Maaaring makatulong ang AI sa mga koponan ng brokerage na malaman kung bakit nagbago ang pagganap, kung aling mga kliyente ang nangangailangan ng tulong, at kung ano ang susunod na hakbang. Maaari itong pagsamahin ang isang paliwanag ng bumabagsak na mga deposito, makahanap ng paulit-ulit na problema sa pagbabayad, o maghanda ng tugon sa suporta mula sa kasaysayan ng account. Ang mga empleyado pa rin ang nagpasya kung anong aksyon ang dapat gawin.
Isipin ang isang medyo karaniwang Lunes ng umaga. Mukhang maayos ang mga rehistrasyon. Ang mga unang deposito ay bumaba. Sinasabi ng marketing na walang pagbabago sa trapiko, walang iniulat na insidente ang mga pagbabayad, at may ilang reklamo ang suporta na walang nakakonekta hanggang ngayon.
Mayroon dapat na mag-ipon ng mga piraso na iyon. Isang kapaki-pakinabang na lugar ito upang magsimula sa AI sa mga operasyon ng brokerage. Bigyan ito ng access sa tamang mga tala, magtanong ng tiyak na katanungan, at ipakita ito ang ebidensya sa likod ng sagot.
Maaari mong gamitin ang iyong natutunan sa natitirang bahagi ng negosyo: ayusin ang isang problema sa pondo, muling isaalang-alang ang isang kampanya, ipaliwanag ang katayuan ng isang account, o pagbutihin ang isang nakakalito na bahagi ng platform. Ang halaga ay nagmumula sa pagkakaroon ng trabaho na natapos nang mas maaga at may mas kaunting pagkakamali.
Bakit Mas Malaki ang AI sa Brokerage Kumpara sa AI Trading
Kapag nag-uusap ang mga broker tungkol sa AI, madalas na napapadpad ang usapan sa mga signal, algorithm, at mga prediksyon sa merkado. Ngunit ang isang brokerage ay mayroon ding acquisition team, cashier, proseso ng beripikasyon, at mga tao na sumasagot sa mga kliyente buong araw. Maraming kapaki-pakinabang na tanong ang dapat sagutin doon.
Maaaring tanungin ng isang tagapamahala ng produkto kung aling bahagi ng pagpaparehistro ang nagiging problema sa mobile. Maaaring nais malaman ng finance kung bakit tumaas ang kita sa bawat nagbabayad na kliyente habang bumaba ang kabuuang kita. Ang isang affiliate manager ay maaaring kailanganing ipaliwanag kung bakit ang mga referral ng isang kasosyo ay tumigil sa pagiging mga funded accounts.
Marami sa mga gawaing ito ang kinabibilangan ng paghahanap ng impormasyon, paghahambing nito, at pagsuri sa mga posibleng paliwanag. Makakatulong ang AI sa bawat isa sa mga tungkuling iyon. Ang isang modelo ng wika ay makakapagpaliwanag ng isang tanong o makakapagbuod ng isang pag-uusap. Ang isang modelo ng pagsasagawa ay makakapagtantya ng isang saklaw ng mga hinaharap na kinalabasan. Dapat pa ring kalkulahin ng batayang sistema ng pag-uulat ang mga numero.
Ang ilang automation ng brokerage ay mas simple kaysa diyan. Ang pagpapadala ng kumpirmasyon pagkatapos ng isang napatunayang kaganapan ay maaaring sumunod sa isang tiyak na tuntunin. Hindi mo kailangan ng modelo upang magpasya kung nangyari ang kaganapan. Ang AI ay kumikita ng kanyang lugar kapag ang tanong ay nangangailangan ng interpretasyon o ang ebidensya ay nak散atter sa mga ulat at pag-uusap.
Paggawa ng Data ng Brokerage Bilang Mga Sagot sa Negosyo
Magsimula sa isang tanong na karaniwang tinatanong ng iyong koponan. Bakit bumaba ang mga paunang deposito noong nakaraang linggo? Saan nagmula ang mga karagdagang tiket ng suporta? Aling mga pinagkukunan ng acquisition ang patuloy na nag-aambag pagkatapos ng kanilang mga gastos?
