생성 데이터 인텔리전스

Fintech

AI의 힘 활용: 금융 서비스 재편

Plato에 의해 재발행
Plato에 의해 재발행

시간

조회 수 : 0

AI는 뜨거운 주제 그리고 오늘 AI를 채택하지 않는 금융 서비스 회사는 내일 쓸모없게 될 위험이 있다는 수많은 기사가 발표되었습니다. 그러나 많은 과장된 광고와 마찬가지로 업계의 AI 채택은 일반적으로 예상되는 것만큼 빠르게 진행되지 않을 수 있습니다. 예를 들어, 지난 20년 동안 전문가들은 오래된 레거시 메인프레임 시스템을 사용하는 은행의 노후화를 예측해 왔습니다. 그러나 XNUMX년이 지난 후에도 많은 은행은 여전히 ​​레거시 메인프레임 기술을 기반으로 구축된 중요한 코어 뱅킹 애플리케이션에 의존하고 있으며 이러한 은행은 XNUMX년 전과 마찬가지로 여전히 강력합니다.

즉, AI는 계속 존재하며 점진적인 채택이 필수적입니다. 내 블로그 "올바른 적합성: AI/ML 채택 전 비즈니스 가치 평가"(https://bankloch.blogspot.com/2023/10/the-right-fit-assessing-business-value.html), 은행이 AI 전투를 위해 AI를 구현하는 것보다 AI 전투를 현명하게 선택하는 것이 중요합니다.

따라서 금융 서비스 산업에서 AI 사용 사례의 포괄적인 목록을 만드는 것이 필수적입니다. 제 생각에는 금융 서비스 산업의 모든 AI 사용 사례를 다음과 같이 분류할 수 있습니다. 두 개의 주요 그룹:

그룹 1: 구조화되지 않은 데이터를 보다 효율적으로 처리

이 카테고리는 SQL 데이터베이스에서 깔끔하게 구성할 수 없는 데이터를 수집, 분석 및 처리하는 데 중점을 둡니다. 일반적으로 여기에는 정부와 같은 제XNUMX자나 디지털 형식으로 변환해야 하는 비디지털 고객 서비스에서 비롯된 문서, 음성 또는 이미지의 데이터가 포함됩니다. 구조화되지 않은 데이터를 처리하는 데 리소스가 많이 소모될 수 있으므로 이러한 사용 사례의 주요 목표는 비용 절감입니다. AI의 등장으로 이러한 프로세스를 자동화하는 것이 점점 더 가능해졌습니다.

예는 다음과 같습니다 :

  • KYC 및 KYB 문서 처리: 고객과 회사 구조를 더 잘 이해하기 위해 신분증 이미지, 정부 간행물 또는 회사 법령을 처리합니다.

  • 신원 관리: KYC/KYB와 유사하지만 신분증 이미지, 생체 인식(얼굴 및 지문 등), 행동 식별과 같은 비정형 데이터를 사용하여 지속적인 인증 및 거래 서명에 중점을 둡니다.

  • 브랜드 및 평판 관리: 마케팅 캠페인에 반응하고 부정적인 홍보를 해결하기 위해 회사에 대한 고객 및 미디어 감정을 모니터링합니다. 이는 기존 미디어와 소셜 미디어(피드백 댓글, 좋아요, 공유, 의견 등)와 기타 정보 소스(예: 콜센터 기록)를 모니터링하여 고객 정서와 추세를 파악함으로써 수행됩니다.

  • 클레임 관리: 손상된 보험 대상 사진, 보험 전문가 보고서 등 구조화되지 않은 데이터를 사용하여 청구 처리를 자동화합니다.

  • 챗봇 및 자동 콜센터: AI를 활용하여 고객 상호 작용을 분류 및 태그 지정하고, 상호 작용을 효율적으로 파견하고, 표준 응답 템플릿을 제안하고, 다양한 커뮤니케이션 채널(메일, 전화 통화 및 채팅 상자) 전반에 걸쳐 응답을 완전히 자동화합니다.

  • 감정 분석 이메일, 채팅 세션, 음성 및 비디오 녹음, 구조화되지 않은 의사소통 요약을 통해 고객 피드백과 직원-고객 상호 작용을 이해합니다.

  • 비용 및 송장 관리: 자동 처리를 위해 재무 문서를 구조화된 데이터로 변환합니다(예: 올바른 회계 카테고리에 올바르게 예약).

