W niektórych firmach panuje przekonanie, że pozyskiwanie kompetencji AI to wyścig, a jeśli zacznie się późno, nie ma szans na nadrobienie zaległości.

Temu poglądowi przeczy przykład Scotiabanku (oficjalna nazwa Bank of Nova Scotia). Organizacja ta przez ostatnie dwa lata wdraża strategię AI nastawioną na rezultaty. Część zasobów, wykorzystuje do tego, by badać jak nowe technologie – takie jak blockchain czy komputery kwantowe – mogą ułatwić stworzenie nowych modeli biznesowych czy produktów. Zdecydowana większość pracy na danych z wykorzystaniem AI koncentruje się jednak na poprawie działań operacyjnych – raczej na dniu dzisiejszym niż na przyszłości.

W rezultacie Scotiabank – jeden z 5 największych banków w Kanadzie – w pewnych kluczowych obszarach nadrobił zaległości w stosunku do swoich konkurentów. Dokonał tego poprzez silną integrację swojej pracy analitycznej, przyjmując pragmatyczne podejście do AI i skupiając się na zbiorach danych, których można używać wielokrotnie, co przekłada się nie tylko na szybkość działania, ale też na zwrot z inwestycji.

Pierwszy krok: nowa struktura organizacyjna

Jeśli chodzi o wykorzystanie sztucznej inteligencji, Scotiabank wystartował późno w porównaniu do konkurentów. Przedstawiciele banku sami to przyznają. Opóźnienie wynikało z tego, że firma prowadziła transformację cyfrową o dużej skali i zaliczyła po drodze kilka falstartów. W połowie 2019 roku CEO Brain Porter uznał jednak, że przyszedł czas na uporządkowanie analityki.

Powstała nowa jednostka organizacyjna zajmująca się sygnałami zwrotnymi płynącymi od klientów, danymi i analityką (CID&A), co miało kluczowe znaczenie dla realizacji tego zadania.  Porter powierzył Philowi Thomasowi stanowisko wiceprezesa wykonawczego (CID&A). Wsparcie zapewnił mu zaangażowany CIO.

Taka struktura raportowania pozwoliła organizacji na szybkie działanie oraz zebranie niezbędnych danych i zarządzanie nimi, a także uruchomienie kompetencji analitycznych z wykorzystaniem AI. Jak powiedział nam jeden z menedżerów wysokiego szczebla „Dostroiliśmy nasze systemy motywacyjne, przywództwo i osobowości tak by nie było tarć ani blokad”.

Dla przykładu, choć naukowcy zajmujący się danymi funkcjonują w różnych częściach firmy, dział analityki i sztucznej inteligencji zostały zcentralizowane. W rezultacie propozycje konkretnych działań biznesowych, które trafiają do działu analitycznego, powstają w głównych pionach biznesu. „Cyfryzacja sprawiła, że wszelkie działania banku są w widoczne w danych i analityce, a ludzie zajmujący się AI znaleźli się na pierwszej linii” – twierdzi Grace Lee, która od października 2021 zajmuje stanowisko Chief Analytics Officer.  (Lee przejęła kierowniczą rolę w CID&A w październiku, a Thomas objął stanowisko Chief Risk Officer. Do jego zadań należy między innymi nadzorowanie CID&A).

Wysoce pragmatyczne podejście do AI

Jeszcze w 2019 roku Porter i Thomas podjęli decyzję, że głównym obszarem zainteresowania działu analityki i AI powinni być klienci. Thomas, Lee i ich koledzy czuli, że poprawa procesów i podejmowanie lepszych decyzji w obrębie banku było najlepszym sposobem na dogonienie konkurentów.

Thomas był przekonany, że w związku z relatywnie późnym startem banku, przyjęcie podejścia do AI nastawionego na rezultaty było koniecznością. Dlatego nie ma w organizacji projektów, które można określić mianem rewolucyjnych, niewiele jest eksperymentowania i badań. Za to, kluczowe propozycje działań biznesowych banku koncentrują się na nieustannym usprawnianiu zdolności operacyjnych i relacji z klientami. Lee powiedziała nam, że większość projektów AI powstających w firmie jest wykorzystywana. 80% modeli analitycznych wykorzystujących AI już działa, a 20% czeka na zatwierdzenie. 

