طی چند سال گذشته، کسب‌وکارها و سازمان‌های فعال در دنیای مالی به‌طور فزاینده‌ای راه‌حل‌های هوشمندانه‌ای را برای هم‌جهت کردن خود با تغییرات شگرف کلان این صنعت در پیش گرفته‌اند. هوش مصنوعی (AI) و یادگیری ماشین (ML) تقریبا به‌طور کامل در تمام زمینه‌ها نفوذ کرده‌اند، از فرایندهای پشت ‌صحنه (back-end) گرفته تا نقش‌های سازمانی فعال در حوزه‌ تعامل مستقیم با مشتریان (forward-facing front-end).

در سال 2019، استفاده از هوش مصنوعی تنها در بخش فناوری مالی به ارزش تخمینی 6.67 میلیارد دلار رسید و انتظار می‌رود ظرف مدت تنها پنج‌سال این رقم به بیش از 22.6 میلیارد دلار برسد. البته این موضوع بدیهی است؛ چراکه با نرخ رشد سالانه مرکب(CAGR) ۲۳.۳۷ درصد، هیچ نشانه‌ای از کاهش سرعت به‌کارگیری این فناوری در صنعت مالی وجود نخواهد داشت اما چرا این رشد شگفت‌آور را در این روزها مشاهده می‌کنیم؟

نیروی محرکه‌ فناوری هوش مصنوعی و یادگیری ماشین چیست؟

در ابتدا باید اشاره کنیم که جالب است بدانید، این رشد، فقط مختص دنیای فناوری مالی نیست. تقریبا در تمام صنایع، درخواست‌های زیادی را جهت حل مسائل از طریق هوش مصنوعی و یادگیری ماشین شاهد هستیم. بنابراین فناوری هوش مصنوعی حتی بدون در نظر گرفتن کاربردهای آن در صنعت مالی هم دنیای بسیار بزرگی دارد.

در حال حاضر، بازار فناوری هوش مصنوعی ارزشی به میزان 10.1 میلیارد دلار دارد و برای حل چالش‌های مختلف تجاری مورد استفاده قرار می‌گیرد. برخی از مهم‌ترین موارد کاربری هوش مصنوعی و یادگیری ماشین عبارتند از:

• 38 درصد: کاهش هزینه‌ها
• 37 درصد: به‌دست‌آوردن بینش‌ درمورد مشتریان
• 34 درصد: تجربه مشتری
• 30 درصد: اتوماسیون فرایند داخلی
• 27 درصد: کشف کلاهبردار تقلب
• 26 درصد: رضایت مشتری

به بیان ساده، این فناوری‌ها نیروهایی پیشران برای ایجاد تحول در تقریبا تمام حوزه‌های تجاری هستند. همچنین امکان به‌دست‌ آوردن درکی عمیق‌تر از نیازهای مشتریان از طریق تحلیل کلان‌داده‌ها (Big Data) و فرایندهای شرکت را فراهم می‌کنند و به کسب‌وکارها این امکان را می‌دهند تا پیشنهادهای خود را برای بازار و جهانی در حال تغییر و تحول، بهینه و اصلاح کنند. در این بین فناوری مالی نیز از این قاعده مستثنی نیست.

فراهم‌آورندگان خدمات مالی در سال 2021 چه زمینه‌هایی را هدف قرار داده‌اند؟

انتظار داریم که در سال 2021 هم شاهد تداوم تقاضا در مورد فناوری‌های هوش مصنوعی و یادگیری ماشین در صنعت مالی باشیم. این بدان معناست که انتظار مشتریان برای سرعت‌بخشی به ارائه‌ خدمات و متناسب‌سازی آن با نیازهای شخصی هر مشتری، نسبت به سال‌های قبل افزایش پیدا خواهد کرد. در ادامه به روندهایی اشاره می‌کنیم که باید در سال ۲۰۲۱ درمورد آنها آگاهی کاملی داشته باشیم.

