Vi har sett statistisk modellering og maskinlæring i finansielle tjenester en stund. De store bankene, långiverne og inkassobyråene bruker dette fordi deres store systemapplikasjoner gjør det mulig. Målene er ofte å minske risikoen ved kredittvurdering, og å raskere kunne påvise svindel. Men hva ville skje hvis du kunne bruke maskinlæring i mye mindre skala? For eksempel til å gjøre den operative siden av organisasjonen din mer effektiv?
Mest kjent for risikostyring
I bank-, finans- og forsikringsbransjen er statistiske modeller viktige. De brukes til risikovurderinger, og de jobber kontinuerlig med å forbedre risikostyringen i kunde- og engasjementsporteføljen. Organisasjonen får hjelp til å ta bedre beslutninger når de bruker modeller. Da kan organisasjonen beregne og rangere kredittscore, og ta hensyn til andre risikofaktorer. Dette er viktig når man har et utlånssystem hvor man beslutter under hvilke vilkår lånet kan innvilges.
Maskinlæring kan forbedre forutsigbarheten til statistiske modeller fordi de kontinuerlig kan “trenes” med nye data. Maskinlæring kan forutsi resultatene bedre ved hjelp av sannsynlighetsberegning. Da kan man oppdage “uvanlige” situasjoner og avvik på et nokså tidlig stadium. Maskinlæring har vist seg svært nyttig i kampen mot hvitvasking av penger (AML) og andre former for økonomisk svindel.
A learning machine is any device whose actions are influenced by past experience.
Bruke maskinlæring på driftsoperasjoner
Når store datamengder skal analyseres, snakker vi om en kostbar prosess. Det kreves ofte flere dataanalytikere til å studere store mengder data for å bygge de riktige modellene på rett måte. Grunnen er at modellene ofte må oppdateres hele tiden for å kunne opprettholde og forbedre nøyaktige prediksjoner. Dette er interessant og mulig for de store brede applikasjonene. Sistnevnte er viktige for verdiskapingen hos de store tilbyderne av finansielle tjenester. Men det blir ofte for dyrt og innviklet å ta i bruk den daglige driften dersom man ønsker å gjøre enkelte prosesser og aktiviteter “smarte”.
Slik har det vært frem til nå.
På vår fintech-plattform (Aptic ARC) har vi lagt opp til helautomatiske maskinlæringsfunksjoner. Dersom du da har rett IT-arkitektur, så er det mulig å ta i bruk disse. Da kan den daglige arbeidsflyten bli mer effektiv. Med andre ord vil arbeidsflyten bli riktigere, raskere og rimeligere enn ved halvmanuelle prosesser.
Vi har bygget et innovativt ETL-verktøy for dataekstraksjon i plattformen. Da kan man automatisk samle inn store datamengder. Samtidig kan man normalisere disse og gjøre de klar til bruk direkte i prediktive statistiske modeller. Alt dette er mulig uten at du må ansette et fullt team av dataanalytikere.
Digitalisering av denne prosessen muliggjør innovasjon ved bruk av maskinlæring på en mindre skala. Dette er spesielt attraktivt for den operative driftssiden hos tilbydere av finansielle tjenester.
For din virksomhet kan det bety at modellene kan brukes på hvert trinn og i hver handling i hele driftsprosessen (arbeidsflyten). Da kan man også bruke flere modeller samtidig. Dette resulterer i enklere beslutninger. Du kan enkelt velge de rette og fornuftige arbeidsflytene.
Et eksempel på en optimalisert prosess ved bruk av maskinlæring
Tenk deg at du ønsker å finne en bedre måte å redusere forfalte fordringer på (hvem gjør ikke det?). En standard arbeidsflyt er kanskje en rutine for ubetalte fordringer på 14 dager etter forfallsdatoen. Standard handling er da å sende et purrebrev.
Men du har en hypotese om at det kanskje finnes en mer effektiv prosess. En prosess som også øker sjansen for ønsket resultat. Nemlig at betaling skjer umiddelbart.