Ang isang kapaki-pakinabang na sagot ay nangangailangan ng higit pa sa isang talata na nagpapaliwanag na bumaba ang pagganap. Dapat itong ipakita ang mga petsa na ikinumpara, ang depinisyon ng sukatan, ang mga grupong responsable para sa paggalaw, at anumang nawawalang datos. Dapat mong ma-access ang batayang ulat at muling ipakita ang kabuuan.
Quadcode AI Analyst sumusuporta sa ganitong uri ng trabaho sa pamamagitan ng mga tanong sa simpleng wika, pagbibigay ng detalye ng mga sukatan, pagtukoy ng mga anomalya, at mga pagtataya. Ang nakatalang saklaw nito ay kinabibilangan ng FTD, LTV, ARPPU, P&L, pagganap ng pagbabayad, konbersyon, at mga channel ng marketing. Maaaring suriin ng mga koponan kung aling mga bansa, tatak, o pinagkukunan ang nag-ambag sa isang pagbabago, at pagkatapos ay mag-follow up gamit ang mas tiyak na tanong.
Mayroong isang pagkakaiba na dapat isaisip. Ang pagtuklas na ang isang channel ang nagkukuwenta para sa karamihan ng pagbagsak ay nagsasabi sa iyo kung saan ka dapat mag-imbestiga. Hindi nito pinatutunayan na ang channel ang sanhi ng problema. Ang isang pagkaantala sa pagbabayad na nakakaapekto sa kanyang madla ay maaaring makabuo ng parehong resulta tulad ng mahina na trapiko.
Bago kumonekta ng isang katulong, magkasunduan sa mga talaan na dapat nitong pagkatiwalaan. Kung ang iyong brokerage CRM ay nagpapakita ng natapos na deposito ngunit ang talaan ng pagbabayad ay nagpapakita pa ring pending, ang hindi pagkakaunawaan na iyon ay kailangang lutasin. Ang isang nakakapaniwalang paliwanag ay hindi gagawing tama ang alinman sa mga talaan.
Pagtukoy ng mga Pagbabago sa FTD, LTV, Kita, at Conversion
Ipagpalagay na ang dalawang lingguhang grupo ng mga nag-signup ay nagbigay ng mga sumusunod na resulta. Ang bawat kliyente ay may parehong pitong araw na bintana ng pagmamasid. Ang mga numerong ito ay halimbawa lamang, hindi mga resulta mula sa Quadcode o mga benchmark sa industriya.
| Yugtong Naabot Sa Loob ng Pitong Araw | Naunang Grupo | Sumunod na Grupo |
|---|---|---|
| Nakarehistrong kliyente | 2,000 | 2,000 |
| Kliyenteng naaprubahan sa pamamagitan ng KYC | 1,200 | 1,200 |
| Natanging kliyente na nagtangkang magdeposito | 800 | 800 |
| Kliyenteng may unang matagumpay na na-credit na deposito | 600 | 480 |
| Nagtangkang kliyente na naging pondo | 75% | 60% |
Ang FTDs ay bumaba ng 20%, kahit na ang mga pagpaparehistro, pag-apruba ng KYC, at ang bilang ng mga taong sumusubok na magdeposito ay nanatiling pareho. Ang agarang imbestigasyon ay nakatuon sa pagkumpleto ng pondo. Ang pagbili ng mas maraming trapiko ay magdadala ng karagdagang tao sa hakbang na nahihirapan na.
Ang huling hilera ay sumusukat sa mga tao, hindi sa mga transaksyon. Maaaring subukan ng isang kliyente nang maraming beses. Ang rate ng pag-apruba ng transaksyon ng isang tagapagbigay ng pagbabayad ay gumagamit ng ibang denominator, kaya’t kinakailangan ng magkahiwalay na label ang dalawang ulat.
Hilingin sa katulong na ihiwalay ang mga nawalang conversion batay sa paraan ng pagbabayad, bansa, aparato, at pinagmulan ng pagkuha. Pagkatapos ay suriin ang mga estado ng pagbabayad at mga pagkaantala sa pag-uulat. Ang ilang mga kliyente ay maaaring nagkaroon ng mga nabigong pagbabayad; ang iba naman ay maaaring naghihintay pa rin na dumating ang mga pondo.