مشاوران روباتی

بهینه‌سازی مدیریت سبد سهام و سرمایه‌گذاری و همچنین پیشنهاد محصولات سرمایه‌گذاری شخصی‌سازی‌شده، دو مورد از مهم‌ترین انتظارات عامه‌ مشتریان از راهکار‌های هوش مصنوعی و یادگیری ماشین در سال جاری خواهند بود. اگرچه مباحث فراوانی درباره دقت و اصول اخلاقی این فناوری‌ها وجود دارد؛ اما با این حال، محبوبیت آنها و قابلیت‌های پالایش آنها در جهت شخصی‌سازی پیشنهادات برای مشتریان در حال افزایش است. برخی از راهکارهای توسعه‌یافته در این اواخر، امکان پیشنهاد فرصت‌های سرمایه‌گذاری به مشتریان را براساس درآمد، رفتارهای سرمایه‌گذاری جاری، میل به ریسک و دیگر مواردی از این دست دارند. مشاوران رباتی، از پرسش‌نامه‌های آنلاین ساده‌ای که نهایتا به پیشنهادات سرمایه‌گذاری مشخص و محدودی ختم می‌شدند، به داشتن قابلیت‌هایی برای موازنه هوشمند سبد سرمایه‌گذاری در طول زمان و ارائه‌ پیشنهادهای مبتنی بر الگوریتم براساس نیازها و اولویت‌های مشتریان توسعه پیدا کرده‌اند. درحالی‌که وارد سال 2021 شده‌ایم، می‌توانیم منتظر سیستم‌های پالایش‌گر داده و الگوریتم‌های خودآموز و کاملا خودکار برای کمک به سرمایه‌گذاران باشیم.

بهینه‌سازی فرایند

در حال حاضر بهینه‌سازی فرایند، یکی از متداول‌ترین هدف‌های کاربردی هوش مصنوعی و یادگیری ماشین در فناوری مالی است و این حوزه در سال 2021 هم به بهترین وجه به رشد خود ادامه خواهد داد. بهینه‌سازی فرایند به کاهش میزان کار یدی کارمندان در شرکت‌ها و در حالت کلی‌تر، افزایش کارایی و بهره‌وری منجر می‌شود. از فناوری هوش مصنوعی غالبا برای بهبود و خودکارسازی فرایندهای مراکز تماس، بهینه‌سازی فرایندهای اداری نقاط تماس با مشتری در قالب چت‌بات ‌و بهبود آموزش کارمندان استفاده می‌شود. در سال جاری به احتمال زیاد شاهد اصلاح این فناوری‌ها و حرکت به ‌سمت خودکارسازی هرچه بیشتر سیستم‌ خواهیم بود؛ از جمله در حوزه‌هایی همچون پاسخ به پرسش‌های مشتریان، گزارش‌گیری، تجزیه‌وتحلیل کلان‌داده و مانند آنها که اطلاعات چشمگیری را درمورد ماهیت واقعی کسب‌وکار فراهم خواهند کرد.

