Всего несколько лет назад людям было необходимо понимать текст и распознавать изображения. В настоящее время становится все более возможным автоматизировать эти функции с помощью когнитивных технологий, таких как машинное обучение. На самом деле одно из первых практических применений машинного обучения — автоматическая обработка рукописных чеков — началось в банковской сфере в начале 1990-х годов.

С тех пор мы прошли долгий путь. За последние несколько лет произошли значительные изменения в области автоматизированного принятия решений, в основном во главе с молодыми инновационными технологическими компаниями. Лидеры бизнеса используют когнитивные технологии, чтобы повысить качество обслуживания клиентов и выйти за рамки своих традиционных отраслевых границ. Эти технологии предлагают существенные улучшения и быстро развиваются.

Следующим рубежом автоматизированного принятия решений является механизм рекомендаций — интеллектуальное развертывание технологии машинного обучения для улучшения или полной автоматизации процесса принятия решений. Предоставление проницательных рекомендаций, таких как рекомендации продуктов клиентам, которые они, вероятно, захотят купить, уже давно стало Святым Граалем любой коммерческой компании. Мы также видим коренные изменения в том, как клиенты реагируют на полезные рекомендации.

Банки, решившие использовать потенциал рекомендательных систем, создают конкурентное преимущество, предоставляя своим клиентам более индивидуальный подход, а также расширяя возможности своих сотрудников.

Системы рекомендаций никуда не денутся

Механизмы рекомендаций работают, потому что они используют информацию, полученную из прошлого поведения клиентов, для прогнозирования будущих желаний клиентов — несколько повсеместных примеров:

• Amazon – крупнейший ритейлер в мире, и его система рекомендаций обеспечивает значительную долю продаж. Этот механизм создает привлекательный пользовательский интерфейс, предлагая продукты, которые считаются наиболее подходящими для их клиентов.
• Netflix стал поставщиком контента номер один благодаря превосходному механизму рекомендаций, который использует прошлые данные о выборе, а также рейтинги и отзывы пользователей. С помощью этих данных он предлагает своим клиентам релевантные персонализированные предложения фильмов.

Преобразование методов работы банков

Что это значит для банковского мира? Основные области применения и преимущества рекомендательных систем для банков включают:

1. Персонализация в любом масштабе
   Банки, основанные на аналитических данных, извлекают знания из собранных ими данных о своих клиентах, чтобы формировать индивидуальный подход к клиентам. Примеры включают интерфейс, который клиенты видят при входе в платформу онлайн-банкинга, и предложения продуктов, которые появляются, когда потребитель использует мобильное приложение.
   
   Типичный банковский клиент преследует две цели; тратить разумнее и инвестировать разумнее. К сожалению, движущие силы каждой из этих целей часто различны для каждого клиента, поэтому персонализация, обеспечиваемая рекомендательными системами, может быть настолько эффективной.
   
   Системы рекомендаций могут анализировать данные о транзакциях и давать клиентам индивидуальные рекомендации о том, как сэкономить деньги. Они также могут анализировать поведение других клиентов с похожими характеристиками и рекомендовать продукты, которые им подошли.
   
   
2. Пополнение рабочей силы
   Системы рекомендаций позволяют сотрудникам принимать более взвешенные решения и более разумно тратить свое время. Лучшие решения повышают производительность и добавленную стоимость сотрудников, а это, в свою очередь, повышает эффективность бизнеса в целом.
   
   Мошеннические действия обходятся банкам очень дорого. Традиционно для обнаружения мошенничества использовался подход сопоставления с образцом на основе правил, который отнимал много времени и часто был неэффективен из-за постоянно развивающихся методов мошенничества. Используя машинное обучение, банки могут обнаруживать аномалии с гораздо большей точностью и быстрее отмечать подозрительную активность. Это приводит к увеличению числа обнаруженных случаев мошенничества, а также к снижению количества ложных срабатываний.
   
   
3. Оркестровка автоматизации
   Чтобы воспользоваться всеми преимуществами автоматизированного принятия решений, необходимо связать различные части организации и создать непрерывные циклы взаимодействия. Как только автоматизированное принятие решений применяется в одной части бизнеса, оно может создать возможности, выходящие далеко за рамки автоматизации изолированного процесса или транзакции.
   
   Банки ежедневно обрабатывают большое количество транзакций. Представьте себе банк, который классифицирует каждую транзакцию клиента в режиме реального времени по типу покупки, например, расходы на развлечения, поездки, еду или аренду. Это возможно с механизмами рекомендаций, которые распределяют каждую покупку по соответствующей категории расходов на основе закономерностей, обнаруженных в аналогичных исторических транзакциях.
   
   На самом деле, некоторые банки уже используют классификацию расходов клиентов в режиме реального времени. Банк может использовать эту информацию для анализа расходов клиентов. Анализ расходов, в свою очередь, можно использовать в качестве исходных данных для системы рекомендаций, которая советует клиентам, как сэкономить деньги или в какие продукты инвестировать.

Путь вперед

Автоматизированное принятие решений уже быстро меняет то, как банки предоставляют услуги по всей цепочке создания стоимости. Их развертывание обеспечивает персонализацию в масштабе и увеличение рабочей силы, а это, в свою очередь, создает дополнительные возможности автоматизации. Чтобы в полной мере воспользоваться преимуществами рекомендательных систем, банкам необходимо получить еще более целостный взгляд на путь клиента, как они это уже делают. Подробнее о когнитивных технологиях читайте на сайте Deloitte.