На ближайшие 2-3 года AI будет наиболее перспективен в работе с клиентом, считают российские и британские банки

 

Респонденты указывают, что уже получают выгоды от применения машинного обучения и ожидают их значительного прироста в ближайшие три года. Как видно из графика, наибольшую выгоду компании получают от применения ML в борьбе с мошенничеством и отмыванием денег, повышении операционной эффективности и получении новых знаний с помощью аналитики. Но в течение трех лет получения значительных преимуществ они ожидают и в повышении персонализации для клиентов и в формировании новых типов продуктовых предложений.

По доле организаций, использующих машинное обучение, в Великобритании лидирует страхование. В банках доля таких организаций тоже велика — более ⅔. В инвестиционных компаниях ML использует около половины.

Средняя страховая организация применяет машинное обучение в 7,5 кейсах, средний банк – в 5,5. Но в течение 3 лет, согласно их ответам, количество кейсов почти утроится – до 21,5 и 15,5 соответственно.

 

Среди областей применения предсказуемо лидируют управление рисками и комплайенс, что британский регулятор объясняет необходимостью анализировать большие объемы данных и выявлять паттерны. Но на довольно зрелых стадиях внедрение машинного обучения и в вовлечении пользователей, продажах и страховании.


Российская практика

По данным исследования IDC и ABBYY, результаты которого представил на Tech Week 2019 генеральный директор ABBYY в России Дмитрий Шушкин, российский рынок искусственного интеллекта в 2019 году достиг $139 млн, и среднегодовой рост затрат на ИИ до 2023 года будет составлять 30%.

 

Данные исследования во многом перекликаются с полученными Банком Англии – российские компании, как оказалось, также видят наиболее перспективным применение искусственного интеллекта в течение ближайших двух в подразделениях клиентского обслуживания, маркетинга и отдел продаж.


Результаты опроса, проведенного FutureBanking среди российских банков, показывают, что они также активно переходят к применению машинного обучения в улучшении клиентского опыта с помощью применения моделей во многих связанных с этим процессах. 

 

«Я считаю, что банковские продукты в основе своей не изменятся, –  говорит Василий Гаршин, директор по цифровой трансформации Банка ВТБ. – Кредиты будут выдаваться, депозиты приниматься, покупки оплачиваться, средства приходить с одного счета на другой. Просто клиентам будет удобнее эти услуги получать, быстрее, без бумаг и лишних походов в офис, услуги будут все больше подстраиваться под потребности конкретного клиента». 

 

Сергей Герасимов, начальник отдела исследований и инноваций Банк Хоум Кредит, также уверен, что для клиентов банковские услуги в ближайшие годы станут более удобными и персонализированными. Банки будут все лучше и лучше предугадывать интересы, нужды, даже настроение клиентов. «С точки зрения ИИ и МО мы развиваемся в первую очередь в направлении выстраивания наиболее эффективной data-driven коммуникации с клиентом, учетом в этой коммуникации многих факторов, в том числе прибыльности клиента в будущем», – рассказывает он.

 

В Банке Уралсиб машинное обучение активно применяется в процессах оценки риск-профиля клиентов розницы и МСБ, маркетинга (в том числе digital, кросс-продаж и CRM), антифрода, а также в процессах ad-hoc аналитики и проведения исследований. «Современные методы анализа данных позволяют повысить скорость принятия решения и их качество. Именно эти два фактора окажут существенное влияние в борьбе за клиентов на рынке, именно это становится конкурентным преимуществом. Высвобождение ресурсов позволяет уделить время на создание новых продуктов и процессов» – считает руководитель департамента электронных продаж и сервисов Михаил Шебалков.

 

Руководитель «Лаборатории данных» Росбанка Дмитрий Смирнов видит в банковской отрасли все больше задач с применением систем обработки естественного языка, компьютерного зрения, распознавания и синтеза речи. «Перспективные области, на наш взгляд, связаны с обработкой неструктурированных данных. В качестве примера можно привести решение задачи по автоматизации обслуживания клиентов в наших каналах с использованием голосовых чат-ботов», – говорит он, добавляя, что в итоге с точки зрения клиента банковские продукты и сервисы будут максимально персонализированы, повысится удобство и качество обслуживания.

 

«Ренессанс Кредит», как рассказывает Сергей Афанасьев, исполнительный директор, начальник управления статистического анализа также планирует развивать NLP-моделирование для работы с текстами: документами, записями телефонных разговоров с клиентами и т.д. Ожидается, что использование NLP-методов позволит улучшить качество текущих моделей в CRM, взыскании и рисках.

 

В банке «Точка» делают акцент на том, что удобство клиента во многом зависит от комплайенса, для которого также применяется машинное обучение. Этот позволило тщательнее изучать потенциального клиента и не отказывать благополучному бизнесу из-за неверно интерпретированной информации. «Так мы улучшили конверсию на входе на 20%, смогли предоставлять клиенту динамические лимиты, которые меняются в зависимости от деятельности клиента, и в 3 раза уменьшить количество запросов документов по 115-ФЗ у действующих клиентов. Такие документы банк запрашивает каждый раз, когда видит подозрительные операции. Но обычные правила, придуманные нашими аналитиками, без использования машинного обучения ловили слишком много вполне законных операций», – рассказывает лид-линк круга IT «Точки» Александр Саликов.

 

В «большом» QIWI главный фокус сейчас – на лучшем понимании желаний и потребностей пользователей. «Это не только модели, но в первую очередь, исследования и аналитика, где есть возможность комбинировать разные подходы в поисках продуктовых инсайтов. Что любят наши клиенты, какие проблемы мешают им двигаться дальше по продуктовой линейке – это те вопросы, на которые мы хотим ответить. Думаю, что основной вызов –  это действительно глубоко нырнуть в море данных и вернуться с жемчужиной», – говорит Лидия Храмова, руководитель направления бизнес-моделирования компании. 

 

В Тинькофф ИИ широко применяется в чат- и call-ботах. В 30% случаев диалог проходит целиком без участия оператора, что позволяет экономить банку до 50 млн рублей в месяц. С помощью ИИ происходит распознавание речи, голоса и лиц, направленное в том числе на снижение количества мошеннических операций. Голосовая биометрия на базе машинного обучения позволяет уже за 15 секунд распознать 80% звонящих в компанию. Планируется, что в будущем ИИ поможет не только распознавать клиентов, но и сегментировать их по нужным критериям, что позволит выстраивать коммуникацию эффективнее.

 

В дальнейшем, как считает Анна Андреева, главный аналитик, отвечающая за проекты машинного обучения Тинькофф, персонализация будет применяться не только в рекламе (где уже давно используется), но и во всех точках соприкосновения бизнеса с потребителем: каждый лендинг может формироваться под каждого клиента, интерфейс в мобильном и интернет-банке будет подстраиваться под клиента, с учетом функций, которыми он пользуется или потенциально может воспользоваться. При этом AI поможет персонализировать не только набор инструментов, но и тексты сообщений, которые увидит клиент.

 

«Банки сейчас не могут себе позволить не развивать у себя AI и машинное обучение, иначе будут вытеснены другими bigtech-игроками, которые будут продолжать совершенствовать процессы управления данными. При этом технологические банки могут стать форвардами развития технологий, так как обладают данными по потребительскому поведению потребителей», – уверена Анна Андреева.

Как AI помогает компаниям получить и удержать клиента обсудим 12 декабря на форуме FinMachine CX 2019.