För bara några år sedan behövdes människor för att förstå text och känna igen bilder. Det blir nu alltmer möjligt att automatisera dessa funktioner med hjälp av kognitiva teknologier, såsom maskininlärning. Faktum är att en av de första praktiska implementeringarna av maskininlärning, den automatiserade behandlingen av handskrivna checkar, började inom bankväsendet i början av 1990-talet.

Vi har kommit långt sedan dess. De senaste åren har det sett betydande störningar inom området för automatiserat beslutsfattande, mestadels lett av unga, innovativa teknikföretag. Företagsledare använder kognitiva tekniker för att skapa en förbättrad kundupplevelse och expandera utanför sina traditionella branschgränser. Dessa tekniker erbjuder betydande förbättringar och utvecklas i snabb skala.

Nästa gräns för automatiserat beslutsfattande är rekommendationsmotorn – en intelligent implementering av maskininlärningsteknik för att utöka eller helt automatisera en beslutsprocess. Att ge insiktsfulla rekommendationer, som att rekommendera produkter till kunder som de sannolikt kommer att vilja köpa, har länge varit den heliga gralen för alla kommersiella företag. Vi ser också en grundläggande förändring i hur kunderna reagerar på insiktsfulla rekommendationer.

Banker som valde att utnyttja potentialen för att använda rekommendationsmotorer skapar en konkurrensfördel genom att ge sina kunder en mer personlig upplevelse, samt förbättra sina anställdas kapacitet.

Rekommendationsmotorer är här för att stanna

Rekommendationsmotorer fungerar eftersom de utnyttjar insikter från tidigare kundbeteende för att förutsäga framtida kunders önskemål – några överallt:

• Amazon är den största återförsäljaren i världen och dess rekommendationsmotor genererar en stor andel av försäljningen. Den här motorn skapar en övertygande användarupplevelse genom att föreslå produkter som anses ha mest relevans för sina kunder.
• Netflix har blivit en ledande innehållsleverantör tack vare sin överlägsna rekommendationsmotor som utnyttjar tidigare urvalsdata, såväl som användarbetyg och feedback. Med denna information tillhandahåller den relevanta, personliga filmförslag till sina kunder.

Omvandlar bankernas sätt att fungera

Så vad betyder detta för bankvärlden? De huvudsakliga användningsområdena och fördelarna med rekommendationsmotorer för banker inkluderar:

1. Personlig anpassning i stor skala
   Insiktsdrivna banker utvinner kunskap från den data de har samlat in om sina kunder för att forma en skräddarsydd kundupplevelse. Som exempel kan nämnas gränssnittet som kunderna ser när de går in i nätbanksplattformen och produktförslagen som visas när konsumenten använder en mobilapp.
   
   En typisk bankkund har två mål; att spendera smartare och att investera smartare. Tyvärr är drivkrafterna bakom vart och ett av dessa mål ofta olika för varje kund, varför anpassning som möjliggörs av rekommendationssystem kan vara så effektiv.
   
   Rekommendationssystem kan analysera transaktionsdata och lämna skräddarsydda förslag till kunder om hur man sparar pengar. De kan också analysera beteendet hos andra kunder med liknande egenskaper och rekommendera produkter som har fungerat för dem.
   
   
2. Utbyggnad av arbetsstyrkan
   Rekommendationsmotorer gör det möjligt för anställda att fatta bättre beslut och investera sin tid på ett smartare sätt. Bättre beslut ökar produktiviteten och förädlingsvärdet för de anställda, och detta förbättrar i sin tur resultatet för ett företag som helhet.
   
   Bedrägliga aktiviteter är mycket kostsamma för banker. Traditionellt använde bedrägeriupptäckt ett regelbaserat tillvägagångssätt för mönstermatchning, vilket var både tidskrävande att underhålla och ofta ineffektivt på grund av bedrägeritekniker under ständig utveckling. Med hjälp av maskininlärning kan banker upptäcka anomalier med mycket större noggrannhet och flagga misstänkt aktivitet tidigare. Detta leder till en ökning av bedrägeriupptäckten och en minskning av antalet falska larm.
   
   
3. Automatisk orkestrering
   För att kunna dra full nytta av automatiserat beslutsfattande krävs att man länkar samman olika delar av en organisation och skapar resor från slut till slut. När väl automatiserat beslutsfattande tillämpas i en del av verksamheten kan det skapa möjligheter som går långt utöver att automatisera en isolerad process eller transaktion.
   
   Banker hanterar ett stort antal transaktioner varje dag. Föreställ dig en bank som kategoriserar varje kundtransaktion i realtid efter typ av köp, såsom utgifter för underhållning, resor, mat eller hyra. Detta är möjligt med rekommendationsmotorer som allokerar varje köp till lämplig utgiftskategori baserat på mönster som upptäckts i liknande historiska transaktioner.
   
   Faktum är att vissa banker redan använder realtidsklassificering av kundutgifter. En bank kan använda denna information för att tillhandahålla en utgiftsanalys till kunder. Utgiftsanalys kan i sin tur användas som input till en rekommendationsmotor som ger kunder råd om hur de kan spara pengar eller vilka produkter de ska investera i.

Vägen framåt

Automatiserat beslutsfattande förändrar redan snabbt hur banker levererar tjänster över hela värdekedjan. Deras implementering möjliggör personalisering i stor skala och personalökning, och detta skapar i sin tur ytterligare automatiseringsmöjligheter. För att kunna dra full nytta av rekommendationsmotorer måste banker ta en ännu mer holistisk syn på sin kundresa som de redan gör. Läs mer om kognitiva teknologier på Deloittes webbplats.