通过 AI 和自动化让您的数据有意义

金融服务中AI、ML和数据扩展的预测 Overview 在本报告中，阿伯丁研究的金融服务公司类别包括以下方面的受访者： 金融服务公司经历了管理不可预测的市场和不断扩大的数据足迹的挑战。在这些斗争中，他们并不孤单，从他们的行业同行以及面临同样逆风的公司那里可以吸取一些教训。本报告旨在阐明一些在市场上看到积极成果的选择，并为确定哪种方法可能适合您的组织提供指导。 ►银行业务-零售、全球和商业/投资►Credit►保险►个人理财►风险资本►其他金融服务 在金融服务行业（并非）总是阳光明媚 对于金融服务行业的公司来说，这是有趣而具有挑战性的时期。一方面，自大流行开始以来，盈利能力已经反弹，这当然是积极的。另一方面，通货膨胀率处于十年来从未见过的水平，自然灾害导致一些保险公司退出某些地区，高利率影响了购房者，导致贷款来源下降。在最近的过去，还有多家银行倒闭的幽灵，以及对是否还会有更多银行倒闭的担忧。 在这种环境下，这些公司面临的问题是，在传统上规避风险的行业中，他们如何能够更好地预测、规划和应对大规模的变化，而不会影响数据的可见性和安全性。初步调查结果暗示，数据管理，人工智能（AI）和机器学习（ML）的进步可能在金融服务的下一步中发挥关键作用。要开始我们对这些主题的探索，让我们从高层开始，从那里开始工作。 纽约大学斯特恩商学院的数据类别包括在我们的金融服务类别中进行分析： ►银行-货币中心和区域►经纪和投资银行►保险-一般，人寿，财产和意外伤害，再保险►投资和资产管理►其他金融服务 全球气候：设定经济背景 从一个积极的方面开始，金融服务公司的盈利能力自COVID - 19大流行开始时的温和低迷-以及自2016年经济不确定性导致的更大规模的低迷以来出现反弹。如下图1所示，金融服务行业的非保险部分在全球范围内保持各自的净利润率，自2017年以来每年达到或超过15%。虽然没有达到相同的高度，但不同保险分组的组合表现（见侧栏）同样一致。 虽然阿伯丁没有特别询问“支付相关公司“，他们可能属于”其他金融服务“类别，使本报告与更广泛的金融业参与者相关。 不幸的是，并非所有趋势都是积极的。以美国为例，我们可以看到利率（如图2所示，以联邦基金有效利率为例）急剧上升到十年来未曾见过的水平，尽管大大低于近期历史上的其他峰值。这些不断上升的利率是对持续通货膨胀的反应，通货膨胀是由供应限制(例如Procedre、环境事件、供应链中断、原材料短缺、地缘政治不稳定)进入强劲的劳动力市场，推动需求增加。随着美联储利率的提高，相关的增加。 消费者可变信贷利率，可能限制基于信贷的购买，并改变持有未偿余额的借款人的风险状况。 图2：联邦基金有效利率随时间变化（美国） 资料来源：联邦储备系统理事会（美国）2 While higher interest rates are typically associated with higher FSI profits, thisincrease has the negative side effect of making consumer mortgers more expensive.As financing rates go up, we have seen mortgage 自2021.3年第三季度以来，初始利率逐季下降，对于金融服务公司来说，这无疑是一个喜忧参半的问题，在其他地方，对基于消费信贷的收入来源可能会带来福音。正是这些复杂因素使得预测、规划和分析对于金融公司(和一般企业)来说如此重要，才能经受住尚未到来的风暴。 如果这些是影响金融服务公司的高层条件，那么它们日常运营的实际情况是什么？ 每个城市都有自己的预测 为了对每家公司的未来施加某种形式的控制，高管需要找到一种途径，不仅要了解他们的当前状况，还要了解未来不同事件和趋势的可能性。我们的第一个想法可能是简单地查看“数据”，但随着我们深入挖掘，看似简单的行为变得越来越复杂。