Podaci i njihova analiza ključ su uspjeha fintech kompanija

Moderno vrijeme donosi i sve manje strpljenja klijenata i sve manji prostor za pogrešku fintech kompanijama u personalizaciji svojih usluga i korisničkog sustava. Ovo stavlja veliki fokus na potrebe svakog pojedinog klijenta, a jedno od rješenja svakako je i upotreba umjetne inteligencije, ističe za ICTbusiness.info Matej Kuhar prvi čovjek za data scinece u najjačem domaćem fintechu Aircashu.

Prema njegovim riječima data science je stoga, mogli bismo reći, u srži poslovanja fintech kompanija, a Big data i DS unapređuje i personalizaciju usluga, alati poput naprednih chatbota osiguravaju kratki response time na korisničke upite, dok (near-)real time analitika i prediktivni modeli mogu prevenirati slučajeve frauda i doprinijeti sigurnosti korisnika.

Kako data science transformira fintech industriju i koje su ključne primjene velikih podataka u ovom sektoru?

Data science ima značajan utjecaj na fintech industriju jer je u mnogim segmentima poslovanja ključan alat koji pomaže fintech kompanijama ostvariti snažan rast poslovanja, pogotovo u ranim fazama razvoja fintech tvrtki. Big data i DS unapređuje i personalizaciju usluga, alati poput naprednih chatbota osiguravaju kratki response time na korisničke upite, dok (near-)real time analitika i prediktivni modeli mogu prevenirati slučajeve frauda i doprinijeti sigurnosti korisnika. Data science je stoga, mogli bismo reći, u srži poslovanja fintech kompanija.

Koji su najčešći algoritmi i modeli korišteni u fintech industriji za analizu podataka i donošenje odluka?

Algoritmi mogu biti razni i ovise o namjeni, to može biti od jednostavnih if-then upita do naprednih algoritama računalnog vida. Neki od primjera u automatizacijama procesa su jednostavne statistike/analize, čak i u SQL-u, koje mogu dovesti do redukcije ponavljajućih taskova. Ako pričamo o sprječavanju financijskog kriminala i prijevara, česta je primjena klasičnih ML modela za tabularne podatke, poput random forrest algoritama ili XGBoosta. Veliki jezični modeli služe primjerice u analizama interakcija s korisnicima ili za chatbot sustave, dok modeli računalnog vida podržavaju automatske detekcije i evaluaciju dokumenata  i ostalih vizualno dostupnih podataka kod interakcija s udaljenosti, primjerice kod remote on-boarding / KYC procesa.Na koji način analitika velikih podataka pomaže u personalizaciji korisničkog iskustva u fintech aplikacijama?

Moderno vrijeme donosi i sve manje strpljenja klijenata i sve manji prostor za pogrešku fintech kompanijama u personalizaciji svojih usluga i korisničkog sustava. Ovo stavlja veliki fokus na potrebe svakog pojedinog klijenta. Na primjer, jedan klijent može koristiti Aircash usluge primarno u online okruženju za dnevna plaćanja, dok je drugom korisno imati povezanu Aircash Mastercard karticu za potrebe sigurnosti i upravljanja troškovima na putovanjima. Potrebe ovih dvaju korisnika su različite, te nam analize ponašanja klijenata mogu dati uvid u to za koju namjenu svaki pojedini korisnik koristi aplikaciju.

Kako fintech tvrtke koriste strojno učenje i umjetnu inteligenciju za bolje upravljanje rizicima i prevenciju prijevara?

Strojno učenje može pomoći u otkrivanju anomalija u transakcijskim podacima. To može biti na razini svakog pojedinog usera i odstupanja od njegovog karakterističnog (uobičajenog) ponašanja, do neuobičajenih prometa prema određenim primateljima. Također, ukoliko postoji set podataka koji je labeliran za određeno prijevarno ponašanje, može se krenuti u modeliranje značajki za taj specifični tip prijevare.

Koje su ključne prednosti primjene prediktivnih modela u financijskoj analitici i na koji način oni poboljšavaju donošenje poslovnih odluka?

Prediktivni modeli se koriste u svrhu donošenja boljih poslovnih odluka. To može biti analiza širenja na nova tržišta (ovisno o poslovnom modelu, neka su tržišta bolji kandidati od drugih), optimizacije i poboljšanja marketinških kampanja, boljeg razumijevanja korisnika etc.

Kako analitika velikih podataka može pomoći u optimizaciji korisničke podrške i poboljšanju zadovoljstva korisnika?

Analiza podataka i strojno učenje mogu pomoći u kreiranju naprednih sustava korisničke podrške kroz primjenu chatbota i voice assistanta, optimizaciji repetitivnih taskova zaposlenika u korisničkoj podršci, automatizaciji procesa te razumijevanju korisničkog zadovoljstva. Za svaku od ovih komponenti se koriste napredni modeli strojnog učenja koji značajno reduciraju manualne taskove zaposlenika u korisničkoj podršci. Također, omogućavaju i značajno brži on-boarding novih klijenata te povećavaju jednostavnost upotrebe aplikacije, što dovodi do zadovoljnijih korisnika.

Koje su glavne prepreke s kojima se fintech tvrtke suočavaju prilikom implementacije modela strojnog učenja s ciljem sprječavanja prijevara?

