Jak to w ogóle działa? I co wyróżnia BaseModel.ai we współczesnej bankowości? Jaką przewagę rynkową mogą mieć przedsiębiorstwa, które zdecydują się na jej wdrożenie? Na te pytania postaram się dzisiaj odpowiedzieć. Poza standardową konsekwencją wdrażania sztucznej inteligencji, czyli redukcją nakładu ludzkiej pracy i kosztów jest coś jeszcze, ale… Czy takie technologie w ogóle mają sens? I jak dalece w rzeczywistości są skuteczne?
Prawdopodobnie nowy fundament funkcjonowania współczesnej bankowości, czyli BaseModel.ai — już wprowadzony w BNP Paribas
BaseModel.ai, czyli autorska technologia od Synerise, to nowoczesna wersja sztucznej inteligencji, znacznie odbiegająca od używanych przez nas na co dzień modeli publicznych. Główną funkcjonalnością systemu jest możliwość automatycznego przekształcania surowych danych w uniwersalne profile behawioralne klientów. Dzięki temu banki i inne instytucje mogą oferować spersonalizowane produkty i usługi dokładnie wtedy, kiedy są one potrzebne.
Unikatowym aspektem rozwiązania od Synerise jest to, że modele uczone są od zera na podstawie danych zgromadzonych o prawdziwym kliencie. Takie podejście pozwala na dokładniejsze przewidywanie zachowań i tendencji — modele uczone są na żywych, indywidualnych wzorcach opartych na rzeczywistych danych bankowych. To fundamentalna różnica w porównaniu do powszechnie dostępnych modeli działających na podstawie danych publicznych. Dlaczego? Ponieważ te nie zawsze potrafią uwzględnić dane zdarzeniowe, takie jak np. transakcje bankowe, które w perspektywie biznesu często są kluczowe.
Indywidualne profile behawioralne klientów banku?
Wspomniałem, że BaseModel.ai umożliwia bankowi tworzenie szczegółowych profili behawioralnych na podstawie historii bankowej klientów. Tylko co to daje? Otóż profile te pozwalają na identyfikowanie osób zainteresowanych określonymi produktami finansowymi, takimi jak inwestycje, kredyty gotówkowe, produkty oszczędnościowe czy rozwiązania związane z ESG (ang. Environmental, Social, and Governance).
Bank może przewidywać już, kto okaże się bardziej skłonny do np. wcześniejszej spłaty kredytu oraz identyfikować mniej aktywnych klientów, którzy mogą wkrótce opuścić bank. Dzięki temu instytucje finansowe, takie jak BNP Paribas, który niedawno zaczął aktywnie korzystać z tej technologii, mogą efektywniej zarządzać relacją z klientem i skuteczniej analizować jego bieżące potrzeby, co w sposób oczywisty zwiększa poziom zadowolenia.
Nie przegap najważniejszych trendów w technologiach!
Zarejestruj się, by otrzymywać nasz newsletter!
Przyspieszenie procesów w bankowości i redukcja kosztów: czy to prawda?
BaseModel.ai działa tylko na jednym silniku, co znacząco usprawnia cały proces analizy danych i predykcji. Dzięki temu bank zyskał narzędzie, które nie tylko szybko i precyzyjnie analizuje dane, ale również pozwala na skuteczne przewidywanie zachowań klientów w różnych sytuacjach. Co ważne, technologia ta działa na razie tylko dla klientów indywidualnych. BNP Paribas planuje w przyszłości rozszerzyć jej zastosowanie również na segment SME (małych i średnich przedsiębiorstw) oraz klientów korporacyjnych, ale… nie jest to takie proste.
Dlaczego? Otóż w przypadku przedsiębiorstw będących klientami banku, operowanie na różnych zestawach danych jest kluczowe. Firmy elementarnie różnią się od siebie pod względem potrzeb. Modele predykcyjne muszą być dostosowane do specyfiki danego rynku i segmentu, na którym konkretna firma operuje. Do tego dochodzą również różnice w zachowaniach i wymaganiach klientów poszczególnych przedsiębiorstw. Prosty przykład, klient kupujący przystępne cenowo ubrania ma zupełnie inne zwyczaje i potrzeby od tego, który chodzi tylko i wyłącznie w markowych ciuchach. Obsługa klienta biznesowego jest więc zgoła inna.