Ang parehong pag-aalaga ay mahalaga sa ibang mga sukatan. Ang LTV ay nangangahulugang lifetime value, ngunit ang isang hula para sa isang bagong grupo ay iba sa halagang nakuha na. Ihambing ang mga kliyente sa parehong edad at ipakita kung aling mga gastos ang kasama. Sa ARPPU, o average revenue per paying user, tukuyin kung ano ang itinuturing na kita at sino ang kasama sa denominator.
Maaaring tumaas ang ARPPU dahil lamang sa pag-alis ng mga kliyenteng may mababang kita. Maaaring mangyari ito habang bumababa ang kabuuang kita. Ang P&L ay nangangailangan din ng isang malinaw na may-ari: ang resulta ng brokerage at ang mga resulta ng pangangalakal ng mga kliyente ay magkaibang sukatan. Ang deposito mismo ay pondo ng kliyente, hindi kita ng brokerage.
Praktikal na tala: Sumang-ayon sa mga depinisyon na ito sa pananalapi bago subukan ang mga paliwanag ng AI. Kung hindi, maaaring gumugol ang mga tao ng isang pulong na nagtatalo tungkol sa isang halatang problema sa negosyo na nagmumula sa dalawang ulat na nagbibilang ng magkaibang bagay.
Nagsisimula ang tagas pagkatapos ng pagtatangkang deposito.
Ang mga unang hakbang ay nag-uugnay. Ang pagkakaiba ay lumalabas lamang kapag ang unang deposito ay dapat na ma-kredito.
Hatiin ayon sa pamamaraan ng pagbabayad, pagkatapos ay suriin ang estado ng pagbabayad at pagkaantala sa pag-uulat. Ang tsart ay nag-uugnay sa pagbabago; hindi nito pinatutunayan ang sanhi nito.
Paghahanap ng mga Hadlang sa Paglalakbay ng Kliyente
Ang brokerage onboarding funnel ay tumutulong sa pagtukoy ng problema. Ang mga kaganapan sa account at mga pag-uusap ng kliyente ay tumutulong upang ipaliwanag kung ano ang nangyari doon.
Kunin ang pagbaba ng pondo sa itaas. Maaaring ito ay nakatuon sa isang bersyon ng mobile app. Ang susunod na kapaki-pakinabang na mga tseke ay ang petsa ng pagpapalabas, ang screen ng pagbabayad, at ang mga kasaysayan ng transaksyon ng mga naapektuhang kliyente. Kung nakatanggap din ang suporta ng mga ulat tungkol sa isang confirmation button na huminto sa pagtugon, mayroong konkretong bagay na maaring ulitin.
Maaaring dalhin ng AI ang mga obserbasyong iyon sa parehong imbestigasyon. Maaari nitong ihambing ang naapektadong grupo sa iba pang bersyon ng app at ibuod ang mga kaugnay na tiket. Kailangan pa ring subukan ng koponan ang pinaghihinalaang pagkakamali bago ito tawaging sanhi.
Partikular na kapaki-pakinabang ito kapag ang isang yugto ng funnel ay nagtatago ng maraming karanasan. Ang KYC na naaprubahan ngunit walang pondo ay kinabibilangan ng mga tao na hindi pa sinubukan magdeposito, mga taong nabigo ang kanilang pagbabayad, at mga taong may nakabinbing transfer. Ang bawat isa ay nangangailangan ng iba’t ibang tugon.
Ang mga kaganapan ay dapat na sapat na tumpak upang suportahan ang pagkakaibang iyon. Ang pagbubukas ng isang pahina ng pagbabayad ay hindi isang pagtatangkang magdeposito. Ang pagbubukas ng isang tiket ng order ay hindi isang kalakalan. Ang nawawalang kaganapang pagsubaybay ay hindi katibayan na ang kliyente ay iniwan ang gawain.
Kapag inayos na ng koponan ang isang bagay, ihambing ang mga rate ng pagkumpleto sa loob ng katumbas na panahon. Isama ang mga contact sa suporta at ulitin ang mga pagkabigo. Ang mas magandang tsart ay mas nakakapaniwala kapag ang mga naapektuhang kliyente ay makakakumpleto ng hakbang at tumigil sa paghingi ng tulong.
