Šest načina kako mašinski modeli mogu da pomognu u bankarstvu

Mašinsko učenje je preduslov inteligentnog sistema koji podržava bankarski sektor. Bez toga ne postoji mogućnost predviđanja zasnovanog na podacima koji može stvoriti nove poslovne mogućnosti za pojedinačne institucije. Čitava industrija već koristi prednost ove tehnologije kako bi mogla da poboljša proizvode i prilagodi usluge svim potrošačima. Kako se modeli mašinskog učenja mogu koristiti u različite svrhe i vrednost koju stvaraju je raznolika. Neke od glavnih vrednosti koje se izdvajaju su:
1. Razumevanje profila korisnika
2. Personalizacija sadržaja za korisnike
3. Automatizacija procesa
4. Održavanje korisničke baze i zadovoljstva korisnika
5. Finansijsko savetovanje korisnika
6. Rano signaliziranje rizika kompanija

Razumevanje profila korisnika

Korišćenjem različitih modela mašinskog učenja korisnici banke se mogu segmentirati tako da se izdvoje različiti profili. Svaki od njih ima svoje karakteristike i potrebe. Saznanje o tome kom segmentu pripada određeni korisnik omogućava banci da prilagodi svoj pristup i preciznije određuje ciljnu grupu za ponude svojih proizvoda i kampanje. Pristupi segmentaciji su različiti. Razlike u segmentima se ogledaju u parametrima plaćanja, kao i načinu potrošnje novca. Neki od segmenata su skloniji češćim i manjim kupovinama, dok sa druge strane postoje segmenti koji su skloni većim kupovinama koje ređe prave.

Personalizacija sadržaja za korisnike

U današnje vreme personalizacija korisničkog iskustva igra veliku ulogu pri kupovini korisnika. Čak 80% korisnika smatra da bi pre bili klijent kompanija koje rade na personalizaciji iskustva, u odnosu na one koje ne rade na ovom polju. Modeli mašinskog učenja na osnovu ponašanja korisnika prema banci računaju tendencije korisnika ka korišćenju određenog proizvoda ili usluge. Na osnovu ove informacije, banke ne samo da mogu da sprovode efikasnije kampanje, već mogu i da optimizuju svoj portfolio prema identifikovanim potrebama korisnika. Još jedan vid personalizacije je i uspostavljanje komunikacije preko korisnikovih preferiranih kanala komunikacije.

Automatizacija procesa

Automatizacija procesa unutar banke uspostavlja se njihovim pokretanjem kada se dobiju određeni izlazi modela. Pod procesima podrazumeva se, na primer, slanje kampanja ili otvaranje CRM retention procesa ka korisnicima kod kojih se identifikuje nezadovoljstvo. Praćenjem promena u realnom vremenu i dnevnom pokretanju modela, omogućava se praćenja svake akcije korisnika i njenog uticaja na modele. Ukoliko korisnik podnese žalbu, ona može imati uticaj na izlaz modela za računanje nezadovoljstva korisnika (churn model). Kada se churn vrednost za ovog korisnika promeni, banka može definisati da se ovim pokrene CRM retention proces i automatski započne rešavanje problema.

Održavanje korisničke baze i zadovoljstva korisnika

Važnost održavanja zadovoljstva korisnika finansijski ogleda se u visini troška sticanja novih korisnika, prema zadržavanju postojećih, kao i dodatnom prihodu koji lojalni korisnici generišu. Iz tog razloga banke osmišljavaju mnogobrojne programe lojalnosti u cilju održavanja zadovoljstva korisnika. Kanadska banka Tangerine Bank je 6 godina za redom bila preferirana kanadska banka od strane korisnika, zahvaljujući svom programu lojalnosti sa posebnim uslovima za kreditne kartice (2% money-back credit card program). Na ovaj način, postavila je standard svim modernim finansijskim institucijama.

Finansijsko savetovanje korisnika

Modelima mašinskog učenja zasnovanim na potrošnji korisnika banke, tj. transakcijama, moguće je automatski klasifikovati korisničke transakcije, predviđati prekomerno trošenje ili predlagati optimalan plan štednje za određeni cilj koji korisnici postave. Odličan primer primene veštačke inteligencije upravo u opisane svrhe je španska multinacionalna kompanija za pružanje finansijskih usluga BBVA. Personalizacijom korisničkog iskustva tokom korišćenja aplikacije banke ili kroz komunikaciju sa virtualnim asistentom (chatbot-om) banke, korisnici dobijaju vredne informacije o svom trošenju i savete na koji način isto da poboljšaju ukoliko žele. Opisani modeli na ovaj način ne doprinose samo internim procesima banke, već ujedno i korisnicima banke. Vrednost je dvosmerna.

Rano signaliziranje rizika kompanija

Pored navedenih prednosti mašinskog učenja koje se odnose na fizička lica, postoje prednosti koje su okrenute i klijentima banke koji su kompanije. Korišćenjem modela za ranu signalizaciju rizika kompanija, banka može na vreme da detektuje rizičnog klijenta i primeni preventivne mere, kako bi umanjila uticaj na svoje poslovanje. Glavne prednosti modela su vreme i novac, koje banka može da sačuva zahvaljujući informacijama koje dobije korišćenjem veštačke inteligencije.