그룹 2: 더 나은 예측 및 리소스 할당

금융 서비스 산업에서는 (다른 산업과 마찬가지로) 사람, 돈과 같은 자원이 부족하므로 최대한 효율적으로 배분해야 합니다. AI는 이러한 자원이 가장 필요한 곳과 가장 높은 부가가치를 창출할 수 있는 곳을 예측하는 데 중요한 역할을 할 수 있습니다.

주의 사항: 고객의 관심은 희소한 자원으로 간주될 수도 있습니다. 즉, 고객의 제한된 관심 범위가 최적으로 사용되도록 모든 커뮤니케이션이나 제안이 고도로 개인화되어야 함을 의미합니다.

이러한 사용 사례는 두 가지 하위 범주로 분류될 수 있습니다.

부문에 구애받지 않는 사용 사례

  • 고객 세분화 사용 가능한 데이터(예: 고객 프로파일링, 거래 패턴 분석, 과거 및 즉각적인 고객 행동…​)를 기반으로 최상의 수단(최상의 채널 조합)과 의사소통 스타일(연락 최적화)을 결정하고 잠재력이 가장 높은 고객에게 리소스를 할당합니다. 미래 수익.

  • 이탈 감지 떠날 위험이 있는 고객을 식별하고 유지합니다. 직원이 고객에게 연락하거나 특정 인센티브(예: 할인 또는 더 나은 이자율)를 제공하여 고객 이탈을 방지하는 등 추가 리소스를 해당 고객에게 할당합니다.

  • 최고의 잠재 고객 및 영업 기회 파악: 리드 목록에서 고객이 될 가능성이 가장 높은 고객을 식별할 뿐만 아니라 교차 판매 및 상향 판매 활동의 대상으로 가장 잘 타겟팅할 수 있는 기존 고객도 식별합니다.

  • 수요와 공급의 변화 예측예를 들어 ATM 기계 또는 지점이 가장 잘 배치되어야 하는 위치를 식별하고, 고객 지원 팀의 최적 인력 배치를 보장하기 위해 예상할 수 있는 고객 지원 상호 작용 수를 예측하거나, 클라우드 인프라 비용을 최적화하기 위해 IT 인프라의 부하를 예측합니다.

  • 차선책 조치, 차선책 제안 또는 추천 엔진 개인화된 고객 상호 작용을 위해 즉, 특정 순간에 사용자가 가장 관심을 가질 만한 작업, 제품 또는 서비스를 예측합니다. 이 프로세스에 쉽게 액세스할 수 있으면 고객이나 다른 사용자(예: 내부 직원)가 목표를 더 빨리 달성하는 데 도움이 되어 수익이 증가하고 비용이 절감됩니다.

  • 가격 엔진 최적의 제품이나 서비스 가격을 결정하는 데 사용됩니다.

금융 서비스 산업별 사용 사례

  • 신용 점수 엔진 신용도를 평가하고 효율적인 대출 결정을 내릴 수 있습니다. 이 엔진은 채무불이행 가능성과 채무불이행 시 예상 손실액을 예측하여 신용 승인 여부를 결정하는 것을 목표로 합니다. 이는 은행의 자금이 가능한 가장 효율적인 방식으로 지출되도록 보장하는 예측 문제이기도 합니다.

  • 사기 탐지 엔진 온라인 사기(사이버 위협), 결제 사기 등 금융 사기 행위를 식별하고 예방합니다. 엔진은 사용자의 실제 행동이 예상(예측) 행동과 일치하는지 예측합니다. 그렇지 않다면 사기죄일 가능성이 높습니다. 이러한 엔진은 수익 손실을 줄이고, 브랜드 손상을 방지하며, 원활한 고객 온라인 경험을 제공하는 데 도움이 됩니다.

  • 로보어드바이저 시장 동향, 현재 투자 포트폴리오 및 고객 제약 사항(예: 위험 프로필, 지속 가능성 제약, 투자 기간 등)을 기반으로 최적의 투자 포트폴리오를 생성하는 서비스입니다.

    • AML 탐지 엔진 금융 거래에서 자금 세탁 및 범죄 행위를 탐지(및 중지)합니다.

    • 유동성 리스크 관리 엔진 현금흐름 최적화를 위해 이는 고객에게 제공할 수 있는 서비스이지만 은행 내부적으로도 요구되는 서비스입니다. 은행은 모든 인출을 처리할 수 있을 만큼 대차대조표에 충분한 유동성을 보장해야 할 뿐만 아니라 ATM 기기 및 지점에 공급하는 데 필요한 물리적 현금 수요를 예측해야 합니다.

