AI dalam perbankan dan keuangan. Stripe, Monzo, dan Grab | AI dalam bisnis #78

AI dalam perbankan – pengantar

Kecerdasan buatan sudah banyak digunakan di berbagai bidang sektor perbankan dan keuangan. Ini bukan hanya chatbot untuk layanan pelanggan atau aplikasi yang sangat aman. Kecerdasan buatan digunakan dalam industri keuangan untuk tujuan yang lebih serius. Berikut adalah aplikasi utama AI dalam perbankan:

• Deteksi dan pencegahan penipuan – algoritma canggih menganalisis transaksi secara real-time dan mendeteksi pola aktivitas mencurigakan. Ini secara efektif melindungi pelanggan dari penipuan,
• Optimisasi peramalan likuiditas keuangan – model prediktif berbasis AI menganalisis sejumlah besar data untuk memprediksi arus kas di masa depan dengan tepat dan mengelola likuiditas dengan lebih akurat.
• Penyederhanaan proses terkait penilaian kelayakan kredit – di sini juga, algoritma pembelajaran mesin datang untuk menyelamatkan, yang, berdasarkan analisis ribuan aplikasi kredit, dapat menilai kredibilitas keuangan pelanggan dengan akurat,
• Personalisasi penawaran dan rekomendasi untuk klien – bank memanfaatkan model rekomendasi canggih untuk menyesuaikan produk keuangan dengan kebutuhan individu pelanggan,
• Automatisasi proses back-office – tugas rutin, seperti verifikasi dokumen atau penyelesaian transaksi, dapat sepenuhnya diotomatisasi dengan bantuan AI.

Namun, bagaimana perusahaan yang beroperasi di pasar global mengatasi penerapan inovasi ini?

Stripe: kredibilitas transaksi melalui AI dalam keuangan

Salah satu pemimpin dalam menerapkan AI di bidang keuangan adalah Stripe. Mereka telah mengembangkan sistem yang disebut Stripe Radar, yang menganalisis lebih dari 1.000 fitur transaksi dalam waktu kurang dari 100 milidetik untuk menilai keandalannya. Sistem ini memiliki tingkat akurasi 99,9% sambil mempertahankan tingkat alarm palsu yang rendah.

Bagaimana ini dicapai? Pertama, Stripe menggunakan teknik pembelajaran mesin canggih seperti jaringan saraf dalam. Sistem ini terus ditingkatkan dan dikembangkan dengan kemampuan baru, seperti transfer learning.

Kedua, perusahaan terus mencari sinyal baru dalam data transaksi yang dapat membantu mengidentifikasi anomali yang menunjukkan potensi penipuan. Insinyur Stripe dengan cermat meninjau setiap kasus penipuan untuk memahami pola operasi para penjahat dan memperkaya sistem dengan aturan tambahan.

Stripe Radar adalah contoh yang sangat baik tentang bagaimana AI dalam perbankan dapat secara efektif melindungi pelanggan dari penipuan keuangan.

Sumber: Stripe (https://stripe.com/blog/how-we-built-it-stripe-radar)

Monzo: AI dalam keuangan

Monzo, sebuah neobank yang berbasis di Inggris dan beroperasi secara eksklusif di ruang digital, telah menerapkan kemampuan pembelajaran mesin di area yang sama sekali berbeda: mengoptimalkan kampanye pemasaran.

Bank ini telah membangun model yang, berdasarkan data historis, dapat memperkirakan kesediaan pelanggan tertentu untuk memanfaatkan penawaran tambahan, seperti membuka rekening tabungan, jika mereka menerima pesan tertentu dari bank.

Selanjutnya, untuk memaksimalkan efisiensi kampanye, sistem menunjukkan pelanggan mana yang harus menerima pesan promosi mana. Ini memungkinkan penargetan pesan yang tepat dan mencapai hasil yang jauh lebih baik dibandingkan dengan komunikasi massal yang tidak dipersonalisasi.

Dalam beberapa kasus, penerapan optimisasi semacam itu telah memungkinkan Monzo untuk meningkatkan efektivitas kampanye hingga 200%! Ini menunjukkan bagaimana AI dalam perbankan dapat membantu menjangkau pelanggan dengan lebih efisien dengan penawaran yang disesuaikan yang sesuai dengan mereka.

Sumber: Monzo (https://medium.com/data-monzo/optimising-marketing-messages-for-monzo-users-3fe805f24572)

Grab: AI dalam klasifikasi data sensitif

Grab adalah raksasa teknologi dari Asia Tenggara, yang menawarkan layanan seperti transportasi dan pengiriman. Perusahaan telah memutuskan untuk memanfaatkan kemampuan Model Bahasa (LLM) untuk mengotomatiskan proses klasifikasi data sensitif yang disimpannya. Ini sangat penting karena perusahaan menyimpan data pribadi dan keuangan pelanggannya.

Untuk tujuan ini, satu set tag telah disiapkan yang menggambarkan berbagai kategori data, seperti:

• Data pribadi,
• Informasi kontak,
• Nomor identifikasi.

Selanjutnya, kueri yang sesuai dirancang untuk model bahasa agar secara otomatis menetapkan tag ini berdasarkan nama tabel dan kolom dalam basis data.

Akibatnya, Grab dapat mengklasifikasikan informasi yang disimpan berdasarkan sensitivitas dengan jauh lebih cepat dan murah. Ini memudahkan penegakan kebijakan akses data dan privasi. Menurut perkiraan perusahaan, solusi ini telah menghemat hingga 360 hari kerja per tahun yang sebelumnya dihabiskan untuk klasifikasi data manual.

Sumber: DALL·E 3, prompt: Marta M. Kania (https://www.linkedin.com/in/martamatyldakania/)

Ringkasan. Masa depan AI dalam perbankan dan keuangan

Seperti yang ditunjukkan oleh contoh Stripe, Monzo, dan Grab, kecerdasan buatan sudah memberikan nilai bisnis yang nyata bagi bank dan lembaga keuangan. Ini dapat membantu mencegah penipuan dengan lebih efektif, menargetkan pelanggan dengan lebih tepat, atau mengotomatiskan tugas-tugas yang membosankan.

Dalam beberapa tahun ke depan, peran AI dalam perbankan akan terus tumbuh secara stabil. Kita dapat mengharapkan otomatisasi penuh dari banyak proses back-office, hiper-personalisasi produk keuangan, dan integrasi yang lebih dekat antara model pembelajaran mesin dengan sistem perbankan.

Jika Anda menyukai konten kami, bergabunglah dengan komunitas sibuk kami di Facebook, Twitter, LinkedIn, Instagram, YouTube, Pinterest, TikTok.