Relazione con la clientela, gestione della filiale, strategie di business e sicurezza informatica. L’intelligenza artificiale applicata a questi ambiti può portare efficienza alla banca del futuro. Ma l’AI deve essere nutrita con i dati a disposizione. «Le interazioni con tutti i touch point e i cash point della banca – spiega Gaetano Ziri, Innovation Manager di Auriga – generano dati preziosi da analizzare attraverso l’intelligenza artificiale».
L’esperienza personalizzata
L’AI, con algoritmi di machine learning, è in grado di studiare il comportamento degli utenti lungo il customer journey, il loro livello di soddisfazione o, al contrario, il rischio di abbandono. «Inoltre, raccogliendo i dati delle transazioni bancarie e dei movimenti su tutti i touch point, consente di costruire esperienze personalizzate e omnichannel attraverso l’utilizzo di nuove tecnologie e l’abbattimento dei silos interni», chiarisce Ziri.
Dall’assistente vocale al chatbot
L’AI entra poi in filiale, che sia fisica o remota. «Un sistema di assistenza vocale, ad esempio, aiuta il cliente a orientarsi nella filiale in caso di assenza del personale, a trovare il servizio adatto e fornire risposte a domande o problemi. Con effetti positivi sulla conversazione e sull’andamento delle operazioni – assicura Ziri. I chatbot, inoltre, oltre a fornire consigli per la gestione finanziaria, possono essere integrati in soluzioni di sportello digitale assistito, come la soluzione Bank4Me di Auriga, per migliorare la user experience nelle attività di self-service, ridurre le chiamate agli operatori di remote banking e ottimizzare i tempi di supporto, oltre che efficientarne i costi».
Gestione della filiale
Anche i processi interni della banca migliorano grazie ad analisi predittive. «Come la gestione del ciclo di vita dei dispositivi fisici e la filiera di gestione del contante – prosegue Ziri. Nel caso della gestione degli asset, l’AI individua pattern e trend a cui applicare un algoritmo di manutenzione previsionale: tratteggia così scenari d’intervento su ogni asset e sul futuro funzionamento del dispositivo. Invece, nel processo di movimentazione del contante, è possibile partire dai dati di ogni singolo cash point per elaborare un modello predittivo che suggerisce l’andamento di prelievi, versamenti e ricicli. E migliorare il processo di rifornimento del contante per filiale o singola macchina».
Guardare al futuro
Il machine learning è un utile strumento anche per le strategie di business. «L’analisi dei dati è utile anche per le decisioni successive alla concessione di crediti, mutui o altri prodotti e servizi bancari – precisa Ziri. Permette infatti di ottenere previsioni degli eventi futuri (forecasting) tramite il rilevamento precoce degli errori e dei potenziali rischi, come per esempio la previsione del tasso di abbandono (churn prediction)».
La sicurezza intelligente
Infine, l’AI incontra la sicurezza informatica. «L’affermarsi di modelli di filiale sempre più digitali e remoti ha ampliato la superficie di attacco delle banche – conclude Ziri. Gli istituti di credito devono prevedere gli attacchi più insidiosi, e una strategia di AI, basata sulla raccolta e sull’analisi di informazioni provenienti da più fonti, può aiutare a rilevare e contenere i problemi prima che si verifichino. Infine, nel contesto della progressiva digitalizzazione del sistema finanziario, si prevede un più ampio utilizzo dell’AI per facilitare l’onboarding sui canali digitali e la creazione di algoritmi, sistemi e metodologie innovative per la valutazione del rischio finanziario, basati sugli “alternative data” come sulla reputazione digitale del potenziale cliente. Con l’ulteriore obiettivo di una migliore fraud detection e una maggiore inclusione finanziaria».
Questo articolo è stato pubblicato sul numero di maggio 2022 di AziendaBanca ed è eccezionalmente disponibile gratuitamente anche sul sito web. Se vuoi ricevere AziendaBanca, puoi abbonarti nel nostro shop.