Pagpapabuti ng Pagsusuri sa Marketing at Paghahati ng Badyet
Kailangan ng mga koponan sa marketing na malaman kung ano ang naidulot ng kanilang gastos matapos ang pag-signup. Maaaring makatulong ang AI na pagsamahin ang gastos sa acquisition, mga funded na account, mga gastos sa serbisyo, at kita sa isang paghahambing na talagang magagamit nila.
Isaalang-alang ang isang hiwalay, pinadaling halimbawa na may dalawang grupo na sinukat sa ikaanimnapung araw. Lahat ng mga numero ay nakalarawan:
- Ang Source A ay nagkakahalaga ng $30,000 at nagdadala ng 200 na pondo na kliyente. Ito ay bumubuo ng $22,000 na kita mula sa brokerage at $4,000 na iba pang direktang gastos.
- Ang Source B ay nagkakahalaga ng $24,000 at nagdadala ng 120 na pinondohan na kliyente. Ito ay bumubuo ng $27,000 na kita mula sa brokerage at $3,000 ng iba pang direktang gastos.
Ang Pinagmulan A ay may mas murang gastos sa pagkuha bawat pinondohan na kliyente: $150 kumpara sa $200. Ngunit ang kontribusyon nito pagkatapos ng pagkuha at ang tinukoy na direktang gastos ay negatibong $12,000. Ang Pinagmulan B ay umaabot sa zero sa parehong batayan.
Walang kahit anong resulta na nagpapatunay na kumikita ang negosyo. Nananatili ang mga fixed cost, at maaaring kumita ng higit pa ang mga cohort sa hinaharap. Gayunpaman, ang paghahambing na ito ay nagbibigay sa marketing manager ng mas magandang batayan para suriin ang paggastos kaysa sa gastos bawat unang deposito lamang. Iyon ang dahilan kung bakit ang economics ng brokerage unit ayon sa cohort ay nararapat sa isang talakayan tungkol sa pagkuha.
Maaaring ihanda ng katulong ang paghahambing, itampok ang mga nawawalang gastos, at ipakita kung ang resulta ay nananatili sa loob ng parehong merkado at produkto. Bago itaas ang gastos, suriin kung ang halatang bentahe ay nakasalalay sa ilang hindi pangkaraniwang mahalagang mga account o isang hindi napatunayan na pagtataya ng LTV.
May mga hangganan din ang attribution. Ang huling-click na pag-uulat ay nag-aassign ng kredito sa ilalim ng napiling patakaran; hindi nito itinatag na ang isang advertisement ay nagdulot ng bawat nakarehistrong attribution. Ihambing ang mga modelo ng attribution kung saan kapaki-pakinabang, at gumamit ng mga kontroladong pagsusulit kapag praktikal.
Suriin din pagbabago ng pagbabayad bago sisihin ang isang affiliate sa mahinang pagpopondo. Kung ang isang lokal na paraan ay naging hindi magagamit, ang pagbabago ng pinagkukunan ng trapiko ay hindi ito maaayos.
Paggamit ng AI para sa Pagsusuri ng mga Trader
Maaari kang magsimula ng segmentation ng trader gamit ang mga ordinaryong patakaran ng account. Ang isang taong naghihintay para sa pagsusuri ng dokumento ay kabilang sa ibang daloy ng trabaho kumpara sa isang taong may nakumpirmang nabigong pagbabayad.
Nagiging kapaki-pakinabang ang AI kapag mas mahirap makita ang pattern. Maaaring ilarawan ng mga kliyente ang parehong problema sa iba’t ibang wika o gamit ang iba’t ibang salita. Maraming maliliit na grupo ang maaaring magbahagi ng isang problema sa isang ruta ng pagbabayad. Ang mga tao na nagbubukas ng isang partikular na artikulo ng tulong ay maaaring patuloy na makipag-ugnayan sa suporta dahil hindi ito sumasagot sa kanilang tanong.
Ang mga natuklasan na iyon ay maaaring magmungkahi ng isang bagong grupo ng serbisyo. Sinusuri ng mga tauhan kung ang grupo ay may katuturan, kung anong tulong ang kailangan nito, at kung kailan dapat magtapos ang pagiging miyembro. Ang isang label ay hindi dapat sumunod sa isang kliyente pagkatapos na malutas ang problema.
