Топ трендов гиперавтоматизации в финансах: эффективность, снижение затрат, борьба с фродом

Гиперавтоматизация позволила финансовым организациям повысить эффективность, сократить затраты и смягчить фрод. Финансовый сервисный сектор полон сложных процессов, транзакций и платежей, связывающих клиентов, покупателей, трейдеров, регуляторов и других стейкхолдеров. Изобилие легаси-систем часто оставляет высокие уровни человеко-зависимого управления процессами, делая автоматизацию критичной для доставки бесшовного клиентского опыта. Гиперавтоматизация в частности стала эффективным инструментом для улучшения эффективности, и в этой статье мы смотрим на крупнейшие тренды, связанные с этой технологией в финансах сегодня.

Действующие интегрированные данные

Большинство финансового пространства часто разбрасывает данные по изолированным силосам, но фирмы начали интегрировать действующие данные в одно место, где гиперавтоматизация может процветать, и где может быть реализован единый взгляд на клиента. Это позволяет финансовым организациям мониторить и адаптировать процессы в реальном времени в соответствии с эволюционирующими требованиями.

«Гиперавтоматизация — это эффективное объединение возможностей, включая машинное обучение, процессный майнинг, RPA, API-интеграцию и интеллектуальную оркестрацию рабочих процессов для замены высоких уровней сложности на 80%+ автоматизацию доставки сервисов клиентам. Ключ к успеху — действующие интегрированные данные», — объяснил Кит Пирсон, глобальный глава финансовых сервисов в ServiceNow.

«Фрагментированные данные и изолированные системы — враги гиперавтоматизации, и технологии дата-лейков не кладут данные, которые они держат, в руки ваших сотрудников в рабочем процессе. Способность быстро интегрироваться с современными и старыми системами, собирая процесс-релевантные данные в одно место, где технологии интеллектуальной автоматизации могут быть эффективно применены, — ключ к доставке действующих автоматизированных рабочих процессов и успешных результатов.

«Слишком многие финансовые сервисные организации продолжают внедрять «пластырь-подход, гибридный технологический подход» для достижения целей автоматизации, неосознанно создавая еще больше технического долга и островов данных».

Сканирование документов

Ключевая задача в финансовых секторах — сканирование клиентских документов, включая удостоверения и банковские выписки. Объем данных в распоряжении организаций в этой сфере складывается и может быть дорогостоящим, но гиперавтоматизация может помочь повысить эффективность, минимизируя затраты.

«Финансовые услуги (FS) — один из самых данных-интенсивных секторов глобальной экономики с огромными объемами клиентских данных для обработки и анализа для документ-ориентированных транзакций», — сказал Пол Магуайр, старший вице-президент EMEA и APAC в Appian.

«Популярное средство сканирования документов с оптическим распознаванием символов (OCR) может быть действительно дорогим, и прогнозируется, что это станет $12.6 млрд индустрией к 2025 году. Однако это требует огромного количества времени на настройку, а также людей, которые должны траблшутить каждый раз, когда форма меняется.

«Гиперавтоматизация подходит к той же проблеме более эффективно, используя роботизацию процессов (RPA) для приведения документов из разных источников в один рабочий процесс и используя ИИ для классификации и извлечения информации из них, таких как чекбоксы и даже рукописные заметки. Когда ИИ обнаруживает ошибку, она может быть автоматически предложена человеку для валидации или коррекции, и даже учиться от этих взаимодействий для улучшения со временем».

Автоматизированная отчетность

Еще один ключевой тренд гиперавтоматизации, срывающий финансы, касается процесса регуляторной отчетности, область, которую Владимир Марчук, архитектор облачных решений в ELEKS, считает, что будет выигрывать от автоматизации чаще в будущем.

«Многие банки, с которыми мы общаемся, уже используют роботизацию процессов (RPA) и когнитивные интеллектуальные технологии», — сказал Марчук.

«Это означает, что ручные задачи могут быть автоматизированы 24/7 с ограниченным человеческим надзором. Мы видим улучшения в качестве данных и человеческие работники могут быть переразвернуты на задачи более высокой ценности. Однако технологии вроде RPA могут не быть полным решением для сквозной регуляторной отчетности, и именно здесь гиперавтоматизация войдет в игру, но это может занять время.

«Полная автоматизация часто сложна и может занимать годы для внедрения, требуя трансформации культуры бизнеса».

Смягчение фрода и ошибок

Марчук продолжил объяснять, как гиперавтоматизация оказалась полезной в смягчении фрода и ошибок сотрудников: «Гиперавтоматизация может значительно снизить финансовые потери из-за фрода, несчастных случаев и ошибок. Согласно исследованию Crowe и Центра по борьбе с фродом Университета Портсмута (CCFS), в 2018 году глобальные потери из-за фрода рассчитывались в $5 трлн — 6% глобального ВВП.

«Гиперавтоматизация, используя RPA и машинное обучение, может решить некоторые из этих проблем. Использование гиперавтоматизации для обработки транзакций эффективно и прозрачно, и генерируемая информация (логи действий) может использоваться машинным обучением для распознавания предиктивных паттернов и трендов».

Фокус на людях

Наконец, стоит отметить, что гиперавтоматизация не может успешно преуспеть без эффективного управления со стороны персонала, и это означает потребность в демократизации данных.

«Иронично, один из крупнейших трендов гиперавтоматизации на самом деле о людях, а не о технологии. Когда вы коммититесь к data-driven, гиперавтоматизированной среде, одно из естественных последствий — взлёт грамотности персонала по данным в каждом отделе — и демократизация данных, с которыми они все чаще ожидается работать», — объяснил Матиас Голомбек, CTO Exasol.

«Revolut — один из лидеров здесь. Компания начала как настоящий цифровой натив, аутентично data-driven, а не использующая данные как более широкую точку отсчета в принятии решений и стратегии. Она видит гиперавтоматизацию как естественную часть управления гиперростом, который она пережила в последние годы.

«Организация поэтому, например, применила data science к каждому отделу, независимо от того, традиционно технологичны они или нет. Её HR-команда, например, должна знать SQL для баз данных: она анализирует процесс собеседования, от задаваемых вопросов до корреляции успеха в определенной роли, и использует эти данные для уточнения процесса каждый раз.

«Последовательно, Revolut делает рабочую чувствительную данные гораздо более доступными для персонала любого старшинства, одновременно повышая планку навыков при использовании этих данных для улучшения производительности».