Što se prijevara tiče, tu je uvijek riječ o igri mačke i miša. Generalno, najveći broj korisnika je pošten, međutim kako razvoj novih tehnologija omogućava razne pozitivne pomake u svim sferama društva, tako omogućava pristup digitalnim plaćanjima i fintech uslugama i za zlonamjerne osobe, koje iako u manjini, mogu imati vrlo sofisticirane tipove prijevara i pranja novca te zahtijevaju i napredne metode prevencije i detekcije takvih korisnika. Strojno učenje ovdje može pomoći u automatskom pronalaženju nekih tipičnih obrazaca temeljenih na povijesnim podacima, kao i otkriti anomalije u transakcijskom prometu. Također, strojno učenje je podrška kod obrade većeg broja transakcija i omogućuje, pravilnom primjenom, bolje upravljanje sustavom upozorenja (alerti). Strojno učenje omogućuje brže obavljanje procesa te je u mogućnosti prepoznati problematične transakcije pri ili neposredno nakon izvršenja iste.

Na koji način fintech industrija koristi analizu podataka kako bi bolje ciljala svoje usluge?

Svaki fintech ima svoj poslovni model i određene grupe korisnika koje privlači. Izuzetno je važno imati dobre modele segmentacije jer ovo daje uvid o tome koje usluge pojedini korisnik najčešće koristi. Samim time, kompanija može unaprjeđivati svoje usluge i fino usklađivati svoju ponudu tako da ponuda usluga bude najrelevantnija moguća. Također, analizom sličnih skupina korisnika mogu se identificirati dodatni proizvodi koji se mogu ponuditi svakom korisniku, a ovisno o njegovim preferencijama i načinu korištenja aplikacije.

Kako se analitika velikih podataka koristi za identifikaciju potencijalno sumnjivih transakcija i sprječavanje pranja novca?

Iz određenih tipova prijevara i pranja novca mogu se odrediti parametri koji dobro opisuju takav tip ponašanja u odnosu na ponašanje korisnika. Na temelju takvih atributa se onda mogu razvijati modeli na bazi strojnog učenja koji iz povijesnih podataka mogu početi prepoznavati ovakve tipove ponašanja, a na temelju gore opisanih parametara. Ovo dovodi do naprednije automatizacije i prilagodljivijih sustava prepoznavanja sumnjivih ponašanja te smanjenju količine manualnih provjera. Samim time i analize postaju kvalitetnije te dovode do boljih rezultata. Također, analizom velikih brojeva transakcija mogu se otkriti određene anomalije na razini individualnog korisnika, grupe korisnika ili pojedinih kanala.

Koliko su važni podaci u stvarnom vremenu za fintech tvrtke i kako oni utječu na donošenje bržih i preciznijih odluka?

Budući da fintech tvrtke 'brže' prate trendove i potrebe korisnika, samim time je potrebno i da su više u real-time modusu operandi. Ovo je posebno bitno za otkrivanje prijevara i sličnih problematičnih ponašanja.  

Kako se strojno učenje može koristiti za predviđanje potreba korisnika u fintech aplikacijama i pružanje proaktivnih financijskih savjeta?

Na temelju uočenih obrazaca ponašanja mogu se dati savjeti o optimizaciji troškova, mogućim prilikama kod nekih prodajnih partnera ili nečem trećem. Također, fintech tvrtke koje se bave ulaganjima mogu koristiti machine learning za ponudu točno određenih investicijskih usluga/ponuda prema tipu korisnika. Primjer bi bio da mladi ljudi skloni tehnologiji možda imaju veći afinitet prema tech dionicama, moguće i rizičnijim startupima, dok tradicionalniji korisnici žele ulaganja na duže rokove u konzervativnije dionice i/ili indekse poput S&P 500.

Na koji način fintech tvrtke balansiraju između korištenja podataka za optimizaciju korisničkog iskustva i očuvanja privatnosti i sigurnosti korisnika?

Budući da fintech kompanije posluju u potpuno digitalnom okruženju, primarni fokus je uvijek na otpornosti i sigurnosti sustava. Usklađenost s GDPR-om te, uskoro, EU aktom o umjetnoj inteligenciji pri obradi podataka korisnika je standard i regulatorna obveza, ali i odgovornost prema povjerenju koje nam korisnici daju. Također, pri obradi podataka potrebno je voditi računa o anonimizaciji korisničkih podataka kroz anonimizirane  identifikatore specifične za svakog korisnika. Konačno, fintech tvrtke trebaju imati visoko razvijene sustave kibernetičke sigurnosti kako ne bi došlo do bilo kakvih napada i mogućeg data breacha. Ključni korak je integracija svih ovih sigurnosnih stavki na način da ne narušavaju korisničko iskustvo i ne ometaju korištenje aplikacije/proizvoda.

Koji su primjeri uspješne primjene analitike velikih podataka u fintech tvrtkama kada je u pitanju smanjenje operativnih troškova i povećanje učinkovitosti?

Ovdje možemo dati primjer iz prve ruke, a riječ je o in-house sustavu za utvrđivanje i provjeru identiteta na daljinu. Ovdje se govori o sustavu koji asistira zaposleniku pri on-boardingu novih klijenata. Sustav u stvarnom vremenu provjerava osobni dokument i podatke te radi višestruke analize na temelju preuzetih podataka u pozadini. Sustav također vrše analizu i adekvatnost ispravnosti snimki, a sve kako bi utvrdili živost i validnost prezentiranih informacija i dokumentacije. Sve ove radnje iziskuju značajne ljudske resurse kad bi se radili manualno, čime se značajno smanjuju operativni troškovi te oslobađa vrijeme zaposlenicima za naprednije taskove koji iziskuju više vremena. Ovakvih primjera ima još te zapravo predstavljaju nužnost za brzo-rastuće fintech kompanije, jer omogućavaju izgradnju stabilne infrastrukture i skalabilnog sustava.