эффективности персонализации в реальном времени более 60% респондентов заявили, что использование моделей ML для прогнозирования лучшей структуры сайта для каждого посетителя и корректировки контента соответственно помогло им повысить удовлетворенность и увеличить число клиентов.

- Порталы самообслуживания, чатботы и мессенджеры. Поскольку миллениалы становятся основной целевой аудиторией для банков и других финансовых организаций, предприятия должны придерживаться своих предпочтений. Кстати, 44% граждан США предпочитают взаимодействовать с чатботами, а не с сотрудниками техподдержки клиентов.

Это быстрее, не так раздражает и гораздо удобнее. Это число будет только расти со временем, поэтому 5 лучших банков США вкладывают много ресурсов и времени в создание веб-порталов и мобильных приложений с алгоритмами МО вместо живых агентов. Это верный курс на будущее.

Заключение: возможность применения машинного обучения в банковской сфере

Как вы можете видеть, эти примеры использования машинного обучения в банковской отрасли ясно указывают на то, что 5 ведущих банков США воспринимают ИИ и МО очень серьезно. Постоянно растущие доходы гигантов вроде JPMorgan Chase, Wells Fargo, Bank of America, Citibank и U.S. Bank показывают, что это правильное направление и внедрение банковских услуг с помощью решений МО — это то, как индустрия должна развиваться в будущем.

Как насчет остальных банков и финансовых организаций? Они имеют меньшие бюджеты, смогут ли они эффективно конкурировать с гигантами? Ответ, безусловно, ДА, поскольку доступ к машинному обучению и платформам ИИ становится дешевле с каждым годом.

В конце концов, вопрос не в том, «кто инвестировал больше?». Вопрос в том, кто инвестировал лучше!

Если Вы заметили орфографическую ошибку, выделите её мышью и нажмите Ctrl+Enter.