5 способов применения искусственного интеллекта

Software
Источник: GAAP.RU
Опубликовано: 9 июля 2019


Авторы оригинальной статьи: Найджел Даффи (Nigel Duffy), руководитель направления искусственного интеллекта в Ernst & Young; Карстен Фьюзер (Karsten Füser), глава направления консультирования по финансовой отчетности

По материалам: CFO


Фото: https://www.ey.com

Во многих случаях технологии искусственного интеллекта переоцениваются, однако хорошо известно о ряде чисто практических способов применения, где они в самом деле могут оказаться очень полезными финансовым директорам, причем уже сегодня. Рассмотрим хотя бы пять из них

Клиентские данные и предикативное ценообразование

Финансовый директор находится, можно сказать, в самом эпицентре потока данных по клиентам: информация по продажам, по ценам, по суммам к получению – список очень длинный. Это означает также выгодную позицию в плане возможности для CFO использовать предикативный анализ в отношении поведения клиентов.

Вот как это все функционирует. Контролер финансовых данных – CFO в данном случае – работает вместе со специалистами по анализу данных, чтобы выявить положительные корреляции между ценами и суммами, остающимися к уплате (“счета к получению” как статья баланса). Эти данные перехлестываются с чисто транзакционными данными, такими как демографические параметры и способы оплаты. Добавляются также данные по погоде и локациям, где были совершены покупки, и многое другое. Что получается на выходе? Как пример, прогнозирование оптимальной цены для постоянного клиента женского пола в возрасте от 18 до 24 лет, которая покупает подарки к грядущим праздникам, если за окном стоит ненастная погода, оплачивая их при этом своей кредитной картой. Понятно, что это лишь один из множества исходов, который можно получить с помощью инструментов ИИ. А как это можно использовать? Для примера, в розничной торговле – праздничные спецпредложения для максимизации прибыли в сезон праздников

Видеть дальше, чем балансовая стоимость

Одна из самых больших сложностей для финансового директора заключается в оценке стоимости активов. Неопределенность с оценкой может, в зависимости от ситуации, как добавить, как и отнять миллионы от итоговой строки в отчете о доходах.

Самый эффективный способ оценки активов с помощью инструментов искусственного интеллекта заключается в анализе обширных массивов данных. Для примера, финансовые директоры в девелоперской отрасли используют ИИ для построения корреляций тысяч различных видов данных по объектам недвижимости: ставки по ипотеке, рейтинги школ, число спален в доме, уровень занятости в районе, и т.д. На основе всех этих данных можно построить модели для прогнозирования цен на недвижимые активы, причем помогает это не только самой девелоперской компании, но и ее клиентам, арендодателям и поставщикам стройматериалов.

Прогнозирование дефолтов

Если посмотреть на статистические данные налоговых служб США, “плохие” долги на сегодня составляют около 0,5% всей выручки американских компаний – то есть более $100 миллиардов за прошлый год, и это пропавшие деньги, которые срезали маржу прибыли, ни много ни мало, на 5%.

Мультивариативный анализ на основе B2B данных (таких как тип отрасли, кредитный рейтинг, закупки, кто именно отвечал за продажи и т.д.) может использоваться для оценки вероятности того, что компания заплатит по своим счетам, а это значит, что кредит для нее вполне можно расширить. И наоборот, обнаружение “неплательщиков” будет очень полезным в оценке надежности клиента и возможности расширения кредитного предложения.

Вот пример с рисковыми менеджерами. Некая финансовая организация столкнулась с валом дефолтов с платежами по ипотечным кредитам. Финансовая команда задействовала предикативную модель анализа схем вознаграждения работающих в отделе продаж специалистов и обнаружила, что самая большая корреляция здесь наблюдается с кредитами, которые одобряли менеджеры, работающие под “агрессивными” схемами вознаграждения. Предикативный анализ далее использовался для того, чтобы определить связь между схемами вознаграждения и уровнем “плохих” долгов, что позволило построить долгосрочные прогнозы дефолта в рамках различных сценариев.

Коррупция и хищения

Внутренние финансовые нарушения заметить иногда бывает особенно трудно. Случаются они эпизодически, и часто там даже отсутствует ярко выраженный “след” из данных, по которому можно на что-то выйти. Хищения совершаются обыкновенно в небольших масштабах, заметить которые непросто. Кроме того, из-за внутреннего характера дела у нарушителя есть все возможности, чтобы самому сознательно внести сумятицу в данные, по которым можно будет впоследствии на него или нее выйти.

