Как платежные компании используют ИИ технологии уже сегодня
Искусственный интеллект поднял шум не только в музыке, творчестве и услугах, но и в платежной индустрии. Профессионалы финтеха активно внедряют ИИ в свои процессы и ищут возможности минимизации мануального труда в ежедневных операциях. Это позволяет не только сэкономить, но и поднять эффективность выполнения рутинных задач, обработать больше информации за короткий период времени, и не упустить ничего из виду.
Компьютерный подход прямолинейный и четкий, что действительно удобно в некоторых вопросах, где нет места креативности. Но, конечно, человеческое участие никуда не денется, ведь даже в такой индустрии, как платежи, новые идеи и решения всегда исходят от людей.
Так, что же делает ИИ в сегодняшних платежных процессах и почему это хорошо (или нет)? Давайте разбираться в новой статье от Monoup.
Антифрод системы и мониторинг
Начнем с самого основного «поля», где ИИ сегодня преуспел: это антифрод технологии и отслеживание паттернов транзакций. Такую функцию уже успел реализовать Adyen.
Системы аналитики платежного фрода сегодня могут использовать машинное обучение для оценки риска каждого отдельного платежа и в дальнейшем присваивать баллы каждой транзакции на основе широкого спектра факторов. Это помогает менеджерам по платежам решать, какие пороговые значения риска могут быть и разрешать или отклонять платежи с учетом вероятности, что каждый из них может быть мошенническим. Все это происходит в режиме реального времени и очень быстро. Что, конечно, фактически невозможно при задействовании только человеческого фактора, ведь люди не могут обрабатывать огромные массивы данных быстро и так качественно.
При этом автоматические системы мониторинга существовали уже давно, по этой же самой причине. Основное улучшение, которое привносит сюда ИИ — его возможность «обучаться самостоятельно» и запоминать то, что уже случалось, чтобы использовать новые знания в будущем сразу же. В случае же с обычными автоматизированными системами, их полностью настраивают менеджеры, и чтобы их подход изменился — это нужно настроить вручную. Работа обычных систем завязана на заранее определенных факторах, которые являются статичными пока не будут изменены. Для изменения факторов риска и наблюдения обычно требуются дни или даже недели, когда менеджер проанализирует промежуток времени и примет решение изменить текущие настройки, поскольку в прошлый раз (или несколько раз) они не сработали хорошо.
Обе системы имеют место в сегодняшнем процессинге, но на базе ИИ можно создать более адаптивный вариант антифрода, который будет работать несколько эффективнее. В то же время, нельзя забывать контролировать и настраивать ИИ правильно, чтобы он выполнял нужные задачи; ведь и здесь есть место ошибкам и неверным толкованиям. Например, в сфере АМЛ часто требуется человеческое вмешательство, ведь случаи могут быть совершенно разные и индивидуальные и принять решение с помощью одной лишь автоматики будет крайне сложно.
Чат-боты и поддержка
Один из наиболее популярных вариантов внедрения ИИ не только в платежах, но и в других индустриях это автоматизация поддержки клиентов в чатах. Благодаря этой технологии общение с чат-ботом адаптивное и снижает нагрузку с живой команды поддержки, особенно если речь идет о рутинных запросах по типу поиска транзакции, которые требуют выполнения одних и тех же повторяющихся действий.
Чат-боты на базе ИИ могут изучать пополняемую базу знаний и улучшать качество своих ответов, а также выстраивать диалог с клиентом. Конечно, в ряде сложных проблем и вопросов клиентам важно пообщаться с живым оператором службы поддержки, что пока никуда не девается и все еще опция в большинстве бизнесов. Но, в то же время, качественный переход на автоматизацию массовых одинаковых задач с помощью ИИ это плюс к удовлетворенности клиентов и work-life balance сотрудников. Здесь главное не переусердствовать и не допускать, чтобы клиенты уходили недовольны с нерешенной проблемой. К тому же, мало кому нравится общаться с ботами, ведь сегодня и так остро стоит проблема нехватки общения в реальном мире. Поэтому роботизированная команда поддержки может вызывать негатив. Важно создать правильный баланс автоматических и мануальных ответов, чтобы не перегружать команду, но и не портить опыт клиентов от пользования продуктом. Кстати, компания Klarna уже получила первый опыт от этого внедрения.
Платежный роутинг
В роутинге ИИ тоже делает существенные успехи: аналитика платежей в реальном времени и изменение роутов помогает повышать конверсию и сохранить деньги на комиссиях. Здесь снова-таки основной упор сделан на возможность искусственного интеллекта обучаться и анализировать большие потоки совершенно разной информации одновременно. Человеческий мозг просто не способен обработать некоторые ошибки платежей, без дополнительных данных от эквайера или анализа повторяющихся случаев. При использовании ИИ, можно рассчитывать на получение разных типов информации сразу и принятие взвешенного решения.
ИИ может адаптироваться к изменениям в платежных правилах и регуляциях, уровню устойчивости системы, показателям всех платежных шлюзов одновременно. Это делает инструмент и правда рабочим в направлении качественных платежных роутов, но, чтобы достичь высоких показателей необходимо обучение. Также стоит учесть, что не все способы работы подходят всем бизнесам. Поэтому на сегодняшний день удобно совмещать плюсы автоматических ИИ систем и ручных настроек, чья комбинация поможет нивелировать минусы каждого инструмента и сосредоточиться на плюсах.
Аналитика данных и прогнозирование
В направлении аналитики без систем автоматизации сегодня просто не обойтись. Огромные массивы данных и цифр буквально копятся у бизнеса постоянно. Разобрать этот комок вручную займет время и деньги специалистов, а ручной труд всегда дороже.
Поэтому использование различных баз данных и систем Business Intelligence уже не новинка, а мастхэв. Как тут поможет ИИ? Он снова-таки умеет строить паттерны и обучаться на основе уже полученных данных. ИИ-модели не просто собирают информацию и презентуют ее, они способны делать выводы на основе этой информации и рисовать зависимости. А именно это и нужно современном бизнесу: понимать какие показатели влияют на целевые цифры и как, почему это происходит и в какие моменты жизни продукта. Все это даст направление как развивать бизнес и где его слабые и сильные стороны. Модели прогнозирования на основе ИИ отнюдь не идеальны и не стоит «верить на слово» всему, но взять позитивные наработки точно можно.
В целом, платежная индустрия взяла от ИИ лучшее: возможность кратно усилиться в менеджменте данных и заменить ручной труд там, где он не приносит больших доходов. Платежи — неотъемлемая часть нашей жизни и направить туда ИИ-усилия однозначно верное решение. Многие системы страдают от недостатка операционных возможностей, теряют средства из-за мошенничества или тратят баснословные суммы на обработку данных. Все это теперь можно сделать проще и быстрее, что не может не радовать. Но, как и везде, тут есть свои плюсы и минусы. Среди минусов искусственного интеллекта, в первую очередь ошибки и неточности, которые он может допускать в своей работе. А это значит, что он все еще нуждается в серьезном мониторинге. Кроме того, мы находимся на первоначальном этапе развития этой технологии и уверены, что она изменится в будущем и способы ее применения тоже расширятся.
А вы уже используете ИИ в своей работе?
Будем рады пообщаться на эту тему с вашей компанией в интервью. Напишите нам в Телеграмм или на почту.
