Analityka to kluczowy składnik budowania pozytywnych doświadczeń klienta

Z Mateuszem Gintrowskim, dyrektorem sprzedaży do sektora finansowego w SAS Institute Polska, rozmawiamy o zmianach oczekiwań względem zaawansowanej analityki w czasach pandemii; opłacalności wdrożeń rozwiązań opartych na sztucznej inteligencji; wpływie analityki na Customer Experience; a także wyzwaniach towarzyszących takim projektom oraz możliwym wsparciu ze strony SAS.

Myśląc o zaawansowanej analityce w kontekście oferty SAS, możemy mówić o najbardziej złożonych rozwiązaniach, w których analizy predykcyjne wykorzystujemy do modelowania skłonności zakupu danego produktu przez konkretną osobę, często w czasie rzeczywistym. Skłonność do zakupu określonego produktu czy usługi możemy wyliczać np. w momencie, kiedy dany nabywca podchodzi do kasy w placówce handlowej, dodaje produkt do koszyka w sklepie e-commerce bądź loguje się do systemu bankowości elektronicznej. Innym przykładem zastosowania zaawansowanej analityki jest optymalizacja zatowarowania sklepów tak, aby – unikając nadmiarowości – zapewnić dostępność właściwych towarów.[/quote]

W obliczu pandemii wzrosły oczekiwania dotyczące szerokiego wykorzystania danych w biznesie. Dlaczego?

W ostatnich miesiącach rzeczywistość w mocno przyspieszonym tempie przeniosła się do świata cyfrowego. W świecie online posiadanie analityki stało się szczególnie ważne. Zmiany widać w każdej branży. Przykładowo, w sektorze ubezpieczeń, dotąd większość sprzedaży polis odbywała się za pośrednictwem agentów, gdzie liczyła się przede wszystkim relacja agenta z klientem oraz ubezpieczycielem. Obecnie zdecydowanie wzrosło zainteresowanie bezpośrednimi kontaktami z ubezpieczycielami poprzez kanały cyfrowe, co stwarza nowe możliwości. W internecie możemy łatwo porównać wiele ofert, więc decydujące znaczenie mają nie tyle relacje, ile cena i możliwość personalizacji parametrów polisy. W takich właśnie obszarach na znaczeniu zyskuje analityka. Być może jest to ostatni moment na wdrożenie rozwiązań wspierających podejmowanie decyzji operacyjnych na bazie złożonych analiz. Pewnie nie wszystkie firmy i organizacje będą mogły sobie teraz pozwolić na tego typu inwestycje, jednak dla wielu z nich będą to decyzje warunkujące pozycję konkurencyjną na rynku.

Jakie obszary wykorzystania zaawansowanej analityki biznesowej można uznać dziś za najbardziej naturalne i powszechne?

Analityka biznesowa to szeroka domena. Myśląc o zaawansowanej analityce w kontekście oferty SAS, możemy mówić o najbardziej złożonych rozwiązaniach, w których analizy predykcyjne wykorzystujemy do modelowania skłonności zakupu danego produktu przez konkretną osobę, często w czasie rzeczywistym. Skłonność do zakupu określonego produktu czy usługi możemy wyliczać np. w momencie, kiedy dany nabywca podchodzi do kasy w placówce handlowej, dodaje produkt do koszyka w sklepie e-commerce bądź loguje się do systemu bankowości elektronicznej. Innym przykładem wykorzystania zaawansowanej analityki jest optymalizacja zatowarowania sklepów tak, aby – unikając nadmiarowości – zapewnić dostępność właściwych towarów. Realizujemy też projekty optymalizujące łańcuch dostaw, zapasy czy procesy zaopatrzenia.

Na znaczeniu zyskuje również zastosowanie danych nieustrukturyzowanych, czyli np. tekstu, głosu lub zdjęć. To w tego rodzaju zbiorach danych tkwią ogromne, w dalszym ciągu niewykorzystane możliwości. Pojawiają się rozwiązania, takie jak chatboty, które opierają się m.in. na metodach analizy języka naturalnego. Innym obszarem jest analiza głosu. Istnieją rozwiązania służące np. do autoryzacji dostępu za pomocą głosu lub boty głosowe, pozwalające zautomatyzować procesy oparte na rozmowie z klientem.