Искусственный интеллект позволяет руководителям финансовых департаментов проводить оценку и интерпретировать данные по расходам, обнаруживая таким образом подозрительные статьи расходов. Инструменты ИИ способны анализировать графики расходов и поведение сотрудников, выполняющих в организации различные роли. Машинное обучение может обнаруживать и предсказывать распространенные паттерны поведения сотрудников, склонных к фальсификации отчетных данных в целях хищения. Это позволит финансовым директорам предотвратить преступление еще до того, как оно фактически совершится.

Пример из жизни: финансовый директор со своей командой доверенных лиц просмотрел набор исторических данных по доказанным фактам завышения расходов и обнаружил на основе полученных результатов общие для всех случаев мошенничества моменты: характерные виды расходов и выбор поставщиков услуг (отели, авиакомпании и т.д.). Однако вместо того чтобы прижать к ногтю виновных сотрудников, финансовый департамент запустил агрессивные программы внутрикорпоративного обучения и усиленного мониторинга в областях, уязвимых перед злоупотреблениями. В конечном итоге ИИ позволил добиться даже большего, чем “политика кнута”: финансовая команда смогла сфокусировать корпоративный тренинг на тех областях, где повторение злоупотреблений было наиболее вероятным, что снизило риски внутрикорпоративного финансового мошенничества в долгосрочном периоде.

Обнаружение случаев отмывания

Для многих кредитных организаций эта тема особенно актуальна. Следуя требованиям правового регулирования, многие банки самостоятельно разрабатывали у себя механизмы обнаружения проявлений отмывания денежных средств на основе характерных паттернов поведения клиентов в таких случаях. Иногда эти паттерны насаждаются извне - в России, например, банки обязаны следовать критериям подозрительных операций, сформулированным Центробанком. Как известно, довольно быстро это привело к зачислению в категорию подозрительных вполне благонадежных клиентов, и это проблема не только для российской системы регулирования. Оказывается, самостоятельно созданные антиотмывочные системы при неправильной настройке способны генерировать великое множество сигналов, оставляя руководителей финансовых департаментов лишь гадать, с каких из них начинать расследование.

Искусственный интеллект в этом плане способен значительно усовершенствовать использующиеся программы для более точного обнаружения подозрительного поведения и категоризации поступающих сигналов с точки зрения уровня риска (высокий, средний или низкий). Применение этих дополнительных правил позволит финансовым командам исключать ложные сигналы и направлять все свои усилия на случаи, где отмывание происходит с наибольшей вероятностью.

Пример из жизни. В некоем европейском банке перед финансовой командой была поставлена задача: усовершенствовать систему предупреждения против случаев отмывания денежных средств. Команда создала предикативную модель, которая обнаруживала незаконные транзакции на основе специального алгоритма, опирающегося на уже доказанные примеры связанных с отмыванием транзакций. Модель приписывала определенный ранг каждому из случаев по шкале от 1 до 10. В случае “восьмерки” и выше команда незамедлительно приступала к расследованию, а выпадение “десятки” еще и давало сигнал о немедленной заморозке всех активов и операций. Национальные регуляторы той европейской страны признали модель образцовой, рекомендовав ее в качестве стандарта для других кредитных организаций.

В заключение

Искусственный интеллект, как и любая новая технология, постепенно переходит от экспериментальной стадии к стадии операционной. В финансах CFO все активнее пробуют его в новых областях – можно сказать, практически по каждому аспекту финансовой функции. В обработке счетов к получению, казначейских операциях, бюджетировании и ценообразовании – этот список долгий. Со временем – почему бы нет? Со временем инструменты ИИ смогут если и не на 100%, то в значительной мере повысить эффективность и освободить людские ресурсы на выполнение других задач, в большей степени способствующих созданию дополнительной стоимости. А роль финансовых директоров в этом будет становиться все более проактивной, стратегической – и более ценной для организаций, на которые они работают.

Теги: искусственный интеллект  технологии искусственного интеллекта  CFO  финансовые директоры  предикативное ценообразование  клиентские данные  предикативный анализ  стоимость активов  оценка активов  ИИ  “плохие” долги  предикативная модель анализа  коррупци