이러한 비즈니스 지향 AI 사용 사례 외에도 AI의 내부 사용을 간과하지 마십시오. 직원 생산성 향상. ChatGPT와 같은 생성적 AI 도구는 영업, 마케팅, IT 등 다양한 부서의 생산성 향상을 지원할 수 있습니다.

내 블로그 "올바른 적합성: AI/ML 채택 전 비즈니스 가치 평가"(https://bankloch.blogspot.com/2023/10/the-right-fit-assessing-business-value.html), 첫 번째 범주(예: "비정형 데이터의 보다 효율적인 처리")는 매우 구체적인 AI 기술과 복잡한 AI 모델이 필요하지만 내 생각에는 가장 큰 잠재력을 가지고 있습니다. 따라서 많은 금융 서비스 회사는 이 사용 사례 범주에 대해 사전 훈련된 모델을 사용할 가능성이 높습니다.

두 번째 범주의 사용 사례(예: "희소한 자원의 더 나은 예측 및 더 나은 할당")도 유망하며 범주 1의 사용 사례보다 더 빠른 결과를 얻을 수 있습니다. 그러나 기존 규칙 기반 알고리즘에 비해 부가 가치는 다음과 같습니다. 항상 보장되는 것은 아니며 투명성이 부족하고 미세 조정이 어려운 경우가 많습니다. 결과적으로 AI 사용 사례는 실제보다 더 유망해 보이는 경우가 많습니다.

많은 경우 은행은 AI에 직접 투자할 필요가 없습니다. AI 모델을 제공할 뿐만 아니라 AI 모델을 둘러싼 워크플로우와 비즈니스 로직을 포괄하는 수많은 소프트웨어 솔루션이 이미 존재하기 때문입니다.
각 사용 사례에 대해 금융 서비스 회사는 실제로 다음 중 하나를 선택할 수 있습니다. 세 가지 옵션:

  • 옵션 1: 모델 구축 기스로부터 AWS SageMaker 또는 GCP AI 플랫폼과 같은 플랫폼을 사용합니다. 이는 회사가 좋은 데이터 훈련 세트를 식별하고, 모델을 설정하고, 모델 자체를 훈련해야 함을 의미합니다. 예를 들어 KBC는 GCP AI 기술을 사용하여 가상 비서(Kate라고 함)의 큰 부분을 완전히 사내에서 구축했습니다.

  • 옵션 2: 사용 미리 훈련된 특정 사용 사례에 대해 AWS Fraud Detector, AWS Personalize 또는 ChatGPT의 사용자 지정 버전(새로운 GPT 개념을 도입하기 위한 OpenAI 발표 참조)과 같이 쉽게 배포하고 적응할 수 있는 클라우드 기반 모델입니다.

  • 옵션 3: 획득 중 전체 소프트웨어 솔루션 여기에는 내부 AI 모델, 화면, 워크플로 및 프로세스가 포함됩니다. 금융 서비스 산업에는 Discai(KBC 은행이 내부적으로 구축한 AI 모델을 상용화함), ComplyAdvantage, Zest AI, Scienaptic AI, DataRobot, Kensho Technologies, Tegus, Canoe, Abe.ai 등 수많은 솔루션이 존재합니다.​

어떤 옵션을 선택할지는 금융 서비스 회사의 특정 요구 사항에 따라 결정됩니다. AI 모델의 기능과 한계를 이해하고, 견고한 데이터 전략을 갖고, 외부 모델과 도구에 데이터를 제공하는 방법을 아는 것은 AI를 도입하려는 금융 서비스 회사에게 중요한 단계입니다. 이러한 단계는 일반적으로 깊은 내부 AI 지식을 갖는 것보다 더 중요합니다.

금융 서비스 산업에 AI를 도입하는 것은 경쟁력을 유지하고 고객 요구를 충족하는 데 반드시 필요합니다. 잘 고려된 사용 사례와 결합된 올바른 접근 방식(구축 대 구매)은 성공적인 AI 여정을 위한 길을 열어줄 수 있습니다.

내 모든 블로그를 확인하십시오. https://bankloch.blogspot.com/

spot_img

최신 인텔리전스

spot_img

저작권 @ 2024 Plato Technologies Inc.