Maging maingat sa ipinapalagay na layunin. Ang nabawasang aktibidad ay hindi nagsasabi sa iyo kung bakit huminto ang isang tao. Maaaring sila ay abala, naghihintay para sa isang pag-withdraw, hindi nasisiyahan sa suporta, o pinipiling magpahinga. Ang isang deskripsyon na ginawa ng AI tungkol sa kanilang posibleng motibasyon ay isang hula pa rin.
Panatilihin ang mga pahintulot at mga limitasyon sa account sa mga tahasang patakaran. Ang marketing score ay hindi dapat magbago kung aling mga produkto ang maaaring ma-access ng isang tao o kung paano hinahawakan ang kanilang mga kalakalan. Ang praktikal na benepisyo ng AI sa trabaho ng brokerage CRM ay mas magandang konteksto para sa mga tauhan, basta’t ang konteksto ay mananatiling bukas sa pagwawasto.
Pag-personalize ng Email, Push, at In-App na Komunikasyon
Kapag naunawaan ng koponan ang sitwasyon, maaari itong magpasya kung makakatulong ang isang mensahe. Maaaring magmungkahi ang AI ng isang paliwanag at isulat ang mga salita. Ang CRM ay nangangasiwa ng paghahatid ayon sa mga aprubadong patakaran, gamit ang kasalukuyang katayuan ng account at mga pahintulot sa komunikasyon.
Ang mga ito ay posibleng daloy ng operasyon. Nangangailangan sila ng mga kaugnay na integrasyon at proseso ng pagsusuri; hindi sila mga pahayag na ang AI Analyst mismo ang nagpadala ng mga mensahe sa kliyente.
| Sitwasyon ng Kliyente | Kapaki-pakinabang na Tulong mula sa AI | Ano ang Dapat Suriin Bago Magpadala |
|---|---|---|
| Naka-rehistro ngunit hindi pa nagsimula sa KYC | Ihanda ang isang maikling paliwanag ng mga kinakailangang dokumento at kung saan makakakuha ng tulong. | Tamang mga kinakailangan para sa account at bansa, pahintulot na makipag-ugnayan, at kung nagsimula na ang beripikasyon. |
| Kumpleto na ang KYC, walang deposito | Tukuyin ang posibleng kakulangan ng impormasyon at ihanda ang isang paliwanag ng mga magagamit na paraan ng pagpopondo o mga bayarin. | Nakatakdang mga paglilipat, pagiging karapat-dapat sa account, kasalukuyang pagkakaroon ng paraan, at mga naaangkop na pahintulot sa marketing. |
| Nakapag-deposito ngunit hindi pa naglagay ng unang kalakalan | Magmungkahi ng opsyonal na tulong sa order ticket, mga singil, o mga kontrol ng platform. | Kasalukuyang estado ng account at naaprubahang wording sa edukasyon nang walang presyon upang makipagkalakalan. |
| Bumaba ang aktibidad | Ilahad ang anumang hindi nalutas na isyu sa serbisyo at magmungkahi kung makakatulong ang follow-up sa serbisyo. | Bukas na mga reklamo, opt-outs, mga restriksyon sa account, at kung ang pakikipag-ugnayan ay angkop sa lahat. |
| Nabigong isang bayad | Ihanda ang isang factual na paliwanag ng katayuan at isang magagamit na opsyon sa suporta. | Kumpirmadong pagkabigo sa halip na nakabinbing katayuan, mga susunod na matagumpay na pagtatangka, at anumang karapat-dapat na alternatibo. |
| Ulit-ulit na mga kahilingan sa suporta tungkol sa isang paksa | Ihanda ang isang mas malinaw na tugon gamit ang kasaysayan ng pag-uusap at kasalukuyang materyal na tulong. | Ano ang nananatiling hindi nalutas, kung mali ang nakaraang payo, at sino ang may-ari ng kaso. |
Ang isang pondo na kliyente na hindi pa nakikipagkalakalan ay maaaring pahalagahan ang isang maikling paliwanag tungkol sa margin o mga uri ng order. Angkop ito sa edukasyon sa pangangalakal. Wala nang kailangan pang idagdag na kagyat o magmungkahi na ang pagpopondo ng isang account ay lumilikha ng obligasyon upang makipagkalakalan.