اعتبارسنجی

در حال حاضر سیستم‌های فعلی اعتبارسنجی منسوخ شده‌اند. این سیستم‌ها براساس مشخصات جمعیت‌شناسی محدودی همچون شغل، سن، نژاد، جنسیت و… تصمیم‌گیری می‌کنند و جزئیات کمی از شخص درخواست‌کننده را در تصمیم‌گیری مدنظر قرار می‌دهند. هوش مصنوعی و یادگیری ماشین، این توانایی را به شرکت‌ها می‌دهند تا ریسک‌های مشتریان را دقیق‌تر ارزیابی و مستندسازی کنند و برای تصمیم‌گیری، خود فرد را مورد ارزیابی قرار دهند؛ نه یک الگوی کلیشه‌ای عام از مجموعه افرادی که در بعضی از شاخص‌ها با یکدیگر مشابه‌اند. به‌خدمت‌گرفتن نرم‌افزار امتیازدهی اعتبار می‌تواند وام‌های سوخت‌شده را تا 50 درصد کاهش و مبلغ سود را تا 30 درصد افزایش ‌دهد؛ چراکه در دادن وام، تصمیم‌گیری بهتری صورت می‌گیرد. این فناوری براساس ساخت مدل‌های اعتبارسنجی، صحت‌سنجی آنها براساس داده‌های واقعی و سپس استفاده‌ سریع از آنها در بازار، کار می‌کند. به‌این‌ترتیب شرکت‌ها با احتمال کمتری به مشتری‌های پرخطر وام می‌دهند و مشتریان هم می‌توانند به خدمات وام‌دهی در زمان نیازشان، سریع‌تر دسترسی داشته باشند. در آینده تصمیم‌گیری‌های مرتبط با وام‌دهی در بانک‌ها و مؤسسات مالی، به‌سرعت و متناسب با نیازهای شخصی هر مشتری برنامه‌ریزی می‌شود.

امنیت

طبق اعلام مؤسسه‌ اکسپریان (Experian)در سال گذشته بیش از 55 درصد از کسب‌وکارها در سراسر جهان، وقوع کلاهبرداری یا تقلب را گزارش کرده‌اند و از هر پنج مورد، سه نفر معتقدند این میزان در سال گذشته افزایش یافته است. از مهم‌ترین نگرانی‌ها مربوط به تقلب در افتتاح حساب و مدیریت تراکنش های مالی، کلاهبردارحساب‌های بانکی است. کلاهبردار تقلب در صنعت مالی چیز جدیدی نیست. از ‌زمانی‌که پول وجود داشته، همیشه افرادی بوده‌اند که تمایل به کلاهبرداری برای به‌دست‌آوردن پول داشته باشند. تغییر سیستم‌ها به سیستم‌های دیجیتالی به این معناست که کلاهبرداران باید در عملکردشان خلاقیت بیشتری داشته باشند. به همین دلیل بسیار مهم و حیاتی است تا موسسات مالی و شرکت‌های فعال در این صنعت همیشه یک قدم جلوتر از کلاهبرداران باشند. با توجه به اینکه برای ۸۸ درصد از مشتریان، در زمان مواجهه با موسسات مالی، مهم‌ترین مسئله «اعتمادکردن» است، موسسات مالی لازم است همواره به آخرین فناوری‌های امنیتی روز مجهز باشند و این توانمندی خود را نیز به مشتریان خود اطلاع دهند. در سال جاری شاهد افزایش کاربردهای هوش مصنوعی و یادگیری ماشین در حوزه‌ راهکارهای امنیتی خواهیم بود؛ برای مثال استفاده از تجزیه‌وتحلیل مدارک برای افتتاح حساب، نوعی از فناوری‌های رگ‌تک کشف الگوهای ناهنجاری‌ در حساب‌های بانکی و موارد دیگر.

خدمات مشتریان

در این شکی نیست که نظر مشتریان مهم است. مشتریان با احتمال 93 درصد به کسب‌وکارهای با خدمات عالی برای خریدهای بیشتری بازمی‌گردند. اما منظور از خدمات عالی مشتری چیست؟ در دنیای امروز خدمت به مشتری در دو چیز خلاصه می‌شود؛ زمان پاسخ‌گویی مناسب و شخصی‌سازی در پاسخ‌گویی به مشتری. این جایی است که هوش مصنوعی و یادگیری ماشین، وارد عمل می‌شوند.

