Fintech innovation: Maskininlärning i den operativa verksamheten

Vi har sedan en tid tillbaka sett finansiella tjänster använda sig av statistisk modellering och maskininlärning. Ofta använt av de större bankerna, långivarna och inkassobyråerna i storskaliga applikationer för att minska riskerna vid kreditbedömning och för snabbare upptäckt av bedrägerier. Men vad skulle hända om du kunde använda maskininlärning i den operativa verksamheten för att göra den mer effektiv?

Maskininlärning mest använd för riskhantering

I finansbranschen så använder de ofta statistiska modeller för att göra bättre förutsägelser och förbättra hantering av risker. Att använda modeller för att beräkna och rangordna kreditscoring och andra riskfaktorer kan hjälpa en organisation att fatta bättre beslut. Beslut som om att låna ut pengar och under vilka förhållanden.

Maskininlärning förbättrar den förutsägbara kraften hos statistiska modeller eftersom de kontinuerligt kan “tränas” med nya data. Förmågan att bättre förutsäga resultat med sannolikhetsberäkningar gör det också snabbare att upptäcka ”ovanliga” situationer. Detta är anledningen till att maskininlärning är så användbart i kampen mot penningtvätt och andra former av ekonomiskt bedrägeri.

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

Nils John Nilsson

Tillämpa maskininlärning i den operativa verksamheten

Storskalig analys av “big data” är dock en dyr process. En mängd dataanalytiker behövs för att studera stora mängder data för att bygga rätt modeller. Sedan behöver modellerna fortfarande uppdateras kontinuerligt för att bibehålla och förbättra dess resultat. Detta är intressant för de stora och breda applikationerna som är viktigast för verksamheten, men som är alltför dyra och komplexa för att kunna tillämpas på den dagliga verksamheten I syfte att göra enskilda processer och aktiviteter ”smarta”.

Tills nu.

Med vår plattform (Aptic ARC) upptäckte vi att om du har rätt IT-arkitektur är det faktiskt möjligt att lägga till helt automatiserade funktioner för maskininlärning som kan göra de operativa arbetsflödena mer effektiva. Vi har byggt en innovativ extraktor för vår plattform. Den kan automatiskt samla in data och samtidigt normalisera den för att användas direkt i prediktiva statistiska modeller – utan behov av ett team med dataanalytiker.

Digitaliseringen av den processen gör innovation med maskininlärning möjlig i mycket mindre skala och därmed mycket mer attraktiv för den operativa delen av finansiella tjänster. På vår plattform så betyder det att du kan använda och tillämpa olika modeller samtidigt i varje steg och åtgärd i hela den operativa processen (arbetsflödet). Det är till och med möjligt att använda flera modeller för att automatiskt välja mellan olika arbetsflöden.

Ett exempel på maskininlärningsoptimerande processer

Tänk dig att du vill hitta ett bättre sätt att minska förfallna fordringar (vem gör det inte?). Ditt vanliga arbetsflöde för kundfordringar har en regel för när obetalda belopp når 28 dagar efter förfallodagen. Standardåtgärden här är att skicka en påminnelse på posten. Men kan det finnas en mer effektiv åtgärd som ökar din chans att få betalt?

Det finns flera alternativ som kan fungera. Borde brevet vara skrivet i vänligare ton? Skulle e-post eller sms fungera bättre? Naturligtvis kommer inte alla lösningar att vara lika effektiva för varje kund. Finns det skillnader i effektivitet för olika åldersgrupper eller olika kön?

Den automatiserade maskininlärningsfunktionen kan testa alla dessa faktorer effektivt med var och en av de olika alternativen för att välja det alternativ som ger bästa möjliga resultat. Den inkluderar även andra data som kan påverka resultatet. Data såsom storleken på det obetalda beloppet, betalningsfrekvens, historik för sena betalningar och andra skulder.

Systemet testar alla dessa olika faktorer slumpmässigt mot tillgängliga alternativ för åtgärder (standardbrev, vänligare brev, SMS, etcetera). Varje gång åtgärdspunkten för en påminnelse sker i arbetsflödet samlas data automatiskt in med resultatet. Genom att köra tester ett tag, några månader i det här fallet, “lär” systemet sig vilka kombinationer av faktorer och åtgärder som ger högsta sannolikhet att uppnå önskat resultat. Efter träningsperioden kan den slutliga modellen användas för att automatiskt välja det bästa alternativet baserat på kombinationen av faktorer i varje enskilt fall.

Oändlig optimering

En påminnelse är bara ett exempel på maskininlärning. Du kan testa och implementera modeller för varje steg och för varje åtgärdspunkt i hela arbetsflödet. Du kan till exempel också skapa flera modeller för att optimera antalet dagar mellan olika åtgärder. Det är möjligt för dig att köra modellerna parallellt för att optimera din verksamhet oändligt. Det är till och med möjligt att skapa modeller som kan använda specifika kriterier för att automatisera valet mellan olika alternativ för hela arbetsflödet.

Låt oss ta ett annat exempel med kundfordringar. Tänk dig att du vill veta om och i vilka fall en påminnelse per sms två dagar innan förfallodatum skulle öka betalningshastigheten från nya kunder. För att testa detta kan du helt enkelt skapa två separata arbetsflöden: Arbetsflöde A med förvarning via SMS och Arbetsflöde B utan det. Kör sedan en testperiod där Arbetsflöde A används halva tiden och Arbetsflöde B den andra hälften. Efter testperioden och inlärningen kommer systemet att på egen hand kunna välja vilket arbetsflöde som ska följas för att få bästa utfall.

Digitalisering för fram AI inom räckhåll

Avslutningsvis, med den här automatiska metoden för maskininlärning i den operativa verksamheten är det enkelt att helt digitalisera dagliga processer. Den gör det också enkelt för er att effektivisera era finansiella tjänster.

Denna funktionalitet för fram AI inom räckhåll för andra finansiella tjänsteleverantörer än bara de stora bankerna. Den kan även gynna factoring, leasing, inkasso samt företags- och konsumentkrediter. Tack vare den automatiserade processen så kan du implementera statistiska modeller utan att stora team av analytiker behöver bearbeta enorma mängder data.

ARC är Aptics avancerade fintech-plattform för factoring, utlåning, inkasso och andra typer av finansiella tjänster. Vill veta mer? Kontakta gärna hello@aptic.net

Intresserad av att lära dig mer om maskininlärning och andra tekniska innovationer inom finansiella tjänster? Ladda ner vårt senaste whitepaper.