Para sa isang nabigong pagbabayad, ang wika ay maaaring maging tuwirang-tuwiran: hindi natapos ang pagbabayad, hindi pa nakatanggap ng kredito ang account, at mayroong suporta na available. Ang bawat pahayag ay kailangang tumugma sa mga nakumpirmang tala. Iwasan ang pag-imbento ng dahilan ng issuer para sa pagtanggi ng isang pagbabayad o ang pagbigay ng oras ng pagkumpleto na walang sinuman ang nakapag-verify.
Praktikal na tala: Suriin muli ang account kapag ang isang nakapila na mensahe ay malapit nang umalis. Maaaring makumpleto ng isang kliyente ang KYC o pondohan nang matagumpay sa pagitan ng pagpili at paghahatid. Kung wala ang huling pagsusuri na iyon, kahit na maingat na nakasulat na komunikasyon ng AI sa mga customer ay maaaring dumating na may maling impormasyon.
Suheto kung ang mga mensahe ay nalulutas ang nakatakdang problema. Ang mga pagbukas at pag-click ay mga kapaki-pakinabang na senyales ng paghahatid, ngunit hindi nila ipinapakita kung nakatulong ang nilalaman. Isang FCA eksperimento sa pakikipag-ugnayan ng trading-app ang nakakita na ang mga tampok na sinubukan, kabilang ang mga push notification, ay maaaring magpataas ng dalas ng pangangalakal at pagkuha ng panganib. Suriin ang pag-uugali na hinihimok ng isang mensahe pati na rin ang rate ng pagtugon nito.
Tulong ng AI para sa mga Koponan ng Suporta sa Brokerage
Marami sa trabaho ng isang ahente ang nangyayari bago sumulat ng tugon. Binabasa nila ang pag-uusap, sinusuri ang mga transaksyon, hinahanap ang kasalukuyang patakaran, at iniisip kung aling mga naunang pangako ang nananatiling naaangkop.
Maaaring ihanda ng isang katulong ang konteksto na iyon. Para sa isang nawawalang paglilipat, maaari nitong ipagsama ang sanggunian ng pagbabayad, pinakabagong katayuan, mga nakaraang kontak, at ang naaprubahang paliwanag ng proseso. Sinusuri ng ahente ang mga pinagkukunan at nagpasya kung ano ang sasabihin sa kliyente.
Mas kapaki-pakinabang ito kaysa sa isang matatas na sagot batay sa isang lumang pahina ng tulong. Kailangan ng katulong ang access sa mga aprubadong, kasalukuyang impormasyon, at kailangan nitong sabihin kapag ang tala ay hindi sumasagot sa tanong. Ang isang pagbabayad na inilarawan bilang naantala kagabi ay maaaring natapos ngayong umaga.
Ang suporta sa data ay nakatutulong din sa produkto at operasyon. Kung paulit-ulit na nagtatanong ang mga kliyente kung saan makikita ang isang bayad, ang pagsasama-sama ng mga tiket na iyon ay maaaring magpahayag ng isang problema sa impormasyon sa screen ng pondo. Ang mas malinaw na screen ay maaaring makatipid ng mas maraming trabaho kaysa sa mas mabilis na mga tugon sa parehong tanong.
Subaybayan ang mga ulit na pakikipag-ugnayan, mga pagwawasto, mga pagsasampa, at oras ng resolusyon kasama ang bilis ng tugon. Ang mabilis na sagot na lumilikha ng isa pang tiket ay hindi nakaligtas ng marami. Ang mga reklamo, pinagtatalunang bayad, at hindi malinaw na mga kaso ng pag-withdraw ay nangangailangan ng ruta patungo sa isang tao na may awtoridad upang lutasin ang mga ito.
Pagbabahay-bahay ng mga Sukat ng Negosyo at Pagtukoy sa mga Anomalya
Ang pagsasagawa ng pagtataya ay makakatulong sa isang brokerage na planuhin ang suporta sa saklaw, tantiyahin ang dami ng trabaho sa onboarding, o maghanda para sa pagbabago sa dami ng bayad. Ito ay pinaka-epektibo kapag nauunawaan ng koponan kung gaano ka hindi tiyak ang pagtataya.
