Fintech

Servizi finanziari sempre più personalizzati grazie al machine learning

Prevenzione delle frodi, consulenza, e calcolo dei rating di credito saranno rivoluzionati dall’intelligenza artificiale, che nei prossimi cinque anni plasmerà la user experience di clienti e addetti ai lavori potenziando la sicurezza e tagliando i costi, spiega un’analisi Frost & Sullivan

Pubblicato il 02 Nov 2017

cfo-finance-broker-160906115319

Come adattare l’erogazione dei servizi e le interfacce, garantendo controllo, trasparenza e sicurezza delle piattaforme, a un mondo in continua trasformazione? È uno dei principali assilli di chi oggi offre prodotti finanziari. L’escalation tecnologica infatti rende sempre più complesso prevedere l’evoluzione della user experience sui vari terminali e rispetto ai diversi tipi di transazione, supporto, consulenza, strumenti antifrode.

L’unico modo per andare incontro alle esigenze di clienti e utenti finali in azienda è lasciare che siano loro a personalizzare la propria esperienza, non tanto agendo su una serie di opzioni predefinite, quanto disegnando l’accesso all’offerta tramite il suo utilizzo. Tutto ciò è possibile grazie ai sistemi di apprendimento automatico e all’intelligenza artificiale applicata ai servizi finanziari.

Secondo lo studio Frost & Sullivan Disruption in Global Financial Services, 2017—Machine Learning is Imperative” sarà proprio la capacità degli algoritmi di imparare dalle interazioni con gli esseri umani la chiave di volta per la personalizzazione della user experience. Questo implica naturalmente un’adozione massiva delle tecnologie di machine learning nei prossimi cinque anni, tendenza confermata dai molti Proof of concept già realizzati dai fornitori di servizi finanziari. Stando all’indagine, la prevenzione delle frodi, i servizi di consulenza, la conformità normativa e il rating di credito sono tutte aree che offrono enormi opportunità di applicazione del machine learning nel mondo dei servizi finanziari, dal più tradizionale digital banking ai servizi più sperimentali delle startup Fintech.

Il report prende in esame diverse variabili che stanno indirizzando il settore: la già citata capacità dei servizi di essere aperti a tutti, attraverso una esperienza d’uso intuitiva, il time-to-market delle soluzioni, i costi operativi dello sviluppo e distribuzione dei nuovi servizi, la resistenza ai cambiamenti all’interno delle imprese e infine la variabile meno controllabile in assoluto: l’evoluzione del cliente sulla scorta dei cambiamenti economici, sociali e tecnologici.

«Il più grande vantaggio delle soluzioni di apprendimento automatico è la loro capacità di imparare da ogni transazione e istanza. Oggi le aziende e i consumatori si sentono maggiormente a proprio agio con i servizi ibridi. Tuttavia, il fatto che le macchine si stanno evolvendo rapidamente, imparando continuamente e usando le conoscenze acquisite per migliorare la soddisfazione e l’esperienza del cliente è il maggior fattore di differenziazione», spiega in una nota Deepali Sathe, analista senior del gruppo Digital Transformation di Frost & Sullivan. «L’apprendimento automatico consente velocità e precisione, che sono elementi cruciali per le capacità delle aziende di servizi finanziari di affrontare le sfide legate all’efficienza e ai costi» .

Tra i casi di studio e i profili di alcuni degli operatori chiave presentati nel rapporto ci sono Google, IBM, Orange, Swisscom, Onfido, Darktrace, Klarna, Infosys, SAP e Rasa.ai. In tutti questi casi, tra i fattori critici di successo c’è la necessità che i diversi operatori del settore – regolatori, operatori storici, start-up – collaborino per creare un ecosistema consolidato in grado di sfruttare appieno il potenziale dell’apprendimento automatico. Bisogna poi fornire un accesso sicuro ai dati per consentire ai sistemi di apprendimento automatico di identificare i comportamenti normali e anomali.

Occorre poi garantire facilità d’uso e sicurezza dei dati e delle transazioni quando si utilizzano servizi di robo-advisory, con la possibilità di raccogliere sia dati strutturati che non strutturati per consentire all’apprendimento automatico di padroneggiare le abilità cognitive e individuare i comportamenti che indicano modelli fraudolenti. Infine, è necessario scrivere e adottare algoritmi back-end forti per fornire risultati pertinenti per servizi come il rating di credito e l’inclusione finanziaria. Tutto questo facendo i conti con le competenze innovative necessarie per progetti di questo genere.

«La scarsità di specialisti e competenze di machine learning e la mancanza di formazione adeguata sono fattori limitanti», osserva Sathe. «D’altra parte, l’educazione al mercato è essenziale; le società finanziarie non sono ancora completamente a conoscenza dell’apprendimento automatico, dei suoi benefici e dell’impatto sui risultati aziendali. Combinando tutto ciò con i costi e le spese associati al mantenimento dell’infrastruttura legacy, l’apprendimento automatico ha bisogno di altri 3-4 anni per raggiungere la diffusione di massa».

Valuta la qualità di questo articolo

La tua opinione è importante per noi!

Articoli correlati

Articolo 1 di 4