无论是通过收购，分散管理（和采购），还是过去的技术限制，许多公司都看到拥有潜在有价值数据的业务系统的数量随着时间的推移而不断扩大。更糟糕的是，我们大多数人不太可能会出现这样一种情况，即所有这些不同的系统都恰好使用相同的基础数据模型，这将使集中化行为不再那么令人头疼。 这可能会使天气隐喻有些紧张，但这种情况就像每个城市都有自己的预测一样，对其信息的解释和分类方式略有不同：对于每个城市只有一个预测可以咨询的人来说，这完全可以。但是对于那些在家庭办公室试图全面了解整个组织的人来说，很难精心策划。以这种方式构建问题可能使它看起来是一个无法克服的挑战。虽然这当然不容易，但也是。 3纽约联邦储备银行研究和统计小组，2023年家庭债务和信贷季度报告：第二季度，可在https: / / www. newyorkfed. org / microeconomics/ hhdc / background. html上获得。 可能有仔细的计划、熟练的技术资源和执行支持(例如资金)。 在询问我们需要什么数据之前，最好先定义我们希望实现的目标，以便在定义数据迁移和集中化策略时，让我们专注于哪些源应该优先。 在检查对我们最近的2023年业务管理和企业资源规划基准调查的回应时，很快就会发现金融服务公司对客户关系的奉献精神。这些金融服务公司面临的最大压力是他们（及其竞争对手）在市场上的看法。同样，他们计划的首要战略行动是“专注于服务和增长客户。“无论是银行还是保险，商业还是消费者，本地还是全球，关系和客户满意度都会推动他们对改善流程，产品和技术环境的兴趣。 如果他们将自己的目标定义为更好地为客户提供服务并巩固其在市场中的地位，那么要解决的自然问题是他们将对此做些什么？在他们的列表的顶部有两个项目，一个是关于优先级的，另一个是关于投资的：专注于服务和不断增长的客户and使他们的技术基础设施和应用现代化从本质上讲，改善他们的客户关系是指导决策的北极星，而使他们的技术现代化是朝着这个方向发展的最受欢迎的选择。 技术变革的一个有希望的选择是通过将企业管理应用程序过渡到云来协调系统和数据。虽然这似乎是一个合理的选择，但让我们看看这项研究是否能稍微揭示这种方法的潜在好处和缺点。 通过向云看风 为了更好地了解企业管理解决方案的云部署可能提供的功能，我们将稍微改变我们的观点，并通过为每个受访者的主要企业系统选择的部署选项来查看相同的调查数据。4为此，我们将重点关注两个关键领域:他们报告的哪些重要的数据相关功能比其他功能更频繁，以及他们在哪些指标上优于其他指标。 这些数字描绘了在仍在进行中的业务环境中设定的有希望的趋势。在云解决方案成熟的这一点上，我们不能说它们已经使托管或本地解决方案过时了。但是，我们可以看到一些裂缝开始显现， 4重要的是调出这方面的研究。虽然这些类别是由其主要企业系统的部署方法定义的，但我们必须承认，很少有公司— —尤其是中小企业市场以外的公司— —只有一个系统。这是数据扩散问题起源的很大一部分。事实上，超过三分之一(38.5%)的响应公司目前有五个以上的不同版本或实例正在运行。不幸的10.8%有二十多个。 特别是在关于数据共享、数据访问和吸收行业特定的最佳实践融入系统的领域。这是我们希望建立的基础，所以当我们在顶部添加分析层时，我们可以访问最重要的数据，以帮助实现我们的既定目标。 当我们查看各种指标的绩效时，我们看到的情况与上述能力相似。5每种部署方法的公司都报告了关键指标的积极改善，例如盈利能力，决策时间以及现金到现金的周期时间。在某些领域，基于云的企业部署只是进一步完成。这并不完全令人惊讶，因为选择云部署选项的公司通常将其视为整合和集中系统的机会。 这缓解了一些数据扩散问题，这是一个更加分散的景观特有的。 我们已经覆盖了猫，但是狗呢？ 我们一开始就有两个难题：第一，如何改善我们对数据的访问和可见性，第二，我们如何利用这种改进的访问来做出更好的业务决策。