Nog maar een paar jaar geleden waren er mensen nodig om tekst te begrijpen en afbeeldingen te herkennen. Het wordt nu steeds beter mogelijk om deze functies te automatiseren met behulp van cognitieve technologieën, zoals machine learning. Een van de eerste praktische toepassingen van machine learning, de geautomatiseerde verwerking van handgeschreven cheques, begon in het bankwezen in het begin van de jaren negentig.
Sindsdien hebben we een lange weg afgelegd. De afgelopen jaren is er een aanzienlijke verstoring geweest op het gebied van geautomatiseerde besluitvorming, meestal geleid door jonge, innovatieve technologiebedrijven. Bedrijfsleiders gebruiken cognitieve technologieën om een verbeterde klantervaring te creëren en uit te breiden buiten hun traditionele branchegrenzen. Deze technologieën bieden substantiële verbeteringen en ontwikkelen zich op een snelle schaal.
De volgende grens van geautomatiseerde besluitvorming is de aanbevelingsengine:een intelligente inzet van machine learning-technologie om een besluitvormingsproces te vergroten of volledig te automatiseren. Het doen van inzichtelijke aanbevelingen, zoals het aanbevelen van producten aan klanten die ze waarschijnlijk willen kopen, is lange tijd de heilige graal geweest van elk commercieel bedrijf. We zien ook een fundamentele verandering in de manier waarop klanten reageren op inzichtelijke aanbevelingen.
Banken die ervoor hebben gekozen om het potentieel voor het gebruik van aanbevelingsengines te benutten, creëren een concurrentievoordeel door hun klanten een meer persoonlijke ervaring te bieden en de capaciteiten van hun werknemers te vergroten.
Aanbevelingsengines zijn er om te blijven
Aanbevelingsengines werken omdat ze gebruikmaken van inzichten die zijn verkregen uit klantgedrag in het verleden om toekomstige wensen van klanten te voorspellen - een paar alomtegenwoordige voorbeelden:
- Amazon is de grootste retailer ter wereld en zijn aanbevelingsmotor genereert een groot percentage van zijn omzet. Deze engine zorgt voor een boeiende gebruikerservaring door producten voor te stellen waarvan wordt aangenomen dat ze het meest relevant zijn voor hun klanten.
- Netflix is een nummer één contentprovider geworden dankzij de superieure aanbevelingsengine die gebruikmaakt van eerdere selectiegegevens, evenals gebruikersbeoordelingen en feedback. Met deze gegevens biedt het zijn klanten relevante, gepersonaliseerde filmsuggesties.
De manier waarop banken werken transformeren
Wat betekent dit voor de bankwereld? De belangrijkste toepassingen en voordelen van aanbevelingsengines voor banken zijn:
- Personalisatie op schaal
Inzichtgedreven banken halen kennis uit de gegevens die ze over hun klanten hebben verzameld om een klantervaring op maat vorm te geven. Voorbeelden zijn de interface die klanten zien bij het betreden van het internetbankierenplatform en de productsuggesties die verschijnen terwijl de consument een mobiele app gebruikt.
Een typische bankklant heeft twee doelstellingen; slimmer uitgeven en slimmer investeren. Helaas zijn de drijvende krachten achter elk van deze doelstellingen vaak verschillend voor elke klant, daarom kan maatwerk mogelijk gemaakt door aanbevelingssystemen zo effectief zijn.
Aanbevelingssystemen kunnen transactiegegevens analyseren en op maat gemaakte suggesties doen aan klanten over hoe ze geld kunnen besparen. Ze kunnen ook het gedrag van andere klanten met vergelijkbare kenmerken analyseren en producten aanbevelen die voor hen hebben gewerkt.
- Verhoging van het personeelsbestand
Aanbevelingsmotoren stellen werknemers in staat betere beslissingen te nemen en hun tijd op een slimmere manier te investeren. Betere beslissingen verhogen de productiviteit en de toegevoegde waarde van werknemers, en dit verbetert op zijn beurt de prestaties van een bedrijf als geheel.
Frauduleuze activiteiten zijn zeer kostbaar voor banken. Traditioneel gebruikte fraudedetectie een op regels gebaseerde benadering van patroonovereenkomst, die zowel tijdrovend was om te onderhouden als vaak ineffectief vanwege de steeds evoluerende fraudetechnieken. Met behulp van machine learning kunnen banken anomalieën veel nauwkeuriger detecteren en verdachte activiteiten eerder signaleren. Dit leidt tot een toename van fraudedetectie en een vermindering van valse alarmen.
- Automatisering orkestratie
Om optimaal te profiteren van geautomatiseerde besluitvorming, moet u verschillende delen van een organisatie met elkaar verbinden en end-to-end-trajecten creëren. Als geautomatiseerde besluitvorming eenmaal is toegepast in een deel van het bedrijf, kan dit kansen creëren die veel verder gaan dan het automatiseren van een geïsoleerd proces of transactie.
Banken verwerken dagelijks een groot aantal transacties. Stel je een bank voor die elke klanttransactie in realtime categoriseert op type aankoop, zoals uitgaven voor entertainment, reizen, eten of huur. Dit is mogelijk met aanbevelingsengines die elke aankoop toewijzen aan de juiste uitgavencategorie op basis van patronen die zijn ontdekt in vergelijkbare historische transacties.
Sommige banken gebruiken zelfs al realtime classificatie van klantuitgaven. Een bank kan deze informatie gebruiken om een bestedingsanalyse aan klanten te geven. Uitgavenanalyse kan op zijn beurt worden gebruikt als input voor een aanbevelingsmotor die klanten adviseert over hoe ze geld kunnen besparen of in welke producten ze moeten investeren.
De weg vooruit
Geautomatiseerde besluitvorming verandert de manier waarop banken diensten leveren in de hele waardeketen nu al snel. Hun implementatie maakt personalisatie op schaal en personeelsuitbreiding mogelijk, en dit creëert op zijn beurt verdere automatiseringsmogelijkheden. Om de volledige voordelen van aanbevelingsengines te benutten, moeten banken een nog holistischere kijk op hun klantreis hebben, zoals ze al doen. Lees meer over cognitieve technologieën op de website van Deloitte.
