Als een van de Big Five-banken van Canada hanteert de Bank of Nova Scotia een benadering van data, analyse en AI die bedoeld is om klanten beter te begrijpen en van dienst te zijn, zegt Grace Lee, chief data and analytics officer. Haar handvest is om bedrijfsgroei, klantervaring en operationele efficiëntie te bevorderen door het gebruik van AI, machine learning en datagestuurde inzichten bij de bank, beter bekend als Scotiabank.
Er staat veel op het spel om klanten te behouden: Scotiabank heeft meer dan 10 miljoen particuliere, kleine bedrijven en commerciële klanten in Canada, evenals 10 miljoen particuliere en commerciële klanten in Latijns-Amerika, het Caribisch gebied en Midden-Amerika. De bank heeft ongeveer 90.000 werknemers en activa van ongeveer $ 1,2 biljoen.
Scotiabank’s twee gebieden van AI-toepassing
De afgelopen jaren heeft Scotiabank zich beziggehouden met een AI-strategie die erg gericht is op last-mile-uitvoering, zei Lee. “Waar we hebben gezien dat andere organisaties er soms niet in slagen de voordelen van AI en machine learning te benutten, is dat dit niet altijd leidt tot praktische resultaten”, zei ze. “Dus je zult merken dat we het soms ‘blue-collar’ AI of analytics noemen, maar het gaat er echt om ervoor te zorgen dat we de [AI] modellen door de hele weg van begin tot [deployment into] productie.”
En dat betekent dat AI direct is ingebed in bestaande processen en echte voordelen oplevert voor belanghebbenden, zoals het bieden van tijdig advies en gepersonaliseerde aanbiedingen voor klanten, het creëren van een zekere mate van efficiëntie zodat werknemers klanten beter kunnen bedienen, of het in staat stellen van de bank om beter te voorspellen wanneer haar klanten gaan misschien door wat nood, zei Lee. “Er is veel meer dat we kunnen doen om het gedrag en dus de behoeften en voorkeuren van onze klanten actief te volgen en echt te begrijpen”, zei ze.
AI helpt Scotiabank echter niet alleen om de klantervaring te laten groeien en ontwikkelen door ‘beter te weten’, maar ook door ‘beter te kunnen doen’, zei Lee. Het geeft de bank ook de mogelijkheid “AI toe te passen op automatisering, of het nu in een chatbot is of een van de andere intelligente automatisering die we in onze portefeuille zouden hebben”, zei ze.
Als het op implementatie aankomt, is het belangrijk voor AI-teams om te erkennen dat, hoewel AI traditioneel kunstmatige intelligentie betekent, Scotiabank en andere organisaties, vooral in de banksector, het in toenemende mate ‘augmented intelligence’ noemen, zei Lee. Dat komt omdat het echt moet worden ingebed in bestaande processen, wil het de klanten en medewerkers van de bank ten goede komen.
Grace Lee, Chief Data and Analytics Officer van Scotiabank
Scotiabank
“Er is heel weinig dat we echt zouden willen doen dat volledig geautomatiseerd zou zijn zonder enige mate van vergroting en toezicht door een mens,” zei ze. “Dus ik denk dat dat een hele grote les is die we al vroeg hebben geleerd, toen we een beetje meer hadden geprobeerd voor het kunstmatige en niet veel voor het verbeterde. We ontdekten dat de ontvankelijkheid en de impact die het had, hoewel het een zeer geavanceerd model is, niet echt veel opleverde voor onze klanten of onze medewerkers. Dus die co-creatie is super belangrijk.”
AI-gebruikscasussen bij Scotiabank
Scotiabank werkt aan de inzet van natuurlijke taalverwerking (NLP) om een verbeterde klantervaring te bieden. In de eerste fase van het project bouwt de bank een chatbot om elementaire FAQ’s af te handelen, zei Lee. Het is bedoeld om “veelvoorkomende vragen van klanten te beantwoorden” [about] producten en prijzen, [for example,] die worden doorgestuurd naar een live-agent die kan worden beantwoord via een gebruikersinterface die wordt geleid door AI, “zei ze. “We willen onze klanten een meer gemoedelijke ervaring bieden, zodat ze geen minuten of lang aan de telefoon hoeven te wachten om een medewerker te bereiken wanneer hun vraag of vraag relatief eenvoudig is.”
Als de chatbot effectief blijkt te zijn, zou hij niet alleen zorgen voor een betere klantervaring, maar de bank ook efficiënter laten werken door haar klantenservicemedewerkers of andere adviseurs in staat te stellen te werken aan problemen die door mensen moeten worden afgehandeld.
Scotiabank gebruikt AI om de klantervaring op verschillende andere manieren te verbeteren, zei Lee.
Een daarvan is via haar Global AI Platform, gelanceerd in november 2020. Het platform is de infrastructuur waarmee de bank klanten sneller inzicht en beter advies kan bieden door machine learning te gebruiken om op hun behoeften te anticiperen en deze te begrijpen. “We hebben een on-premises component en we hebben een cloudcomponent die snel groeit. En dat is waar we het analysewerk daadwerkelijk uitvoeren en de gegevens die ondersteunen onderbrengen [our] AI-oplossingen”, zegt Lee.
