آخرین اخبار فناوری اطلاعات و ارتباطات، فین‌تک، بلاک‌چین و دیگر فناوری‌های پیشرفته

نقش هوش مصنوعی و راهکارهای داده‌محور در سودآوری بانک‌ها

بانک‌ها از دیرباز به ‌عنوان یک نهاد اقتصادی به دنبال سودآوری و کسب منفعت بوده‌اند تا ضمن امکان توسعه فعالیت‌های اقتصادی خود، منافع صاحبان و سهام‌داران خود را نیز تأمین کنند. بر اساس یک تعریف ساده سود حاصل تفریق کل هزینه‌ها از کل درآمدهاست؛ به عبارتی:

کل هزینه‌ها – کل درآمدها = سود یا زیان کل

بر اساس همین فرمول، افزایش سود به تغییرات دو پارامتر اصلی در هر کسب‌وکاری بستگی دارد. اولین پارامتر افزایش درآمد و دومی کاهش هزینه‌هاست. بانک‌ها مانند هر سازمان دیگری برای دستیابی به این دو هدف همواره از روش‌ها و فرآیندهای مختلفی استفاده می‌کنند. این روش‌ها از تجربه‌های مدیران در درون سازمان یا از دانش مشاوران مدیریتی سرچشمه می‌گیرند. هردوی این‌ها حاصل سال‌ها تجربه فعالیت در این حوزه‌ است. 

اما طی سال‌های اخیر تغییراتی در نحوه دستیابی به چنین اهدافی رخ داده است. صنعت بانکداری دچار یک «پارادایم شیفت» یا انقلاب شده است که در آن علوم داده سازمان‌ها را از تصمیم‌گیری مبتنی بر حدس و گمان به سوی تصمیم‌گیری مبتنی بر داده و شواهد سوق می‌دهد. 

هم‌اکنون در صنعت بانکی کشور شاهد آن هستیم که بانک‌ها عمدتاً با بهره‌گیری از هوش تجاری (BI) تحلیل‌های توصیفی (Descriptive) را از طریق داشبوردهای مدیریتی در اختیار مدیران تصمیم‌گیر و کلیدی بانک قرار می‌دهند. این در حالی است که روند جهانی در حال تجربه استفاده از تحلیل‌های پیش‌گویانه (Predictive)، تحلیل‌های تشخیصی (Diagnostic) و تحلیل‌های تجویزی (Prescriptive) است. این نوع تحلیل‌ها پا را از تشریح شرایط گذشته فراتر گذشته و ضمن پیش‌بینی وضعیت آینده از ابعاد مختلف، به دنبال یافتن دلیل یا دلایل شرایط پیش آمده و همچنین ارائه راهکارهای تجویزی جهت نیل به اهداف مدنظر مدیران بانکی در آینده هستند.

راهکارهای افزایش سودآوری بانک‌ها به کمک هوش مصنوعی و تحلیل داده

در این مقاله، به چند نمونه بین‌المللی از کاربرد هوش مصنوعی و تحلیل داده اشاره می‌کنیم که منجر به افزایش سودآوری بانک‌ها شده‌اند. 

پردازش زبان طبیعی (NLP)

چت‌بات‌ها یکی از ابزارهای مورداستفاده در بانک‌ها هستند که از فناوری پردازش زبان طبیعی استفاده می‌کنند.چت‌بات‌ها ابزارهای هوشمندی هستند که به جای نیروی انسانی صورت مسئله و حتی لحن پیا‌‌‌م‌های مشتریان را دریافت و متناسب با نیاز مشتریان، بدون وقفه پاسخ یا راهنمایی مناسب را ارائه می‌کنند. به عنوان مثال، «اریکا» نام دستیار مجازی «بنک آو امریکا» است که می‌تواند به ۶۶ میلیون مشتری این بانک خدمات متنوعی ارائه کند. اریکا این قابلیت را دارد که بر اساس تحلیل داده‌ها و رفتار مالی مشتریان بانک، در رابطه با پس‌انداز و کاهش بدهی به مشتریان مشاوره دهد.