Det kan være flere alternativer som bidrar mot ønsket resultat. Skal brevet ha en vennligere form? Vil e-post, tekstmeldinger eller en kombinasjon av disse fungere bedre for enkelte grupper? Sannsynligvis vil ikke alle løsninger være like effektive for alle kunder. Finnes det forskjeller for ulike aldersgrupper, kjønn eller andre variabler?
Den automatiserte maskinlæringsfunksjonen kan effektivt teste alle disse variablene for hvert av de ulike alternativene. Da får du hjelp med å analysere og velge alternativene som gir best mulig resultat. Funksjonen presenterer også data for flere variabler som kan påvirke resultatene. Eksempler er blant annet størrelsen på det ubetalte beløpet, betalingsfrekvens, historikk på sene betalinger, annen gjeld og saldo på konto.
Systemet kan teste alle disse ulike faktorene mot de tilgjengelige handlingsalternativene (standard brev, vennligere brev, SMS, e-post osv.). Ved hver purring samles det automatisk data om resultatet fra handlingen. Dersom denne testfasen kjøres over noen måneder, så “lærer” systemet om kombinasjoner av variabler, faktorer og handlinger som gir best mulighet for å oppnå ønsket resultat. Etter «treningsperioden» kan modellen settes til å automatisk velge det beste alternativet basert på kombinasjoner av faktorer i hvert enkelt tilfelle. De som har dette ansvaret vil få en betydeligere enklere hverdag. Samtidig vil det sannsynligvis gi store økonomiske gevinster over tid.
Endeløs optimalisering for faktura administrasjon og kundeinnfordringer
Et annet eksempel kan være purrebrev. Flere modeller kan testes og implementeres for hvert enkelt trinn og hvert handlingspunkt i purreprosessen. Du kan for eksempel opprette flere modeller for å optimalisere antall dager mellom ulike handlinger. Flere modeller kjører da samtidig og lar deg optimalisere driften slik du vil. Det er også mulig å opprette modeller som tar i bruk angitte kriterier til å automatisere valget mellom ulike alternativer for hele arbeidsflyten.
La oss ta nok et eksempel fra kundeinnfordringer. Du ønsker å vite om en påminnelse via tekstmelding to dager før forfall vil øke betalingsgraden på nye kontoer. Du ønsker også å vite i hvilke tilfeller dette er gjeldende. For å teste dette kan du ganske enkelt opprette to separate arbeidsflyter: Arbeidsflyt A med varsel via SMS og arbeidsflyt B uten varsel. Kjør deretter en testperiode der arbeidsflyt A brukes i halvparten av tilfellene og arbeidsflyt B i den andre halvdelen. Etter «innlæringsperioden» vil systemet på egen hånd velge hvilken arbeidsflyt som skal settes opp for å sikre de beste resultatene.
Digitaliseringen som gir deg en oppnåelig «AI»
Tar man i bruk den automatiserte maskinlæringsmodulen i ARC-plattformen, vil man få en lavere terskel for å kunne digitalisere de daglige rutinemessige oppgavene. Det vil resultere i en smidigere drift uten tapt effektivitet. Dette er altså en «AI» som er tilgjengelig for flere, ikke bare de store bankene. Tjenesteproduktene factoring, leasing, inkasso, og bedrifts- og forbrukerkreditter er viktig for mange tjenesteleverandører og kunder. Når du kan ta i bruk en lavterskel maskinlæring, betyr det at du kan ta i bruk avanserte statistiske modeller. Da trenger du ikke å ansette en rekke analytikere til å behandle de enorme mengdene med data. Hvordan vil dette kunne påvirke lønnsomheten i ditt selskap?
ARC er Aptic sin avanserte fintech plattform for factoring, lån, inkasso, leasing og e-handel. Ta kontakt med oss hvis du ønsker å vite mer om dette. hello@aptic.netEr du interessert i å lære mer om maskinlæring og andre teknologiske innovasjoner for finansielle tjenester? Da kan du laste ned og lese vårt seneste «whitepaper»