Kolejnym spektrum zastosowań analityki danych nieustrukturyzowanych jest analiza obrazu. Przykładowo, dla firm ubezpieczeniowych realizujemy projekty umożliwiające wykorzystanie analizy zdjęć do wykrywania nadużyć lub likwidacji szkód. Na bazie technologii SAS wdrożyliśmy system wspierający optymalizację treningu piłkarzy używający analizy nagrań ich zachowań na boisku. Bardziej przyziemnym przykładem wykorzystania analityki wideo jest analiza ścieżek poruszania się klientów w sklepie lub oddziale banku, przydatna po to, aby lepiej planować ekspozycję towarów.

Z kolei w kanałach e-commerce, na podstawie takich analiz, możemy w sposób dynamiczny dostosowywać treść witryn internetowych lub propozycji zakupowych. Dochodzimy tu do analityki Big Data, zakładającej łączenie analizy ogromnych zbiorów danych uporządkowanych i nieustrukturyzowanych. Co ważne, umiejętne zastosowanie analityki biznesowej stanowi podstawę do zmian, które są pozytywnie postrzegane przez klientów. Analityka staje się więc elementem procesu budowania pozytywnych doświadczeń.

Jakie znaczenie biznesowe ma dziś AI?

Rola sztucznej inteligencji jest absolutnie kluczowa, jeśli chodzi o budowanie pozytywnych doświadczeń klienta w realiach omnichannel, a to przekłada się m.in. na lojalność klientów oraz ich skłonność do zakupu nowych produktów lub polecania firmy znajomym. Algorytmy AI odgrywają też kluczową rolę w możliwości zautomatyzowania różnego rodzaju procesów, które dotychczas realizowane były manualnie, wymagały podjęcia decyzji albo weryfikacji danych. Nie mam tu jednak na myśli robotyzacji, czyli odtwarzania manualnych czynności człowieka w sposób automatyczny, ale procesowanie zdecydowanie bardziej złożonych i dynamicznych procesów.

Wykorzystanie AI oznacza większą złożoność technologiczną, ale jednocześnie winduje potencjalne korzyści biznesowe na zupełnie nowy poziom. Przykładem może być proces obsługi wniosku o udzielenie kredytu hipotecznego. Wymaga on bowiem pozyskania i weryfikacji wielu danych, m.in. dotyczących kredytowanej nieruchomości czy kredytobiorcy. Dzięki sztucznej inteligencji oraz analizie danych nieustrukturyzowanych wiele czynności w ramach tego procesu możemy zautomatyzować, jak np. ekstrakcja istotnych informacji pozyskanych z systemu elektronicznych ksiąg wieczystych, co pozwala istotnie ograniczyć koszty, ale też przyspieszyć proces i poprawić zadowolenie klienta.

W jakich obszarach po sztuczną inteligencję sięga sektor finansowy?

W polskim sektorze finansowym rozwiązania AI są dziś najczęściej wykorzystywane w obszarach nieregulowanych – do wykrywania nadużyć, marketingu czy obsługi klienta. Potencjalne korzyści biznesowe są tu bardzo wymierne. Przykładowo, dzięki sztucznej inteligencji jesteśmy w stanie nie tylko zarekomendować określony produkt konkretnemu klientowi, lecz także dopasować kanał, formę i treść komunikatu oraz zrealizować komunikację w najbardziej odpowiednim momencie, np. w reakcji na konkretne zdarzenie lub logowanie do systemu bankowości elektronicznej.

W obszarach podlegających regulacjom widać większą ostrożność we wprowadzaniu technik AI, ale jestem przekonany, że w najbliższych latach nastąpi tu znaczący wzrost adopcji metod sztucznej inteligencji, podobnie jak dzieje się to w innych krajach. Wykorzystanie AI pozwoli podnieść jakość i skuteczność modeli, co w bezpośredni sposób pomoże bankom w optymalizacji kosztów ryzyka i poprawie jakości portfela kredytowego.

