Искусственный интеллект сейчас пытаются внедрять во все сферы жизни, и банковская сфера — одна из первых, где начали это делать. В этой статье мы расскажем, как ИИ помогает банкам лучше понимать клиентов и предлагать персональные услуги, а также о преимуществах, безопасности данных и перспективах развития банковских технологий.
Банки стремились персонализировать свои услуги и до появления искусственного интеллекта, только раньше они полагались на простые методы сегментации клиентов — по возрасту, доходу или географии. Например, молодым людям предлагали кэшбэк за покупки в магазинах электроники, а пенсионерам — инвестиционные продукты. Или после крупной покупки в строительном магазине клиент мог получить повышенный кэшбэк в категории «Ремонт», хотя это могла быть его первая и последняя трата в этой категории.
Раньше банки могли собирать только базовую информацию о клиентах — например, сумму транзакций или частоту использования карты. Но такие данные были недостаточно точными, так как не учитывали контекст действий. Например, перевод между своими счетами мог быть расценен как подозрительное действие.
Сейчас же ситуация кардинально изменилась — все транзакции, время использования приложения, просмотры определенных категорий продуктов автоматически сортируются «по полочкам». Банки могут отслеживать более сложные паттерны поведения (например, сочетание разных типов операций) и оценивать данные не только по текущим действиям, но и по истории пользования банковскими продуктами. Затем мощная машина обрабатывает эти данные и формирует индивидуальные рекомендации.
Когда банк знает о вас больше, чем просто ваш возраст или доход, он может предложить действительно выгодные условия.
Пример. Представьте, что вы уже несколько лет пользуетесь услугами одного банка: регулярно пополняете счет, платите по кредиту без просрочек и активно используете мобильное приложение. Благодаря этим данным система может предложить вам, например, вклад под 25% годовых вместо стандартных 20% ― потому что алгоритмы ИИ видят вашу лояльность и готовы предоставить лучшие условия.
А вот если банк мало знает о клиенте (например, если он только открыл счет), система будет предлагать стандартные варианты. Это делается для того, чтобы минимизировать риски.
Создание инвестиционного портфеля — один из самых интересных примеров применения ИИ в банковской сфере. Система анализирует множество факторов, таких как возраст, доход, риск-профиль клиента, частота операций и даже время суток, когда вы чаще всего работаете с приложением.
Пример. Клиент может регулярно заходить на вкладку «Инвестиции» и одновременно просматривать информацию о потребительских кредитах. На основе анализа данных система может предложить ему финансовый план, который объединяет накопления и кредитование. Например, если клиент хочет купить квартиру через пять лет, система может предложить комплексное решение ― начать с небольшого кредита для первоначального взноса, а затем создать инвестиционный портфель для накопления недостающей суммы.
Если система замечает нетипичную активность (несколько крупных переводов на незнакомый счет), она может временно ограничить доступ к счету или запросить дополнительную верификацию. А если клиент регулярно что-то покупает в интернет-магазинах, банк может предложить защиту онлайн-платежей или страховку от мошеннических операций.
Еще недавно примерно 95% клиентов предпочитали переключаться на живого оператора. Сейчас ситуация кардинально изменилась. Например, в 2018 году доля запросов, требующих живого оператора, составляла около 70%, а к 2024 году благодаря технологии машинного обучения эта цифра снизилась до 35%.
Современные чат-боты опираются на сочетание предиктивных и генеративных алгоритмов.
Генеративная компонента. Позволяет чат-боту формулировать более человеческие ответы. Модель, обученная на большом количестве текстов, может интерпретировать не заданный напрямую вопрос. На практике такие модели хорошо справляются с ответами на рутинные вопросы, составлением текстов (например, форм письма клиенту) и частичной фильтрацией запросов, высвобождая живых операторов для сложных задач. Для более сложных задач всё еще требуются консультации живого человека, и отказаться полностью от контакт-центров в ближайшее время не получится.
