为什么金融服务在AI驱动的分析（以及大多数出错）上大放异彩：Sergiy Fitsak作者

今天就进入任何银行的战略会议，您会听到同样的话：“我们在分析中需要AI。”但这是他们没有告诉您的：大多数金融机构都在实施AI/BI工具，而没有了解他们对数据的看法所需的基本转变。

我已经花了多年的时间来帮助金融科技公司和传统金融机构在SoftJourn驾驶这一转变。 AI炒作与实际业务影响之间的差距是真实的，它使公司损失了数百万的实施。

是的，金融服务会产生大量数据。但是音量不是挑战 – 这是分散的。您的客户数据生活在一个系统中，交易记录在另一个系统中，三分之一的风险评估。

旧的核心银行平台不是与现代AI工具交谈的建立，而围绕数据处理的监管要求增加了其他行业中不存在的另一层复杂性。

我最近与中型金融科技进行了交谈，该金融科技在预测分析平台上进行了大量投资。在六个月的时间里，他们获得了见解，但它们都不是可以采取的，因为其遗产系统的数据质量从根本上存在缺陷。 他们正在根据不完整的图片进行预测。

这是大多数AI实施在金融服务中失败的地方：不是从坏技术中获得的，而是低估了AI可以实现价值之前所需的基础架构工作。

剥夺了供应商的承诺，AI驱动的分析在三个特定领域的金融服务方面提供了可衡量的ROI：

欺诈检测和风险评估： 由机器学习提供支持的实时交易监控可以识别基于规则的系统错过的可疑模式。但这是关键部分：模型需要持续的重新训练。 欺诈者适应，您的AI需要更快地适应。

信用风险和承保： 传统的信用评分将钱放在桌子上。合并替代数据源的AI模型可以扩大贷款，同时实际降低风险。在金融科技行业中，我们已经看到贷方通过使用更复杂的分析方法提高了15-20％的批准率，而不会提高违约率。

费用管理和现金流优化： 对于企业银行业客户，预测分析可以预测支出模式并在出现问题之前提示异常。一个费用管理平台，我们通过确定将花费数月的时间来揭露的支出效率低下来降低客户运营成本。

注意这些共同点？它们都专注于特定的，可衡量的结果，而不是“更好的见解”的含糊诺言。

错误1：将AI视为插件

金融机构通常会像其他任何软件购买一样使用AI工具。但是AI需要持续的喂养，培训和精致。您的数据科学家并没有进行一次实施；他们正在注册正在进行的模型管理。 相应预算。

错误2：忽略数据质量直到为时已晚

垃圾进，垃圾。对AI，这首古老的格言更加至关重要。我已经看到，银行在复杂的分析平台上花费了数百万美元，只是发现其源数据具有不一致，重复和差距，这使得见解不可靠。数据清洁并不迷人，但这是不可谈判的。

错误＃3：忘记合规性不是可选的

在金融服务中，您不能像其他一些行业一样自由地尝试。模型风险管理，算法偏差测试和解释性要求不仅仅是良好的范围。监管机构正在关注AI的实施，而犯错的处罚是巨大的。您的AI策略需要从第一天开始参与的合规团队，而不是事后的想法。

这是一个不舒服的事实：您现有的财务分析师不会被AI取代，但是他们的角色将发生巨大变化。蓬勃发展的分析师将是那些可以弥合业务环境和技术能力之间差距的人。

他们不需要成为数据科学家，但是他们确实需要了解如何以AI可以回答的方式来构建业务问题，如何批判性地解释模型产出以及如何发现AI建议尽管在统计上是有道理的，但AI建议何时不具有业务意义。

大多数金融机构在技术上投入大量投资，但投资不足。那是向后的。竞争优势来自您的团队如何利用新技术。

金融服务中的下一波AI浪潮与复杂模型有关，而更多地与可访问性有关。自然语言处理工具使企业用户在对话中查询数据，自动报道表面洞察力而无需技术专长，而AI助手则将整个组织的高级分析民主化。

但是这些进步扩大了机会和风险。没有准备好的组织手中的更好的工具无法解决任何问题。他们只会帮助您更快地犯错。

将以AI获胜的金融机构是那些将其视为需要周到实施的战略能力的机构，而不是您可以简单地购买和部署的技术产品。