Ang isang pagtataya batay sa umiiral na trapiko ay maaaring maging hindi gaanong kapaki-pakinabang kapag may isang malaking affiliate na nagsimulang magpadala ng mga kliyente mula sa isang bagong merkado. Ang isang pista o isang outage ay maaari ring magbago ng pattern. Ipakita ang isang saklaw, ipaliwanag ang mga palagay, at suriin ang pagtataya laban sa mga susunod na resulta.
Para sa pagtuklas ng anomaly, kailangan ng alerto ng sapat na detalye upang may maimbestigahan. Ang pagbawas ng sampung porsyento sa pag-apruba ng bayad ay kaunti lamang nang walang ruta, oras ng bintana, laki ng sample, at karaniwang saklaw. Ang maliliit na segment ay maaaring kumilos ng matindi pagkatapos lamang ng ilang transaksyon.
Bago ituring ang isang galaw bilang isang operational incident, suriin kung kailan huli nang na-refresh ang data. Ang nasirang ugnayan sa pag-uulat ay maaaring magmukhang tumigil ang bawat paraan ng pagbabayad nang sabay-sabay. Ang mga huling tala ay maaaring gawing normal na araw ang tila pagbagsak ng kita kahapon.
Simulan ang mga alerto na may malinaw na may-ari at tugon. Kung walang nakakaalam kung ano ang gagawin sa isang alerto, ang pagdaragdag pa ng mga ito ay malamang na magpababa sa atensyon ng koponan. Ang kapaki-pakinabang na AI analytics para sa mga brokerage ay dapat bawasan ang trabaho ng pagpapasya kung aling mga pagbabago ang nararapat bigyang pansin.
Kung Saan Dapat Manatili ang Pagsusuri ng Tao
Para sa operating model na inilarawan dito, ang AI ay naghahanda ng ebidensya at suhestiyon. Ang mga awtorisadong empleyado ay nananatiling responsable para sa mga consequential na desisyon tungkol sa mga withdrawal, access sa account, mga reklamo, mga setting ng pagpapatupad, mga limitasyon sa panganib, at mga materyal na pagbabago sa badyet.
Ang pagsusuri ay dapat praktikal. Dapat makita ng tagasuri ang mga tala ng pinagmulan, maunawaan ang rekomendasyon, at magkaroon ng kapangyarihan na tanggihan ito. Kung makikita lamang nila ang isang score ng tiwala at isang button na aprubahan, kaunti lamang ang batayan nila para sa isang desisyon.
Ang boluntaryong AI Risk Management Framework ng NIST ay humihiling ng mga tiyak na responsibilidad at pangangalaga ng tao. Para sa mga kumpanya sa UK na saklaw, ang pamamaraan ng FCA sa AI sa mga serbisyong pinansyal ay nagpapaliwanag kung paano naaangkop ang umiiral na pananagutan at mga balangkas ng kinalabasan ng customer. Ang mga kinakailangan sa ibang lugar ay nakadepende sa entidad, aktibidad, at merkado.
Mahigpit ang pag-access gaya ng pag-apruba. Ang isang analyst na nagsusuri ng conversion ay maaaring kailanganin lamang ang mga pinagsama-samang rekord. Ang isang support assistant ay maaaring kailanganin ang mga napiling kaganapan sa account, ngunit hindi lahat ng dokumento ng pagkakakilanlan. Suriin ang pag-access sa data, pagpapanatili, at kung saan pinoproseso ang impormasyon bago ikonekta ang mga rekord ng kliyente sa isang serbisyo.
Ito ay mga kapaki-pakinabang na tanong na dapat itanong sa sinumang nagbibigay ng AI sa mga operasyon ng fintech. Humingi ng isang demonstrasyon gamit ang isang kaso na may nawawalang impormasyon o salungat na mga tala. Gusto mong makita kung paano hinaharap ng sistema ang kawalang-katiyakan bago umasa ang mga empleyado dito sa isang abalang araw.
Inihahanda ng AI ang kaso. Ang mga tao ang nagdedesisyon.
Isang rekomendasyon ang umabot sa isang tagasuri na may kasamang ebidensya, hindi pahintulot upang kumilos mag-isa.