Jakie znaczenie dla upowszechnienia tej technologii w branży finansowej ma chmura obliczeniowa?

Ostatnie zalecenia dotyczące korzystania z rozwiązań chmurowych w sektorze finansowym w pewnym stopniu liberalizują dotychczasową politykę, ale przede wszystkim porządkują podejście do chmury obliczeniowej. Z pewnością jest to kierunek, w którym banki będą zmierzały, podobnie zresztą jak firmy z innych sektorów. Rosnącą rolę chmury obliczeniowej widać także w ofercie SAS – nasze najnowsze rozwiązania są tak przygotowane, aby można je było z łatwością osadzić w dowolnej chmurze obliczeniowej, a następnie łatwo przenosić pomiędzy różnymi dostawcami usług chmurowych. Jednocześnie wszystko, na co pozwalają technologie SAS w modelu chmury, jest możliwe do zrobienia również w tradycyjnym modelu on-premise.

Jakie są największe problemy związane z wdrażaniem rozwiązań biznesowych opartych na sztucznej inteligencji?

Przede wszystkim jest to kwestia zaufania, że algorytmy AI nierzadko mogą działać lepiej niż człowiek i przynosić realną wartość biznesową. Praktyka pokazuje, że nawet jeśli sposób działania i wyniki danego algorytmu nie są do końca jasne dla użytkowników biznesowych, to jego efekty są bardziej trafne niż w przypadku decyzji podejmowanych przez człowieka, czy na bazie tradycyjnych metod analitycznych. Potrzebne jest więc zaufanie i poświęcenie interpretowalności na rzecz skuteczności i jakości decyzji.

Wyzwaniem są też kwestie związane z zapewnieniem odpowiedniej infrastruktury oraz organizacji danych. Obecnie wiele firm eksperymentuje z AI, wdrażając rozwiązania punktowe lub pilotażowe. Jednak wraz ze wzrostem skali zastosowania AI, ilości oraz złożoności procesów wykorzystujących sztuczną inteligencję, a także zależności między nimi – zdecydowanie zwiększy się znaczenie spójności danych i procesów decyzyjnych. Dlatego zarządzanie wykorzystaniem AI staje się ogromnym wyzwaniem. Tymczasem, w wielu firmach brakuje kompetencji i technologii do tego, aby odpowiednio porządkować dane, budować modele analityczne i zarządzać nimi. Jest to z pewnością kolejne wyzwanie, stojące na drodze do wdrażania AI na szeroką skalę.

W jaki sposób SAS pomaga w operacjonalizacji AI w firmach z sektora finansowego?

Dzielimy się doświadczeniami, prezentujemy przykłady z wdrożeń, organizujemy warsztaty, podczas których pokazujemy możliwe korzyści, technologie i pomysły na wykorzystanie AI. Z klientami z sektora finansowego rozmawiamy o tym, w jaki sposób wypracowana przez nas koncepcja i oferowane technologie mogą ułatwić skalowanie oraz operacjonalizację analityki, w tym sztucznej inteligencji, w procesach decyzyjnych.

Zapewniamy też wsparcie kompetencyjne w modelu body leasing lub w ramach zaangażowania projektowego. Jesteśmy również gotowi na przejęcie odpowiedzialności za obsługę całości lub części funkcji analitycznych na zasadzie outsourcingu. Co istotne, naszym klientom pomagamy też budować niezbędne kompetencje w ich organizacjach. Mam tu na myśli nie tylko szkolenia i warsztaty, lecz także przekazywanie praktycznej wiedzy w trakcie realizowanych wspólnie projektów. Takie podejście dobrze się sprawdza. Podsumowując, jako firma, która wykorzystaniem analityki i sztucznej inteligencji w biznesie zajmuje się od kilkudziesięciu lat, jesteśmy w stanie kompleksowo wspierać klientów we wszystkich wyzwaniach związanych z operacjonalizacją analityki na dużą skalę.