انطباق با رگولاتوری

 راهکارهای هوش مصنوعی در کشف تقلب نیز جایگاه مهمی دارند و استفاده از آن‌ها باعث کاهش هزینه جبران خسارت مشتریان توسط بانک می‌شود. «سیتی بنک» یکی از بزرگ‌ترین بانک‌های آمریکا با حدود ۲۰۰ میلیون مشتری در ۱۶۰ کشور جهان، پروژه‌ای برای استفاده از هوش مصنوعی در بهبود فرایندهای ریسک و انطباق با رگولاتوری تعریف کرده است. استفاده از هوش مصنوعی در این پروژه غیر از صرفه‌جویی در زمان صرف شده در فرایندهای دستی، سرعت عمل در شناسایی تراکنش‌هایی را دارد که احتمال نقض قوانین در آنها وجود دارد.

احراز هویت از راه دور نئوبانک‌ها

 تمامی نئوبانک‌های مطرح و شناخته شده در سطح جهانی از راهکارهای هوش مصنوعی و یادگیری ماشین در فرایندها و خدمات خود استفاده می‌کنند. از «روولت» و «مونزو» و «اتم بنک» بریتانیایی گرفته تا «وارو»، «چیمه» و «سوفای» آمریکایی، همگی در حال استفاده از راهکارهای متنوع هوش مصنوعی هستند. N26 یکی از معروف‌ترین نئوبانک‌های دنیا که از سال ۲۰۱۳ فعالیت خود را به صورت کاملاً دیجیتال شروع کرده است، از جمله بانک‌هایی است که فرایند Onboarding و KYC مشتریان را با بهره‌گیری از هوش مصنوعی و یادگیری ماشین انجام می‌دهد. این نئوبانک آلمانی که در ۲۲ کشور اروپایی و آمریکا به ۷ میلیون مشتری خدمات بانکی ارائه می‌کند، فرایند ثبت‌نام را برای مشتریان به قدری ساده کرده است که تنها طی ۸ دقیقه امکان افتتاح حساب وجود دارد. این در حالی است که در انجام این فرایندها، هیچ نیازی به مراجعه به شعبه فیزیکی یا امضا کردن فرم‌های کاغذی برای مشتریان وجود ندارد. 

طراحی کمپین

یکی از ابزارهای هوش مصنوعی برای بانک‌ها،رصد اجرای کمپین‌ها و ارائه گزارش‌های دقیق آنلاین از میزان اثر‌بخشی در رابطه با هر یک از گروه‌های هدف است. شرکت مشاوره مدیریت مکنزی در گزارشی به نقش هوش مصنوعی و یادگیری ماشین در طراحی کمپین بانک‌ها پرداخته است که نتیجه آن در کنار افزایش تعامل مشتریان، کاهش هزینه جذب مشتریان جدید نیز بوده است. بر اساس این گزارش مکنزی، راهکار هوش مصنوعی یک دسته‌بندی خرد از مشتریان را در اختیار بانک قرار داده و به صورت کاملاً هدف‌گذاری شده مدیریت کمپین‌ها صورت می‌گیرد. این نقش هوش مصنوعی صرفه‌جویی زمان را نیز برای بانک‌ها به ارمغان آورده و نتایج هر یک از کمپین‌ها را در دسته‌بندی‌های خرد با دقت بالایی به صورت برخط نمایش می‌دهد.

سامانه توصیه‌گر

این سامانه‌ها در واقع یک ابزار قابل اطمینان را در اختیار مدیران ستادی و روسای شعب قرار می‌دهد تا محصولات بانکی را به صورت هوشمندانه به گروه‌های هدف معرفی کنند. نحوه معرفی محصولات نیز بر اساس زیرساخت‌های بانک و همچنین پروفایل مشتریان می‌تواند از طریق کانال‌های مختلفی صورت گیرد و محدود به شعبه فیزیکی نباشد. بانک «ان‌کی‌بی» سوئیس در دو حوزه بانکداری خرد و بانکداری شخصی اقدام به طراحی و پیاده‌سازی سامانه توصیه‌گر نموده است. مطالعات شرکت مشاوره مدیریت مکنزی در صنعت بانکی نیز حاکی از این است که بانک‌های اروپایی توانسته‌اند با استفاده از سامانه‌های توصیه‌گر افزایش ۱۰ درصدی فروش محصولات جدید را با الگوریتم‌های یادگیری ماشین تجربه کنند. این در حالی است که جایگزینی تکنیک‌های یادگیری ماشین به جای روش‌های آماری، باعث صرفه‌جویی ۲۰ درصدی در هزینه‌های سرمایه‌ای و افزایش ۲۰ درصدی جمع‌آوری منابع نقدی شده است.

