金融领域最突出的超自动化趋势
金融服务行业充满了复杂的流程、交易和支付环节,连接着客户、买家、交易商、监管机构和其他利益相关者。大量遗留系统通常会导致高度依赖人工的流程管理问题,这也使得自动化对于提供无缝的客户体验变得愈发重要。特别是“超自动化”已经成为提高效率的有效工具,在本文中,我们将探讨当今金融领域涉及该技术最突出的趋势。
可操作的集成数据
许多金融组织通常将数据分散在孤立的孤岛中,但有些组织已经开始将可操作的数据整合到一个地方,从中实现超自动化,并且可以实现客户的单一视图。这使得财务部门能够根据不断变化的需求实时监控和调整流程。
ServiceNow金融服务全球主管Keith Pearson解释称,超自动化是将机器学习、流程挖掘、RPA、API集成和智能工作流编排等功能有效地结合在一起,以80%以上的自动化向客户提供服务来取代高度复杂性。成功的关键是可操作的集成数据。
碎片化的数据和孤立的系统是超自动化的“敌人”,而数据湖技术也不会将它们持有的数据放在工作流程中的员工手中。快速集成到现代和旧系统的能力,并将与流程相关的数据汇集到一个可以有效应用智能自动化技术的地方,是提供可操作的自动化工作流程和成功实践的关键所在。
太多的金融服务组织继续通过混合技术方法来实现它们的自动化目标,此举无意中也创造了更多的技术债务和数据孤岛。
文件扫描
金融部门的一项关键任务就是扫描客户文件,包括身份详细信息和银行对账单等。因此,随着时代发展,网络空间中组织可以处理的数据量会不断增加,并且成本也会非常昂贵,但超自动化可以帮助提高效率,同时最大限度地降低成本。
Appian公司欧洲、中东和非洲和亚太地区高级副总裁Paul Maguire表示,金融服务是全球经济中数据密集程度最高的行业之一,需要处理大量客户数据并分析基于文档的交易。
使用光学字符识别(OCR)这种流行方式来扫描文档可能非常昂贵,有数据预测,到2025年OCR将成为一个价值126亿美元的行业。 同时,它需要大量的时间来设置,而且每次表单更改时,都需要人工进行故障排除。
超自动化能够以更有效的方式解决这一问题。它使用机器人流程自动化将来自不同来源的文档引入同一工作流程,并使用AI从诸如复选框,甚至手写笔记中分类和提取信息。当人工智能检测到错误时,它可以自动将其提供给人类进行验证或更正,甚至可以从这些交互中自学,以随着时间的推移不断改进。
自动报告
ELEKS公司云和解决方案架构师Volodymyr Marchuk 认为,另一个颠覆金融领域的关键超自动化趋势涉及监管报告流程,这一领域将更频繁地从自动化中受益。
他表示,“我们接触到的许多银行已经在使用机器人流程自动化和认知智能技术。这意味着手动任务可以在有限的人工监督下实现7X24小时自动化。我们很欣喜地发现,数据质量有所改善,而且人类工作人员也能够重新投身于具有更高价值的任务之中。然而,RPA 等技术可能不是端到端监管报告的完美解决方案,而这正是超自动化的用武之地,但完全自动化通常很复杂,可能需要数年时间才能实施,因为需要做出转变的领域很多,包括企业文化等等。”
减少欺诈和错误
Marchuk补充道,超自动化在减少欺诈和员工错误方面也已被证明是有用的。超自动化可以显著减少因欺诈、事故和错误造成的经济损失。根据克劳和朴茨茅斯大学反欺诈研究中心(CCFS)的研究显示,2018年全球因欺诈造成的损失总计为 5万亿美元,占全球GDP的6%。
使用RPA和机器学习的超自动化可以解决其中一些问题。使用超自动化进行交易处理既高效又透明,生成的信息(操作日志)可被机器学习用于识别预测模式和趋势。
以人为本
最后,值得注意的是,如果没有员工的有效管理,超自动化就无法取得成功,这意味着需要数据民主化。
Exasol的首席技术官Mathias Golombek解释称,具有讽刺意味的是,最大的超自动化趋势之一实际上是关于人而非技术。当您致力于数据驱动、超自动化的环境时,自然后果之一是每个部门员工的数据素养高涨 - 以及他们越来越期望实现数据民主化。
Revolut公司正是该领域领导者之一。该公司最初是一个真正的“数字原住民”,后来它开始真正由数据驱动,而不是将数据用作决策和战略中更广泛的参考点。它将超自动化视为管理近年来经历的超增长的自然组成部分。
例如,该组织已将数据科学应用于每个部门,无论这些部门是否属于传统技术部门。再例如,它的人力资源团队必须了解数据库的SQL:它分析面试过程,从提出的问题到特定角色成功的相关性,并且每次都使用这些数据来改进流程。
结果就是,Revolut不仅使各种资历的员工更容易访问和工作相关敏感数据,同时还提高了使用这些数据来提高绩效的技能水平。