Rahoitusalalla reaaliaikaisen analytiikan edut ovat ilmeiset. Tie parempaan ja nopeampaan päätöksentekoon ja sen kautta menestykseen on arkkitehtuuri, joka hallitsee erilaisia ​​tietolähteitä yhtenäisesti ja mahdollistaa erilaisten tietojen yhdistämisen.

Tulevina vuosina menestyvät ne pankit, jotka hoitavat asiakassuhteitaan parhaiten. Asiakasuskollisuus edellyttää tutkimusten mukaan entistäkin vahvemmin yksilöllistä palvelua ja sitä tukevaa teknologiaa. Kun joka kohtaamisessa pitää tehdä hyviä päätöksiä, tarvitaan jatkuvaa pääsyä tietoihin.

Tällä hetkellä parhaan mahdollisen asiakaspalvelun tiellä on pankki- ja rahoitusalalla vielä varsin monia esteitä. Jatkossa pankkien tuleekin menestyäkseen virtaviivaistaa vanhoja prosessejaan sekä ottaa käyttöön uusia digitaalisia palveluita ja tekoäly (AI) arvoa tuottavalla tavalla. Toisin sanoen tarvitaan datalähtöisyyttä ja digitalisaatiota.

Datalähtöisyys tarkoittaa sitä, että datan käyttö on toimintojen luonnollinen osa. Data helpottaa neuvontaa ja mahdollistaa automatisoidun päätöksenteon. Laadukkaaseen tietoon perustuen on mahdollista mallintaa ja tutkia uusia ilmiöitä ja etsiä uusia liiketoimintamahdollisuuksia analytiikan avulla. Datalähtöisyys varmistaa myös olemassa olevien rutiinien ja prosessien moitteettomuuden ja tehokkuuden.

Datan entistä älykkäämpi käyttö tarkoittaa parempia asiakaskontakteja, asiakasanalyysiä, markkinointia, luottoarvioita, riskienhallintaa ja petosten havaitsemista sekä parempaa ja nopeammin toteutettavissa olevaa tuote- ja palvelukehitystä. Se tarjoaa myös mahdollisuuksia kustannussäästöihin.

Haasteena vanhat, siiloutuneet järjestelmät

Datalähtöiseen toimintaan siirtymisen helppous riippuu siitä, miten pankin data on tähän asti järjestetty. Kun aikaulottuvuus ei ole ollut niin kriittinen, eri tehtäviin tarvittava data on voitu kerätä erillisiin tietosiiloihin, joihin on päästy käsiksi vain tiettyjen ohjelmistojen avulla. Nämä vanhat järjestelmä- ja tietokantaratkaisut eivät täytä nykyajan vaatimuksia. Ikävä kyllä niiden muuntaminen käyttökelpoisiksi tai korvaaminen uusilla ei ole aivan yksinkertaista.

Vanhojen järjestelmien modernisointi ei ole sillä selvä, että sovellukset siirretään yrityksen omilta palvelimilta pilveen. Myös niiden sisältämät tiedot pitää siirtää, puhdistaa ja yhdenmukaistaa siten, että data on uusien, tietoa yhdistelevien ratkaisujen käytettävissä. Lisäksi käyttäjien tunnistaminen tulee hoitaa nykyajan vaatimukset täyttävällä tavalla.

Analytiikka vaatii paljon dataa, mutta määrä ei ole ainoa ratkaiseva tekijä. Käytettävissä olevien tietojen tulisi myös tarjota mahdollisimman täydellinen kuva alueesta, jonka analysointiin ja käsittelyyn sitä käytetään.

Haasteiden selättämiseen tarvitaan modernia tietoarkkitehtuuria ja tietoalustoja, jotka pystyvät käsittelemään eri tietolähteitä yhtenäisesti ja mahdollistamaan niiden yhdistämisen. Jotta analytiikka, päätöksenteon tuki, raportointi ja automatisoidut päätökset voidaan tehdä reaaliajassa, mikä on yhä toivottavampaa, myös järjestelmän suorituskyvyn on oltava korkeinta luokkaa.

Tavoitteena reaaliaikainen tiedonhallinta

Reaaliajan määritelmä tiedonhallinnan yhteydessä on, että tuloksia saadaan niin nopeasti, että niistä on hyötyä. Esimerkiksi konttorissa tai verkkopankissa vierailevan asiakkaan tulisi saada luottopäätös ennen kuin hän lähtee kotiin tai siirtyy toisen pankin verkkosivuille. Kun verkkopankkiin kirjautunut asias etsii tietoa tuotteesta tai palvelusta, hänen tulisi saada siitä henkilökohtainen tarjous jo käynnin aikana.

Jotta tässä onnistuu tässä, on oltava pääsy useisiin tietolähteisiin. Tarvitaan tietoa henkilön asiakkuudesta, pankin aiemmista tarjouksista, asiakkaan riskiarviosta sekä ulkoisista tekijöistä kuten kilpailijoiden tarjoamasta hintatasosta. Tietolähteiden tulee olla saatavilla tarvittaessa. Reaaliaikaisesti.

Tekoäly ja data mahdollistavat reaaliaikaisuuden

Nopeasti yleistyvät tekoälyyn (AI) perustuvat ratkaisut liittyvät pankkialalla enimmäkseen koneoppimiseen. Siinä mallit eli algoritmit oppivat näkemään kuvioita ja tunnistamaan ilmiöitä suurista tietomääristä. Tekoäly voi oppia esimerkiksi tunnistamaan polkupyörän valokuvasta tai päättelemään, että tietty liiketoimien sykli tai sarja täyttää rahanpesun tunnusmerkit.

Kun malli kehittyy tarpeeksi tarkaksi, sitä voidaan käyttää muun muassa päätöksentekoon ja ennusteiden laatimiseen. Tekoälypohjaisen sovelluksen koetaan antavan vastauksia reaaliajassa, vaikka vastauksen saamiseksi tehty analyysi ei yleensä tapahdu reaaliajassa. Se perustuu aiemmin suoritettuun mallin koulutukseen. Mallin toimivuuden kannalta ratkaisevaa on sen kouluttamiseen käytetyn tiedon määrä, laatu ja monimuotoisuus.

Koska olosuhteet ja ympäristötekijät muuttuvat jatkuvasti, mallin täytyy jatkuvasti oppia uusia asioita uuden datan avulla. Tekoäly edellyttääkin tehokasta pääsyä suuriin määriin korkealaatuista dataa useista tietolähteistä. Lisäksi tarvitaan moderni IT-arkkitehtuuri sekä tietoalusta, jossa on kaikkien olennaisten tietolähteiden keskitetty hallinta, mutta hajautettu saatavuus. Datalähtöinen liiketoiminta sanan varsinaisesssa merkityksessä ei ole mahdollista nojaten useimmissa alan yrityksissä käytössä oleviin vanhoihin tiedonhallintaratkaisuihin. Tämä pätee etenkin palveluihin, joiden halutaan toimivan reaaliajassa.

Blogin kirjoittaja Antti Heino toimii SAS Institutella tittelillä Principal Advisor on Artificial Intelligence in Banking.