دسته‌بندی مشتریان

بانک «یو‌بی‌اس» به عنوان بزرگ‌ترین بانک سوئیسی توانسته است با استفاده از الگوریتم‌های یادگیری ماشین جلوی ریزش مشتریان ارزشمند خود را بگیرد. این اقدام «یو‌بی‌اس» در حالی صورت گرفته است که قبل از آن، بانک بریتانیایی «اچ‌اس‌بی‌سی» به عنوان رقیب اصلی «یو‌بی‌اس» در اتحادیه اروپا، از همین فناوری برای حفظ مشتریان خود استفاده کرده است. مطالعات شرکت مشاوره مدیریت مکنزی نیز در بانک‌های اتحادیه اروپا نشان می‌دهد که استفاده از الگوریتم‌های یادگیری ماشین باعث کاهش ۲۰ درصدی ریزش مشتریان در این بانک‌ها شده است. 

مدیریت ریسک

بهره‌گیری از هوش مصنوعی و یادگیری ماشین در مدیریت ریسک نیز از جمله راهکارهایی است که به صورت گسترده توسط مؤسسات مالی بین‌المللی در کشورهای توسعه‌یافته در حال استفاده است. بر اساس گزارشی از شرکت مشاوره مدیریت مکنزی در رابطه با آینده مدیریت ریسک در بانک‌ها، این صنعت در سال ۲۰۲۵ تغییرات قابل‌توجهی را در  این حوزه شاهد خواهد بود که تفاوت‌های شگرفی را نسبت به آنچه امروز تحت عنوان مدیریت ریسک می‌شناسیم، تجربه خواهد کرد.  مکنزی در این گزارش به شش روند اشاره می‌کند که یکی از آنها فناوری و تحلیل (داده) به عنوان یک بازوی مدیریت ریسک است. در این روند سه فنّاوری شامل کلان داده، یادگیری ماشین و تأمین منابع جمعی مورد مطالعه و بررسی قرار گرفته است.

جمع‌بندی

صنعت بانکی در دنیا در حال تجربه استفاده از راهکارهای متعدد هوش مصنوعی و یادگیری ماشین است که مدل کسب‌وکار این صنعت را با تغییرات شگرفی روبرو کرده است. تغییراتی که در آن شناخت داده‌ها و به‌کارگیری آنها در تصمیمات، تجربه کاربری بهتری را از بعد سرعت و شخصی‌سازی خدمات برای مشتریان بانکی  رقم زده و جایگاه مستحکم‌تری را برای بانک‌ها از بعد افزایش سودآوری نسبت به رقبا به همراه دارد. نکته حائز اهمیت در این رابطه این است که ما با یک درهم­‌تنیدگی معنادار در استفاده از راهکارهای متنوع هوش مصنوعی در صنعت بانکی مواجه هستیم. بدین معنا که خروجی یا نتایج هر یک از راهکارها می‌­تواند ورودی یا مکمل راهکار دیگری باشد و ترکیب این راهکارها است که افزایش سودآوری بانک­ها را بیش‌ازپیش تضمین می‌­کند. به عنوان حسن ختام شایان ذکر است که اولین و مهم‌ترین گام برای همراه سازی بانک‌ها، ایجاد ذهنیت و نگرش جدید در مدیران و رهبران آنها است.
ما در گروه مشاوران سحاب با بهره‌گیری از بهترین متخصصان علوم داده و مشاوران مدیریتی با تجربه، در کنار مدیران صنعت بانکی هستیم تا با ارائه راهکارهای جامع، مسیر صحیح و قابل اطمینانی توسط بانک‌ها طی شود. در این مسیر گروه مشاوران سحاب از طراحی و پیاده‌سازی راهکارهای هوش مصنوعی تا آموزش و پشتیبانی آنها در کنار مدیران شبکه بانکی کشور خواهد بود. در صورتی که تمایل دارید با سایر راهکارهای سحاب آشنا شوید لطفاً به آدرس https://www.sahab.ir/ مراجعه فرمایید.

نویسنده / مترجم مجید کیوان، مشاور مدیریت (گروه مشاوران سحاب)
مطالب مرتبط
ارسال یک پاسخ

نشانی رایانامه‌ی شما منتشر نخواهد شد.