Fintech innovation: Machine learning operationeel toepassen

Binnen de financiële dienstverlening kennen we statistische modellen en machine learning al een tijdje. Deze worden door de grotere banken, kredietverstrekkers en incassobureaus gebruikt om risico’s te verkleinen met bijvoorbeeld credit scoring en fraudedetectie. Grootschalige toepassingen die breed kunnen worden ingezet. Maar wat als je machine learning op kleinere schaal zou kunnen inzetten om de operationele kant van de eigen organisatie efficiënter en effectiever te laten draaien?

Nu nog vooral bekend vanuit riskmanagement

Statistische modellen worden in de financiële sector gebruikt om betere voorspellingen te maken en zo de risico’s beter te kunnen managen. Met modellen om kredietbeoordelingen en andere risicofactoren te berekenen en te rangschikken kunnen betere keuzes worden gemaakt bij het wel of niet verlenen van kredieten en tegen welke voorwaarden.

Machine learning versterkt de kracht van deze statistische modellen omdat ze ‘getraind’ kunnen worden met steeds nieuwe data. Daarnaast betekent de kracht om door middel van kansberekeningen situaties beter te voorspellen ook dat ze sneller ‘buitengewone’ zaken kunnen oppikken. Om die reden werkt machine learning heel goed in de strijd tegen witwassen en andere vormen van financiële fraude.

A learning machine is any device whose actions are influenced by past experience.

Nils John Nilsson
Machine learning toepasbaar maken op operations

Het grootschalig analyseren van big data is vaak een duur proces. Teams van data analisten moeten enorme hoeveelheden data grondig analyseren om daarmee de juiste modellen te creëren. Daarna moeten ze steeds worden aangepast om goed te blijven voorspellen. Interessant voor die brede toepassingen die van groot belang zijn voor de business maar veel te duur en complex toe te passen op de alledaagse operationele zaken en daarmee de individuele processen en werkzaamheden ‘smart’ te maken.

Maar dat is nu verleden tijd.

Met ons fintech platform (Aptic ARC) hebben we ontdekt dat het met de juiste IT-architectuur heel goed mogelijk is een volledig geautomatiseerde machine learning-functionaliteit toe te voegen om operationele workflows efficiënter en effectiever te maken. We hebben een innovatieve extractor voor het platform gebouwd die data automatisch kan ophalen en gelijktijdig normaliseren om deze direct bruikbaar te maken voor voorspellende statistische modellen. Er hoeft geen team van data-analisten meer aan te pas te komen.

Dit digitaliseren van het proces maakt het innoveren met machine learning mogelijk op kleinere schaal en dus veel interessanter voor de operationele kant van financiële dienstverlening. Binnen het platform betekent dit dat er modellen toegepast kunnen worden bij iedere stap of actie van het gehele operationele proces (de workflow) en met meerdere modellen tegelijk. Er kunnen zelfs modellen worden ingezet om keuzes te maken tussen hele workflows.

Fintech operations optimaliseren: een voorbeeld

Stel dat je een betere manier zoekt om achterstanden bij de debiteuren terug te dringen. (Wie wil dat niet?) Binnen de normale workflow van het debiteurenbeheer heb je bijvoorbeeld een actiepunt ingesteld als er 28 dagen na de vervaldatum nog niet is betaald. De normale actie hierbij is het sturen van een herinneringsbrief per post maar je wilt weten of er een effectievere manier is die meer kans geeft op de gewenste respons (nu betalen).

Er zijn hiervoor natuurlijk meerdere opties te bedenken. De brief vriendelijker verwoorden misschien? Zou een mail of tekstbericht beter werken? En niet alle oplossingen zijn even effectief voor alle klanten. Zijn er ook verschillen in effectiviteit bij verschillende leeftijden of geslacht bijvoorbeeld? 

De geautomatiseerde machine learning kan al deze factoren op de verschillende opties op een efficiënte manier testen en de meest effectieve opties aanhouden. Ook data voor andere factoren die kunnen meewegen, zoals de hoogte van het openstaande bedrag, betalingsfrequentie of achterstandsgeschiedenis en andere openstaande posten, wordt meegenomen in het model.

Om al die factoren te testen kiest het systeem willekeurig uit de beschikbare acties (strenge brief, aardige brief, SMS, enz.) iedere keer dat in de workflow het actiepunt voor de herinnering wordt bereikt. Data van de resultaten wordt dan automatisch verzameld. Dit testen laat je even een tijdje draaien, enkele maanden bijvoorbeeld, om het systeem te ‘trainen’. Na de trainingsperiode heb je een model waarbij het systeem automatisch kiest voor de optie met de hoogste kans om het gewenste resultaat te leveren bij iedere combinatie van factoren.

Eindeloos optimaliseren

Een betalingsherinnering is slechts één voorbeeld. Modellen kunnen worden getest en ingesteld voor werkelijk iedere stap en ieder actiepunt in de gehele workflow. Je kunt ook bijvoorbeeld modellen maken voor het optimaliseren van het aantal dagen tussen acties. Meerdere modellen dus, die allemaal parallel kunnen draaien om eindeloos te kunnen blijven optimaliseren. Het is zelfs mogelijk modellen te maken waarbij automatisch wordt gekozen tussen verschillende volledige workflows, afhankelijk van specifieke criteria.

Laten we nog een voorbeeld uit het debiteurenbeheer pakken. Stel dat je wilt weten of en wanneer bij nieuwe debiteuren een tekstbericht als reminder twee dagen voor de vervaldatum de kans op het tijdig betalen vergroot. Je maakt dan simpelweg twee verschillende workflows aan: Workflow A met deze ‘waarschuwende’ SMS en Workflow B zonder. Laat dit een tijdje testen door Workflow A de helft van de tijd te gebruiken en Workflow B de andere helft. Na deze trainingsperiode kan het systeem zelf kiezen welke volledige workflow gevolgd moet worden om het beste resultaat te boeken.

Digitaliseren brengt AI binnen bereik

Door machine learning op deze manier op de operationele kant van financiële dienstverlening toe te passen wordt het heel makkelijk de dagelijkse processen volledig te automatiseren en veel efficiënter te maken. Zónder dat er op de effectiviteit wordt ingeboet.

Deze functionaliteit brengt AI daarmee ook binnen het bereik van andere financiële dienstverleners dan alleen de grootbanken – denk aan factoring, leasing, incasso, zakelijke- en consumentenkredieten, enz. De geautomatiseerde werking betekent dat je toch gebruik kunt maken van statistische modellen zonder grote teams data-analisten en enorme hoeveelheden data.

ARC is het volledige fintech platform van Aptic, voor factoring, lending, incasso en nog meer financiële diensten. Wil je meer weten? Neem gerust contact met mij op.

Meer weten over machine learning en andere technologische innovaties bij financiële dienstverlening? Download onze whitepaper