Dall’adozione della prima carta di credito negli anni ’50, all’utilizzo dei terminali ATM, dal trading elettronico all’home banking, le banche hanno dimostrato nella storia recente una spiccata attenzione verso la rivoluzione tecnologica.

Ma il passo evolutivo che il settore bancario si appresta a compiere entro i prossimi due anni va ben oltre: la trasformazione interesserà infatti l’intero processo, sia in termini di interazioni tra istituto finanziario e cliente, sia in termini di raccolta dati. Si tratta di un cambiamento epocale, probabilmente il più complesso quanto sfidante di tutta la storia dell’industria bancaria.

Grande protagonista è l’intelligenza artificiale, che con i chatbot e le tecniche che sfruttano i big data, andrà ad operare su svariati fronti. In questo articolo analizzeremo alcune delle principali applicazioni di intelligenza artificiale (AI) e machine learning (ML) nel settore bancario e finanziario.

In quale contesto si colloca tale trasformazione?

Come abbiamo detto più volte in questo blog, l’era digitale in cui viviamo ci pone davanti alla sfida dei big data e alle opportunità che questi possono offrire. Inoltre, è doveroso ricordare che il settore bancario ha accesso ad archivi complessi di record e dati storici, che sono particolarmente adatti all’intelligenza artificiale e alle applicazioni di apprendimento automatico (machine learning).

Dal rapporto Accenture Banking Technology Vision 2017,  emerge che sempre più industrie bancarie, finanziarie ed assicurative sono interessate a sfruttare tecnologie all’avanguardia per ridurre i costi operativi e migliorare la customer experience. Alcune di queste, però, non hanno ancora compiuto il passo iniziale. Quelle che, invece, hanno già iniziato ad applicare tali tecniche, stanno già trasformando l’intero processo aziendale.

Prima di analizzare i maggiori trend, però, rivediamo brevemente il concetto di AI.

Come funziona l’intelligenza artificiale

Tra le potenzialità dell’intelligenza artificiale ricordiamo il riconoscimento di immagini e suoni, la comprensione del linguaggio e la pianificazione. In pratica, le macchine svolgono le tipiche attività dell’intelligenza umana, con tempi e risultati sorprendenti.

Gli strumenti di cui si serve l’AI sono innumerevoli e variano a seconda della finalità preposta. Uno dei più diffusi è l’“apprendimento automatico”, meglio conosciuto come “Machine Learning”. Si tratta di un sistema che consente agli algoritmi di imparare da una grande mole di dati e fare previsioni in base a questi ultimi.

Quali sono allora le tendenze dell’intelligenza artificiale nel settore bancario?

• Chatbot

I chatbot sono assistenti virtuali costruiti con robusti motori di elaborazione del linguaggio naturale (Natural Processing Language) combinati con specifiche interazioni con i clienti. Consentire ai clienti di ottenere informazioni in modo rapido e semplice migliora i livelli di servizio e offre un vantaggio unico rispetto ad altre società che richiedono ai clienti di telefonare o inviare un’e-mail.

Allo stesso tempo, questi assistenti virtuali consentono alle banche di risparmiare denaro e far concentrare i propri team su altri aspetti del business. Immaginiamo di contattare un’azienda su Facebook Messenger, o via chat, e che dietro ci sia un “robot” che capisce quello che gli hai scritto e che ti può aiutare all’istante, 24 ore su 24.

Quest’esperienza di chat non è ancora ben salda nel settore bancario, ma si prevede che cresca in popolarità.

• Marketing e cross-selling migliorati

Il ML può essere utilizzato per lo sviluppo di approfondimenti più dettagliati sia per i già clienti che per i potenziali clienti. Attingendo a un’ampia gamma di dati sia interni che esterni, ai professionisti del marketing viene offerto un lavoro non da poco, perché i clienti potranno essere segmentati in modo più accurato in base ai loro profili e alle loro esigenze, offrendo nuove opportunità di up-selling e cross-selling.

• Prevedere le ragioni delle chiamate dei clienti

Prevedere il motivo delle chiamate da parte dei clienti può essere un altro enorme vantaggio che il machine learning garantisce alle banche, in termini di tempi e miglioramento della customer experience. Il numero di chiamate dei clienti effettuate su base giornaliera è in costante aumento e, di conseguenza, il rischio che tali chiamate confluiscano a reparti non corretti è un problema crescente. Ciò comporta inoltre tempi di attesa molto lunghi per i clienti, il che porta ad un aumento dei drop-off delle chiamate e dei clienti insoddisfatti. Quello che l’apprendimento automatico può fare in questo caso è prevedere il motivo della chiamata in base all’ora del giorno in cui questa viene effettuata e ad altre variabili. Così, la chiamata potrà essere indirizzata direttamente al reparto corretto per le esigenze specifiche dei clienti.

• Rilevamento delle frodi

Accertati i vantaggi per le interazioni con i clienti, vediamo ora come l’AI può essere utile nelle attività tipiche delle banche, partendo dal rilevamento delle frodi (fraud detection).

I sistemi di apprendimento automatico sono in grado di rilevare le anomalie delle attività e dei comportamenti online e di segnalarli ai team di sicurezza per ulteriori approfondimenti.

Tenere al sicuro il denaro dei clienti è una delle funzioni principali delle banche. Fino a poco tempo fa ci si serviva di  algoritmi tradizionali, che potevano rilevare una transazione fraudolenta solo quando violava alcune delle regole preimpostate. Con il ML, oggi, è possibile fare maggiori approfondimenti e identificare attività sospette in base alla cronologia delle transazioni e al comportamento dei singoli clienti. I vantaggi fondamentali risiedono nel fatto che le macchine possono eseguire tali analisi in tempo reale e possono anche imparare dai risultati delle azioni passate.

• Risk management

Il machine learning viene largamente utilizzato anche per determinare i rischi di prestito dei clienti in base alla loro storia di reddito e credito.

Per stimare l’affidabilità creditizia, i sistemi tradizionali si basavano su dati storici come la cronologia delle transazioni, la storia del credito e l’andamento del reddito nel corso degli anni . Questo metodo però ha portato talvolta a stime incoerenti poiché i dati storici non sono sempre uno standard accurato per prevedere il comportamento futuro. Oggi, con l’aiuto dell’analisi predittiva, un algoritmo ML può analizzare petabyte di dati per valutare il comportamento delle parti per identificare una possibile frode.

Quali gli ostacoli da superare

Gran parte delle banche hanno sì una spiccata attenzione verso l’IT, ma alcune peccano ancora di agilità nel trasformare digitalmente il proprio business. I motivi? Regolamenti restrittivi e limitazioni in budget o risorse.

Infatti, secondo uno studio di PWC, due banche su tre negli USA non hanno ancora adottato le tecnologie di AI, proprio per i suddetti motivi. La strada da percorrere è, quindi, ancora lunga ma doverosa.