Предиктивная компонента. Анализирует пользовательские данные. Например, если клиент интересовался различными кредитными продуктами, но при этом имеет стабильный остаток на счете и также интересовался инвестициями, система может предложить консультацию по вложениям.
Внедрение ИИ уже показало конкретные результаты. В 2024 году международная консалтинговая компания McKinsey представила результаты своего исследования «Развитие ИИ в начале 2024 года: массовое внедрение генеративного ИИ начинает приносить результаты» (оригинальное название — The state of AI in early 2024: Gen AI adoption spikes and starts to generate value). В нем упоминается, что банки смогли снизить затраты на обслуживание клиентов примерно на 40% благодаря автоматизации процессов через чат-боты. Это значит, что теперь можно обрабатывать больше запросов за меньшее время.
Еще один пример: после внедрения ИИ для анализа данных о клиентах банк увеличил конверсию продаж кредитных продуктов на 15–20%, так как предложения стали гораздо точнее соответствовать потребностям клиентов.
Также банки отмечают рост рентабельности маркетинговых инвестиций на 10–30%. Например, если раньше банк тратил деньги на рассылку предложений всем клиентам без исключения, сейчас он может целенаправленно предлагать продукты только тем, кто действительно готов их использовать.
ИИ помогает клиентам экономить время. Так, чат-боты теперь способны понимать даже сложные запросы. Например, если вы спросите: «Какие варианты есть для долгосрочного накопления?» — система проанализирует ваши данные и предложит оптимальный вариант, будь то депозит, инвестиционный портфель или накопительный счет. Раньше для этого пришлось бы общаться с менеджером десятки минут, а сейчас всё решается за несколько секунд.
Но всё же нужно помнить, что нельзя полагаться только на советы чат-бота (как и сотрудника банка). Всегда желательно перепроверять информацию и внимательно читать документы и условия договоров.
Персонализированные предложения помогают клиентам лучше планировать финансы. Например, если вы часто совершаете покупки в интернет-магазинах, банк может предложить вам карту с повышенным кэшбэком именно в этой категории.
Однако важно найти баланс между удобством и приватностью. Иногда чрезмерная персонализация вызывает дискомфорт. Например, если банк слишком активно предлагает продукты после каждого действия клиента, это может создавать ощущение слежки. При этом когда рекомендации появляются в нужный момент и в правильной форме, они становятся полезными, а не назойливыми.
С внедрением ИИ в банковскую сферу вопрос безопасности данных и их этичного использования стал особенно актуальным. Банки собирают огромные объемы информации о клиентах.
Сбор данных в России осуществляется в соответствии с законами о защите персональной информации. Например, согласно ФЗ-152 «О персональных данных», банки должны:
Современные банки внедряют сложные системы шифрования данных, двухфакторную аутентификацию и регулярные проверки безопасности. Например, данные о клиентах хранятся в защищенных базах, доступ к которым возможен только через специальные протоколы с высоким уровнем защиты. Это помогает предотвратить несанкционированный доступ извне.
Банки используют системы мониторинга, которые отслеживают подозрительные действия. Например, если со счёта клиента предпринимаются многократные попытки перевода крупных сумм получателям, которым клиент ранее не отправлял деньги, служба безопасности банка может заблокировать операции по счету до выяснения всех деталей и подтверждения операции самим клиентом.
С каждым годом мошенники придумывают всё более изощренные способы хищения персональных данных. Например, в 2023 году из российских финансовых организаций «утекло» 170,3 млн записей персональных данных клиентов. Поэтому банки вкладывают значительные ресурсы в инфраструктуру и технологии, способные надежно хранить информацию .
Банки стремятся соблюдать баланс между эффективностью и приватностью клиента. Например, если банк использует данные о времени совершения операций для персонализации предложений, он объясняет клиенту, почему это необходимо. Это указывается в форме согласия на обработку персональных данных, которые банк запрашивает для оказания услуг. При этом клиент всегда может контролировать уровень доступа к своим данным через настройки конфиденциальности в мобильном приложении банка ― например, запретить отслеживать операции и собирать статистику.
(Пока оценок нет)
Загрузка...