简单的第一步是说，我们正在寻找某种形式的分析来理解事物。由于企业分析是一个如此广泛的领域，它将有助于深入一点。为此，我们可以从我们最近的人工智能在企业中找到：2023年的人工智能状况调查。 从人工智能调查的数据中，我们看到了与先前讨论的ERP响应的相似之处。6金融服务公司专注于客户关系和效率。通过在金融服务组织中实施人工智能，已经实现的最大两类好处是提高流程效率(56.3%)和客户满意度(50%)。当然，当我们正在讨论负责管理和保护大量消费者和企业财务数据的受监管行业时，金融服务公司中最常被引用为AI解决方案的第一个采用者的部门是网络安全。它也是金融服务受访者最常引用的用例，是影响最大的顶级运营用例之一。 为了将这些最终点联系起来并结束分析，我们转向分析。在我们的调查中，我们向回应公司询问了许多不同的AI当前或潜在用例。金融公司中一些非常受欢迎的选择隐含地涵盖了数据分析，例如风险评估（80％目前正在使用或计划实施），欺诈检测（73.3％）以及销售和运营计划（66.7％）。有些在非金融公司中更受欢迎，有些则不那么受欢迎。在我们调查的所有不同用例中，每个人都看到5%到13%的受访者表示他们只是不相关，或者他们没有被探索。 除了一个：商业分析。在所有用例和所有响应公司（包括财务和非财务公司）中，每个公司目前都在使用，计划实施或积极探索人工智能在其企业业务分析计划中的应用。这当然是一个可以理解的现象：当我们处理不同的系统和孤立的数据时，需要一些工具来帮助我们理解这一切。一些任务将涉及数据收集和组装的自动化，这也恰好是人工智能第二大被引用的高影响力用例。人工智能在分析中的直接应用。 6 Aberdeen的AI调查收集了2023年7月19日至8月7日之间的回复。今年早些时候，ChatGPT广泛出现在新闻中，尽管在向最终用户提出这些问题时，对其功能的审查和怀疑已经开始浮出水面。 过程也参与了从描述性到预测性再到说明性分析的持续演变。 未来的预测 总结一下目前的情况，金融服务公司面临着市场和技术挑战。一个大的斗争，无论是由于收购还是分权，是分散的企业管理系统和分散的企业数据格局的积累。转向基于云的企业系统有可能将一些碎片化的数据重新整合在一起，扩大可用数据池，这些数据可以通过高级分析解决方案进行查询，以帮助高管更好地了解和规划未来的突发事件。 我们仍处于这些技术的早期阶段。云计算当然更加成熟和广泛，但AI / ML已经开始广为人知，要么增强现有系统的功能，要么形成全新系统的支柱。没有一个决定适合所有人。然而，当你自己评估这些选项时，有一些重要的事情需要记住： ▶首先是结果，然后是方法。没有缺乏数据源，也没有即将出现的新解决方案产品的明显终结。做出适合您组织的选择意味着将只有在此基础上,你才能做出明智的决定,决定哪种解决方案最能满足你的具体数据管理和分析需求。 ▶寻找合作伙伴，而不仅仅是供应商。当我们询问受访者选择企业时，他们最重要的标准是什么 管理供应商，就在“易用性”和“软件成本”的共同答复之后，是现场支持的专业服务和电话支持的技术服务的质量和可用性。他们还报告说，他们在计划的选择阶段发现了外部顾问的最大价值。 确保你知道哪些资源是(或可以是)对你可用的，并利用这些资源从技术和关系的角度找到最适合你的组织。 ▶睁大眼睛。尤其是在AI和ML领域，正在推出解决方案，并以几乎令人恐惧的速度开发新的用例。很难保持最新的 创新，即使对于我们这些比大多数人投入更多时间的人来说也是如此。但是，您可以肯定的是，随着用例的证明和价值的实现，您将听到它。密切关注市场上的分析师和供应商。特别是对于我们中更厌恶风险的人来说，客户故事(如果可能的话，还有参考资料)可以大大有助于缓解一些最初对解决方案适合性和可行性的担忧。 相关研究 ▶最佳专业商业服务管理；2023年7月▶重新思考规划和资源优化：向EMEA地区一流的专业和商业服务公司学习，为未来做好准备；2022年7月▶云ERP：财务和会计敏捷性背