A cura di Luca Pozzoli, Practice manager Banking & Payments e Valentina D'Amore, responsabile del centro di competenza di Intelligenza Artificiale della practice Consulting Innovation Tech Advisory
Finora le potenzialità legate all’AI (Artificial Intelligence) che portano maggiori opportunità a banche e Istituzioni sono state quelle necessarie a indirizzare fondamentalmente quattro bisogni: engagement dei clienti, automatizzazione dei processi di back office, insights e sviluppo strategico, previsione e riduzione dei fermi operativi dei sistemi.
In riferimento all’automazione dei processi, le esperienze di numerosi provider mostrano come il 20% del lavoro di back office sia fonte dell’85% dei costi operativi relativi ad attività di verifica e redazione di documenti “time consuming” come il compliance reporting o la stesura di dossier e comunicazioni relative al censimento di nuovi clienti.
Dal punto di vista del fermo operativo dei sistemi alcune nostre esperienze mostrano come l’Istituzione finanziaria, con l’introduzione di servizi di manutenzione predittiva, possa aumentare la Customer Satisfaction, ridurre il costo delle attività di supporto e del fermo operativo, raggiungendo nel contempo un aumento della disponibilità e una riduzione dei tempi di inattività dei sistemi che erogano i servizi ai clienti finali.
L’AI, un importante alleato per migliorare i processi e la gestione dei malfunzionamenti delle applicazioni bancarie.
L’Hyperautomation, ovvero l’unione di tecniche di intelligenza artificiale e tecniche di process automation, sembra essere sempre più funzionale all’automatizzazione dei processi di back office quali ad esempio quelli legati alla gestione di attività classificate come “No Business Value Added” o che normalmente richiedono un intervento manuale molto oneroso e ripetitivo, finalizzato ad esempio alle attività di data entry delle informazioni rilevate in moduli compilati a mano.
Questo connubio tra AI e process automation sta trovando un riscontro in soluzioni basate sull’Intelligent Character Recognition, software in grado di “leggere” automaticamente con un’accuratezza di circa il 98%, testi stampati e/o scritti a mano, o strumenti di automazione Human2Machine accoppiati ad altri strumenti di automazione M2M per l’inserimento delle informazioni nelle applicazioni IT.
Questi nuovi sistemi intelligenti permettono non solo di orchestrare il flusso transazionale dalla fase iniziale alla chiusura del processo di inserimento, ma di liberare gli operatori di back office da attività manuali e ripetitive consentendo loro di dedicarsi ad attività a maggior valore aggiunto e creando nel contempo anche un beneficio indiretto sulla Customer Satisfaction.
Un insieme di potenzialità già confermate da analisti fanno prevedere nei prossimi anni una loro applicabilità al 25% degli attuali processi di back office bancari.
La strategia omnicanale ormai dichiarata come la sola perseguibile da tutti i provider finanziari e in particolare la recente trasformazione digitale adottata anche dalla maggior parte delle banche italiane, sta evidenziando la crescente importanza dell'esperienza self service del cliente sia all'interno che all’esterno della filiale (rif. l’aumento dell’utilizzo delle “App” da dispositivi mobili).
In questo processo di transizione della relazione finanziaria da fisica a digitale e l’evidente trend decrescente della presenza nel territorio delle filiali fisiche bancarie, sembra far emergere per il canale self service e in particolare per quello fisico non presidiato (es. ATM) un nuovo ruolo centrale nella relazione con quel segmento di clientela non completamente pronto ad un puro rapporto digitale.
Sembra dunque ragionevole ipotizzare che l’Hyperautomation possa trovare applicazione anche nella manutenzione predittiva dei sistemi self service bancari ed in particolare dello storico canale ATM e dei più recenti sportelli automatici nei quali vi è ormai presente un’evoluzione dell’iniziale operatività riservata alle operazioni di prelievo e pagamento.
In questa azione di presidio del territorio, il funzionamento e la disponibilità H24 degli ATM e degli sportelli automatici diventa cruciale non essendo più sufficiente intervenire reattivamente al verificarsi di un loro guasto in quanto le interruzioni incontrollate impedirebbero ai clienti di fruire dei servizi nel momento in cui ne avrebbero effettivamente bisogno.
A dispetto di queste considerazioni condivise dalla maggior parte delle organizzazioni bancarie è ad oggi ancora rilevabile, nonostante la pianificazione di interventi preventivi, come la gestione del parco applicativo ATM avvenga ancora maggiormente secondo logiche di tipo reattivo (generalmente più del 50% del totale ticket gestiti dalle operation viene aperto a fronte di una segnalazione di malfunzionamenti rilevati presso un ATM della rete bancaria).
Risulta evidente come spostare l’attività di manutenzione da un approccio reattivo (alla rilevazione del guasto) verso uno “attivo” predittivo (secondo l’analisi dello storico dei malfunzionamenti occorsi in determinato intervallo di tempo) modifichi sensibilmente l’approccio che la componente infrastrutturale della Istituzione finanziaria deve “mettere in campo”, ma questo ritardo nell’applicazione di questo nuovo approccio operativo continua ad arrecare una perdita sia economica (legata alle mancate operazioni) che di servizio causate entrambe dai tempi di ripristino e del fermo macchina dell’apparecchiatura. È all’interno del “new normal” introdotto dal COVID-19 e a cui ha fatto seguito una forzata digitalizzazione dei servizi che ci sembra utile segnalare come il canale self service, avendo una forte connotazione territoriale (ATM e filiali non presidiate), possa rappresentare una “palestra” per l’impiego delle più moderne tecniche di AI volte all’identificazione dei potenziali problemi tecnici prima ancora che si presentino, consentendo di interrompere l’attività della macchina ATM per la sola durata dell'azione di manutenzione programmata.
Tra le potenzialità che i nuovi modelli AI sembrano prospettare quello di:
• poter predire la vita media dell’apparecchiatura self service in base all'utilizzo e alla storia del servizio (es: ticket, utilizzo delle parti), possibili fattori ambientali, nonché indicatori di degrado provenienti da sensori ubicati sulle macchine stesse;
• analizzare i dati più critici (log, metriche ed errori) al fine di creare dei pattern (schemi) sui quali effettuare la valutazione predittiva e la classificazione in «probabilità di guasto» in una predeterminata finestra temporale futura.
arrivando a formulare un reale modello di predictive maintenance come evoluzione della manutenzione reattiva e proattiva che consentirebbe alle strutture di operation di banche e Istituzioni finanziarie di ridurre i costi efficentare l’operatività e aumentare la Customer Satisfaction.