In januari 2021 heeft Scotiabank een nieuwe AI-inspanning uitgerold, het Strategic Operating Framework for Insights and Analytics (SOFIA), een AI-tool die is ontworpen om de bank te helpen beter te begrijpen welke particuliere en commerciële klanten zullen worden getroffen door economische onzekerheid en hoe ze hen kunnen bedienen door cashflow voorspellen.
Vervolgens lanceerde Scotiabank in februari 2021 C.MEE. C.MEE gebruikt AI en big data om de klantervaring verder te verbeteren. Met behulp van het Global AI Platform analyseert C.MEE gegevens over alle klantcontactpunten om het meest relevante advies te identificeren dat het aan een specifieke klant kan geven, en levert dit vervolgens via hun voorkeurskanalen.
Door signalen van de activiteiten van de klanten op te nemen, leert en begrijpt C.MEE voortdurend meer over hun financiële gedrag en waar ze zich in hun leven bevinden, waardoor de relevantie van het advies wordt verbeterd, zei Lee.
In al deze projecten: “AI zorgt voor meer efficiëntie en beter inzicht en informatie via ons personeelsbestand en zorgt ervoor dat, ongeacht hoeveel iemand besluit om een ondersteund kanaal te gebruiken of niet, ze een veel meer op maat gemaakte, persoonlijke en relevante reeks aanbiedingen of diensten.”
Organisatiestructuur Is de sleutel tot AI-adoptie
Een van de belangrijkste redenen waarom Lee zei dat de AI-strategie van Scotiabank werkt, is vanwege de manier waarop de bank organisatorisch is gestructureerd, waarbij de belangrijkste gegevens- en analyseleiders rapporteren aan een gemeenschappelijke leidinggevende.
De bank heeft ook een toegewijde CIO die is afgestemd op die functie en die verantwoordelijk is voor het wereldwijde data- en analyseplatform. Deze persoon dient ook als het kanaal van de bank naar de andere CIO’s in de hele organisatie, dus wanneer de bank AI in verschillende technologieën of processen moet integreren, is er iemand die kan optreden als de ‘tolk’, zei Lee.
Deze toegewijde CIO “zou ook trouwen met de legacy-systemen die we over de hele bank zouden kunnen blijven zien met onze modernere hybride infrastructuur en modernere mogelijkheden die naast een AI-engine of een AI-model zouden komen”, zei ze. Die persoon “helpt ook bij het stellen van die vereisten op een manier die zowel het oude als het nieuwe in evenwicht houdt en zorgt ervoor dat we de juiste afwegingen maken om enige impact te hebben voor onze klanten en voor onze medewerkers.”
Scotiabank’s driepotige kruk van gegevens, analyses en technologie voor AI
Deze driepotige kruk van gegevens, analyses en technologie is van cruciaal belang geweest voor de acceptatie van AI door de bank, zei Lee. “Het is minder een kwestie van bekwaamheid en meer van een operationeel model, maar het heeft ons heel goed gediend om ervoor te zorgen dat we praktisch maar ook ambitieus en [that AI is] worden geïntegreerd in die technologieteams en ervoor zorgen dat we de juiste datapijplijnen hebben gebouwd om het duurzaam te maken, “zei ze. “We hebben onze [AI] modellen op een manier die beide dingen respecteert. Het is echt een echt partnerschap tussen die drie groepen.”
Omdat Lee’s team zo’n enorme hoeveelheid gegevens nodig heeft om deze AI-modellen en op AI gebaseerde processen te bouwen, is deze “handdruk” tussen gegevens en analyse uiterst belangrijk om ervoor te zorgen dat, wanneer het team behoeften heeft vanuit een AI-modelleringsperspectief, ze worden samengevoegd op de heup met datapartners en afgestemd op de prioriteiten van welke datapijplijnen moeten worden gebouwd. Deze teams werken samen om ervoor te zorgen dat de analyseteams over de hele bank toegang hebben tot hoogwaardige, goed beheerde gegevens, zei Lee.
“We zijn in het verleden een paar keer tegengekomen omdat we AI probeerden te doen zonder die samenwerking met data”, zei ze. “Vanuit het perspectief van de beschikbaarheid van gegevens kunnen we misschien genoeg gegevens verzamelen om het model in de eerste plaats te bouwen. Maar in termen van het onderhouden ervan en het kunnen gebruiken voor voortdurende procesautomatisering of marketingautomatisering of wat dan ook, dat werd zo’n resource-intensief, moeilijk, foutgevoelig proces.”
Scotiabank leerde die les op de harde manier: door een aantal vroege mislukkingen. Wat begon als een geweldig idee en iets waar Lee’s team van mening was dat een model gebouwd kon worden, bleek onhoudbaar vanuit het oogpunt van instandhouding en uitvoering. Maar “door beter samen te werken met data en technologie, worden analytische modellen opeens niet alleen bouwbaar, maar ook duurzaam”, zei ze.