Czy zastosowanie sztucznej inteligencji w bankowości przynosi oszczędności?
Warto jednak się do tego przyłożyć, bo efekty mogą być naprawdę zadowalające. Zastosowanie sztucznej inteligencji w tym przypadku nie tylko zwiększa efektywność operacyjną banku, ale także przynosi oszczędności. Koszt „treningu” modelu Synerise, wynoszący około 40 dolarów, jest znacząco niższy w porównaniu do kosztów treningu bardziej zaawansowanych modeli publicznych, jak np. ChatGPT. Te mogą opiewać nawet na 250 dolarów.
Dzięki innowacjom, pracownicy zajmujący się Data Science również mogą oszczędzić mnóstwo czasu. Nie trzeba już ręcznie analizować ogromnych zbiorów danych i tworzyć spersonalizowanych ofert dla klientów. Model samodzielnie sugeruje, które produkty mogą być najlepiej dopasowane do potrzeb konkretnego użytkownika i z jakim prawdopodobieństwem te sugestie okażą się trafne. Do zadań analityka należy więc interpretacja wyniku i ocena jego zgodności z rzeczywistością.
W jakim stopniu prawdziwe i skuteczne mogą być predykcje sztucznej inteligencji? Czy jest sens się nimi sugerować?
By zrozumieć, czy model może być godny zaufania, trzeba wiedzieć, na jakiej podstawie jego sugestie są w ogóle tworzone. Głównym czynnikiem jest historia każdego klienta banku z ostatnich 12 miesięcy. Eksperci twierdzą, że tylko taka jest potrzebna, bowiem dane wybiegające poza ten okres mogą dostarczać przestarzałych informacji na temat potrzeb, zachowań i zwyczajów danej osoby. Ciężko się z tym nie zgodzić, sytuacja każdego klienta może być w perspektywie czasu zmienna, co w tym przypadku wprowadzałoby model w błąd i dostarczało masę sprzecznych ze sobą informacji.
Kolejnym czynnikiem zwiększającym wiarygodność jest fakt, że model nie grupuje klientów i nie tworzy „worków” danych. Te mogłyby sugerować konkretne skłonności występujące w danym zbiorze, które ze względu na uogólnienie „do grupy” byłyby nieprecyzyjne. Każdy przypadek analizowany jest więc indywidualnie na podstawie osobistej historii. Następnie tworzone są sekwencje warunkowe pozwalające na analizę tego, jak konkretny klient może zachować się w przyszłości.
Co więcej, analityk otrzymuje dostęp do genezy oraz przyczyn powstania konkretnej predykcji. Wie, dlaczego sztuczna inteligencja zasugerowała dla klienta produkt oszczędnościowy, a nie kredytowy. W razie pomyłki kompetentny analityk może łatwo wywnioskować, czy maszyna mogła się pomylić lub coś źle zinterpretować. Oprócz tego model sam dostarcza własną, autorską sugestię odnośnie tego, na ile procent jego sugestia może być realnie zgodna ze stanem faktycznym.
Basemodel.ai — czy sztuczna inteligencja przyjmie się w bankowości?
Podsumowując, wdrożenie przez BNP Paribas tego typu technologii do użytku codziennego, to duży krok w kierunku nowoczesnej, zautomatyzowanej i przede wszystkim skutecznej bankowości. Bankowości opartej na zaawansowanej analizie danych i personalizacji usług. Tego typu innowacje mogą w przyszłości nie tylko pozwolić bankom na oszczędności czasowe i finansowe, ale też zwiększyć zadowolenie klientów. Zmniejszona frustracja, to dobra rzecz, bo w końcu jest szansą na to, że ludzie przestaną być np. bombardowani ofertami kredytowymi, kiedy to od roku są zadłużeni po uszy.
Artykuł powstał we współpracy z BNP Paribas