باتوجه به اینکه 90 درصد از مشتریان خواهان پاسخ فوری به سؤالاتشان هستند، آن دقایق و ثانیه‌های گران‌بها که منتظر دریافت پاسخ هستند، برای شرکت‌های دیگر، می‌تواند باعث ایجاد مزیت رقابتی شود. امروزه چت‌بات‌های مبتنی بر هوش مصنوعی و یادگیری ماشین این لحظه‌ها را به فرصت تبدیل می‌کنند. آنها مشتریان را سریع‌تر از گذشته جذب می‌کنند و البته باهوش‌تر از عامل انسانی هم عمل می‌کنند. این فناوری نه‌تنها به کسب‌وکارها این امکان را می‌دهد تا به سؤالات مشتریان پاسخ دهند بلکه باعث می‌شود تا از نیازهای مشتریان نیز شناخت عمیقی به‌دست آورند.

تجزیه‌وتحلیل داده‌های بیشتر به‌ معنی داشتن اطلاعات بهتر درمورد نحوه‌ مدیریت اثربخش تجربه‌ مشتری است. این تجزیه‌وتحلیل می‌تواند از پاسخ‌دادن به سؤال مشتری تا ارائه‌ یک محصول سفارشی‌سازی‌شده به مشتری مثلا وام متناسب با درآمد و ریسک مشتری یا ارائه‌ اطلاعات لازم قبل از پردازش یک تراکنش را دربربگیرد. قدرت فناوری در حوزه‌ خدمات مشتریان، بی‌نهایت است.

چالش‌های موجود بر سر راه به‌کارگیری فناوری هوش مصنوعی در موسسات مالی

درحالی‌که راه‌حل‌های هوش مصنوعی و یادگیری ماشین به‌سرعت در حال پیشرفت هستند، باید به این موضوع اشاره کنیم که آنها هم عاری از نقص نیستند. اگر با مزاحمت بانک درمورد تراکنشی که انجام داده‌اید اما بانک تصور می‌کند یک تراکنش متقلبانه است مواجه شده باشید، با یکی از این نقایص آشنا هستید. سیستم‌های پرنقص همواره وجود داشته‌اند و خواهند داشت. همچنین باید در نظر داشت هر نوآوری منتقدان خود را دارد. با این حال خبر خوب این است که با پیشرفت فناوری در طول زمان، هوش مصنوعی و یادگیری ماشین هم هوشمندتر می‌شوند و با رفتار انسان هم سازگارتر خواهند شد و این تطبیق بیشتر، به آنها این امکان را می‌دهد تا نتایج دقیق‌تری را ارائه دهند.

چگونه یک کسب‌وکار باید راه‌حل‌های هوش مصنوعی و یادگیری ماشین را برای حداکثرسازی اثربخشی انتخاب کند؟

انتخاب چگونگی یا محل به‌کارگیری راه‌حل جدید مبتنی بر فناوری برای هیچ کسب‌وکاری آسانی نیست. درواقع اگرچه 84 درصد از مدیران اجرایی ارشد سازمان‌ها به لزوم بهره‌گیری از قابلیت‌های هوش مصنوعی برای دستیابی به اهداف رشد اعتقاد دارند؛ اما 76 درصد آنها اصلا نمی‌دانند که چگونه باید این کار را انجام دهند. استفاده‌ مقیاس‌پذیر از هوش مصنوعی و یادگیری ماشین آسان نیست؛ اما برای هر شرکتی که به‌ دنبال پیشرفت است، ضروری است.

توصیه‌ ما برای شروع این است که یک حوزه‌ مشخص را برای کار انتخاب کنید؛ مثلا شخصی‌سازی تجربه‌ مشتری، تصمیم‌گیری دقیق‌تر داخلی، تشخیص روندهای آتی کسب‌وکار، تعامل با مشتریان یا کشف الگوهای تقلب و کلاهبرداری یا هر چیز دیگری. به‌صورت خلاصه باید بگوییم که تمرکز درخصوص نیازمندی‌های کسب‌وکار و یافتن راه‌حل‌های هوش مصنوعی و یادگیری ماشین که برای کسب‌وکار شما کار می‌کند، ضروری است.

منبع: فین‌اکسترا