Naghahanda ng rekomendasyon
Inaayos ang mga rekord na may kaugnayan sa gawain at itinuturo kung ano ang hindi pa alam.
May-ari ng desisyon
Sinusuri ang pinagmulan, nag-aaplay ng patakaran, at may awtoridad na tumanggi.
Maaaring kailanganin ng isang imbestigasyon ang pinagsamang mga resulta o mga napiling kaganapan ng account, hindi bawat dokumento ng pagkakakilanlan o buong kasaysayan ng kliyente.
Paano Ipakilala ang AI sa Mga Operasyon ng Brokerage
Magsisimula ako sa isang paulit-ulit na gawain na kumakain na ng oras ng mga tauhan. Ang pagpapaliwanag ng mga paggalaw ng FTD tuwing linggo ay isang makatwirang kandidato. Gayundin ang paghahanda ng mga buod ng suporta, kung ang kasaysayan ng account at mga aprubadong patakaran ay maaasahan.
Pumili ng may-ari ng gawain at itala kung paano ito hinaharap ng koponan ngayon. Pagkatapos, subukan ang mga nakaraang kaso kung saan alam ang kinalabasan. Panatilihing wala sa input ang pangwakas na pagsisiyasat, at suriin kung ang katulong ay nakakahanap ng kaugnay na ebidensya, nag-aangat ng maling mga lead, o tiyak na pinupunan ang mga puwang.
Susunod, hayaan ang isang maliit na grupo na gumamit nito na may read-only access sa mga kinakailangang tala. Kolektahin ang mga tanong na kanilang itinataas at ang mga pagwawasto na kanilang ginagawa. Ipinapakita nito kung ang tool ay gumagana lampas sa isang handang demonstrasyon.
| Pilot Task | Katibayan na Ito ay Nakakatulong | Resulta na Kailangan ng Pansin |
|---|---|---|
| Ipaliwanag ang pagbabago ng sukatan | Mas maikling oras upang makuha ang isang napatunayang paliwanag; ang kabuuan ay umaayon sa ulat. | Mapanghikayat na mga sagot na nagngangalang sanhi nang walang katibayan. |
| Maghanda ng mga sagot sa suporta | Mas mababang oras ng paghahanda na may tumpak na mga sagot at mas kaunting ulit na pakikipag-ugnayan. | Madalas na mga pagkukulang sa katotohanan o mga pangako na hindi maaasahan ng mga ahente. |
| Magmungkahi ng mensahe ng serbisyo | Mas maraming karapat-dapat na kliyente ang naglutas ng partikular na isyu, nang walang mas masamang reklamo o pag-opt-out na mga resulta. | Mas maraming pag-click ngunit lipas na mga mensahe o mas maraming kalituhan. |
| Itala ang hindi pangkaraniwang aktibidad sa pagbabayad | Ang mga napatunayang insidente ay umabot sa tamang koponan nang mas maaga. | Ulit-ulit na mga alerto mula sa luma na data o napakaliit na mga sample. |
Isama ang oras ng pagsusuri, gawain ng integrasyon, at mga gastos sa pagpapatakbo kapag hinuhusgahan ang piloto. Ang pag-save ng isang oras ng pagsusuri ay hindi gaanong nakakatulong kung ang ibang empleyado ay gumugugol ng dalawang oras sa pagwawasto ng sagot.
Para sa isang pagsubok sa komunikasyon, ihambing ang mga katulad na karapat-dapat na kliyente sa parehong panahon, gamit ang isang holdout kung kinakailangan. Panatilihing labas sa mga eksperimento ang mga mandatory service notices na maaaring ipagkait sa kanila. Magtakda ng patakaran sa pagtigil para sa mga maling mensahe o bumababang resulta ng kliyente.
Palawakin pagkatapos na ang mga tao na gumagamit ng sistema ay makapagpaliwanag kung saan ito nakakatulong at kung saan ito nangangailangan pa ng pagwawasto. Ang isang brokerage na may maaasahang katulong para sa mga pagsisiyasat sa pagbabayad ay maaaring makakuha ng tunay na halaga mula sa isang kaso ng paggamit na iyon. Ang susunod na daloy ng trabaho ay maaaring sumunod kapag ang data at mga kawani ay handa na.
