报告分享|展望人工智能银行:当银行遇到AI

共 2512字,需浏览 6分钟

 ·

2022-08-16 00:38

全文链接:http://tecdat.cn/?p=28158

相关视频


报告分享|展望人工智能银行:当银行遇到AI

在2016年内,AlphaGo机器人击败了Shelter Sedol,后者在世界围棋比赛中屡次获胜。时至今日,人工智能(AI)技术已经取得了更长远的进展,为许多行业带来了更深远的变化。麦肯锡估计,AJE技术每年可以为全球银行业创造高达1万亿美元的前期价值查看文末了解完整报告PDF获取方式

另一方面,很多银行只是围绕零星的使用案例进行人工智能研究,这使得它很难实现大型组织的大规模采用。这背后的原因可能是金融机构缺乏明显的AJE战略,核心技术的僵化和投资不足,零散的数据资源,以及过时的运作模式(这阻碍了业务和技术团队之间的合作)。而随着新的大流行加速了数字互动的趋势,金融服务行业已经成为科技领导者要进入的下一个邻近市场。为了竞争和繁荣,传统银行必须成为 "人工智能第一 "的机构,并使用人工智能技术,因为它是建立新价值和独特客户体验的基础。

为了帮助银行领导人简化他们的人工智能金融愿景,并制定一个 "人工智能第一 "的转型路线图,本文探讨了四个问题。

1.银行到底为什么要 "AI优先"?

2.银行的未来之路是什么?

3.哪些因素阻碍了银行大规模部署人工智能?

4.金融机构如何转型成为 "AI第一"?

金融机构为什么要 "AI先行"?

人工智能技术可以提高自动化程度,在适当的机会控制下,提高人类决策的速率和准确性。它们在各行业的价值设计前景是无与伦比的,例如,AJE技术每年为金融业带来1万亿美元的增量价值(图1)。

超过25个使用案例表明,人工智能技术可以通过为客户(和员工)提供更多的个性化服务来推动收入。通过提高自动化程度、降低错误率和提高资源利用率来提高绩效,可以减少开支。此外,AJE技术可以发现新的、未实现的机会,因为更容易接触到大量的数据运行和洞察力(图2)。

更广泛地说,颠覆性的人工智能技术可以在四个方面大大改善银行的功能:利润的提高,大量的个性化,独特的全渠道体验,以及快速的创新周期。金融机构如果不能将人工智能技术置于其战略和功能的重要位置,就有可能被竞争所超越,被客户所抛弃。当前的四个趋势进一步放大了这种风险,包括:随着数字银行的广泛使用,客户的期望越来越高;领先的金融机构稳步增加对先进人工智能技术的使用;数字环境正在创造传统金融的脱媒;科技巨头进入金融服务市场,将其视为核心业务之外的关键领域。

人工智能银行的未来之路是什么?

一个 "人工智能第一 "的贷款人提出的主张和体验应该是:聪明的(推荐最佳步骤,预测关键选择,自动选择或任务),个性化的(实用,及时,基于对客户过去习惯和背景的详细了解),全渠道的(无缝覆盖多种设备,包括物理和在线情况,并提供稳定的体验),并将银行的功能(包括金融背景之外)与相关产品和服务相结合。图3显示了AJE银行如何与零售客户建立全天候的关系,图4显示了一个小公司老板或中等规模企业财务人员的金融体验。

在内部,一个 "人工智能优先 "的组织将通过人工职责的最终软件("零行动 "概念),并通过在贷款人运营的所有部分用卓越的诊断引擎交换或增强个人选择来提高运营效率。改善运营绩效的好处将来自于对传统和前沿人工智能技术应用的投资,如机器学习和人脸识别,以及对大量复杂客户数据的(近乎)实时研究。

未来的人工智能第一银行也将拥有今天的数字原生企业的速度和速率。银行将迅速开拓,在数周内发布新功能,而不是几个月。金融机构还将与恋人广泛合作,提供新的价值主张,涵盖每一个追求、技术平台和数据集,并且是无缝内置的。

参考文献:展望人工智能银行:当银行遇到AI.pdf


点击标题查阅往期内容


PYTHON银行机器学习:回归、随机森林、KNN近邻、决策树、高斯朴素贝叶斯、支持向量机SVM分析营销活动数据|数据分享


左右滑动查看更多


01

02

03

04






报告获取


在下面公众号后台回复“AI银行报告”,可获取完整报告。




点击文末“阅读原文”

了解更多


本文选自《报告分享|展望人工智能银行:当银行遇到AI》。


点击标题查阅往期内容

PYTHON银行机器学习:回归、随机森林、KNN近邻、决策树、高斯朴素贝叶斯、支持向量机SVM分析营销活动数据|数据分享
用PyTorch机器学习神经网络分类预测银行客户流失模型
R语言用FNN-LSTM假近邻长短期记忆人工神经网络模型进行时间序列深度学习预测4个案例
Python中TensorFlow的长短期记忆神经网络(LSTM)、指数移动平均法预测股票市场和可视化
R语言KERAS用RNN、双向RNNS递归神经网络、LSTM分析预测温度时间序列、 IMDB电影评分情感
Python用Keras神经网络序列模型回归拟合预测、准确度检查和结果可视化
Python用LSTM长短期记忆神经网络对不稳定降雨量时间序列进行预测分析
R语言中的神经网络预测时间序列:多层感知器(MLP)和极限学习机(ELM)数据分析报告
R语言深度学习:用keras神经网络回归模型预测时间序列数据
Matlab用深度学习长短期记忆(LSTM)神经网络对文本数据进行分类
R语言KERAS深度学习CNN卷积神经网络分类识别手写数字图像数据(MNIST)
MATLAB中用BP神经网络预测人体脂肪百分比数据
Python中用PyTorch机器学习神经网络分类预测银行客户流失模型
R语言实现CNN(卷积神经网络)模型进行回归数据分析
Python使用神经网络进行简单文本分类
R语言用神经网络改进Nelson-Siegel模型拟合收益率曲线分析
R语言基于递归神经网络RNN的温度时间序列预测
R语言神经网络模型预测车辆数量时间序列
R语言中的BP神经网络模型分析学生成绩
matlab使用长短期记忆(LSTM)神经网络对序列数据进行分类
R语言实现拟合神经网络预测和结果可视化
用R语言实现神经网络预测股票实例
使用PYTHON中KERAS的LSTM递归神经网络进行时间序列预测
python用于NLP的seq2seq模型实例:用Keras实现神经网络机器翻译
用于NLP的Python:使用Keras的多标签文本LSTM神经网络分类



浏览 33
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报