Choć niektóre banki koncentrują się na swoich najbardziej zamożnych klientach, w Scotiabanku podjęto decyzję, że podczas pandemii, organizacja będzie starała się szukać klientów, którzy najbardziej potrzebują jej pomocy (na początku wśród klientów indywidualnych, a później wśród małych firm). Do analityki wykorzystano model uczenia maszynowego nazywany Customer Vulnerability Index. Narzędzie to pozwala, na podstawie danych transakcyjnych identyfikować klientów, którzy są zagrożeni krótkoterminowymi problemami z płynnością. Do firm w największych tarapatach zwracają się menedżerowie do spraw relacji z klientem, którzy oferują na przykład korzystne rozłożenie w czasie rat kredytu lub krótkoterminowe pożyczki.

A jeśli chodzi o podejście do klienta, Scotiabank uruchomił ostatnio zasilany AI dział marketingu oraz narzędzie pomagające zainteresować klientów ofertą organizacji. Analizuje ono ważne wydarzenia w życiu klienta, takie jak zaciągnięcie kredytu na dom, narodziny dziecka, czy wysłanie dziecka do college’u oraz preferencje dotyczące formy kontaktu z bankiem. Wyniki tych analiz pozwalają zaproponować klientowi spersonalizowane doradztwo w takiej formie, jaka najbardziej mu odpowiada.

Choć bankowa sztuczna inteligencja koncentruje się w pierwszym rzędzie na klientach, jest stosowana także w innych obszarach, na przykład została wykorzystana do automatyzowania pewnych zdań back office w globalnym dziale marketingu i zwiększenia bezpieczeństwa transakcji. Usprawniła też działanie call center, skracając czas wyszukiwania informacji interesujących klienta o ponad minutę, w czasie jednej rozmowy.

RAD‑ykalne zmiany w dostarczaniu danych

Zarządzaniem danymi w Scotiabank zajmuje się Peter Serentia pełniący funkcję Chief Data Officer. W tym obszarze też nastąpiły zmiany. Celem było szybsze dostarczanie danych do analizy, a przecież bez danych tworzenie modeli nie jest możliwe. Przed restrukturyzacją CID&A, która miała miejsce w 2019 roku, strategia zarządzana danymi w banku była raczej defensywna – dominowało podejście „chrońmy bank”, które kładło nacisk na zgodność z przepisami, poprawność raportowania finansowego i zarządzanie ryzykiem.

Wraz z przeniesieniem akcentu na informacje zwrotne od klientów i szybką realizację wartości, pojawiło się nowe podejście do zarządzania danymi nazywane RAD (skrót od reusable authoritative data set). Polega ono na identyfikowaniu zestawów danych na temat klientów, które można wykorzystać ponownie (dane transakcyjne, dane dotyczące salda itd).

Wyodrębniono 3 grupy RAD, z różnym poziomem kontroli. Najwyższy poziom dotyczy przypadków zewnętrznego raportowania regulacyjnego. Średni, to modele dotyczące klientów. Najniższy to modele wewnętrzne.

Serentia twierdzi, że nacisk został położony na możliwość powtórnego wykorzystywania danych.  Spodziewał się, że wszystkie RADy ostatecznie trafią do pierwszej grupy, ale takie podejście sprawiło, że te zbiory danych, które nie wymagały najwyższego poziomu kontroli, były dostarczane szybciej. Serenita twierdzi, że osiąganie wysokiego poziomu zwrotu z inwestycji w projektach z obszaru analizy danych zawsze było wyzwaniem, jednak w Scotiabank stało się powszechne.

Doświadczenia Scotiabanku to dowód na to, że organizacje, które późno zainteresują się wykorzystaniem sztucznej inteligencji, mogą nadrobić zaległości, a nawet prześcignąć konkurentów. Strategia AI Scotiabanku zakłada dbałość o to, by inicjatywy z obszaru AI dostarczały biznesowi wartość, a zdecydowana większość z nich trafia do produkcji.  Strategia ta kładzie również nacisk na usprawnianie istniejących procesów operacyjnych i ułatwianie budowania relacji z klientami. Dodatkowo, jasne określenie celów przez Scotiabank, sprawia, że łatwiej je osiągać.