Ngành Dịch vụ Tài chính (FSI - Financial Services Industry), một trong những lĩnh vực cập nhật công nghệ nhanh nhất, là ngành dẫn đầu về đầu tư và áp dụng Machine Learning (ML). Trong vài năm qua, chúng ta đã thấy nhiều giải pháp ML được áp dụng trên các mảng kinh doanh khác nhau trong các dịch vụ tài chính. Trên thị trường vốn, ML đang được sử dụng ở các Front office, Middle office và Back office để hỗ trợ các quyết định đầu tư, tối ưu hóa thương mại, quản lý rủi ro và xử lý thanh toán giao dịch. Trong lĩnh vực bảo hiểm, các hãng đang sử dụng ML để hợp lý hóa việc phát hành bảo lãnh, ngăn chặn gian lận và tự động hóa việc quản lý yêu cầu bồi thường. Và các ngân hàng đang sử dụng ML để cải thiện trải nghiệm của khách hàng, chống gian lận và đưa ra quyết định phê duyệt khoản vay. Sau đây, chúng ta sẽ thảo luận về một số lĩnh vực kinh doanh cốt lõi trong các dịch vụ tài chính và cách ML có thể được sử dụng để giải quyết một số thách thức kinh doanh trong các dịch vụ này.

Thị trường vốn - Front Office

Trong tài chính, front office là khu vực kinh doanh trực tiếp tạo ra doanh thu và chủ yếu bao gồm các vai trò tiếp xúc với khách hàng như bán hàng, thương nhân, chủ ngân hàng đầu tư và cố vấn tài chính. Các bộ phận tiền sảnh thu hút khách hàng của họ bằng các sản phẩm và dịch vụ như tư vấn Sáp nhập và Mua lại (M&A) và IPO, quản lý tài sản và giao dịch tài sản tài chính như vốn chủ sở hữu (ví dụ: cổ phiếu), thu nhập cố định (ví dụ: trái phiếu), hàng hóa (ví dụ: dầu) và các sản phẩm tiền tệ. Bây giờ, hãy xem xét một số mảng kinh doanh cụ thể của front office.

Nghiên cứu và giao dịch bán hàng

Trong giao dịch bán hàng (Sale trading), nhân viên bán hàng của một công ty theo dõi các tin tức đầu tư như báo cáo thu nhập hoặc hoạt động M&A và tìm kiếm cơ hội đầu tư để quảng cáo cho các khách hàng tổ chức của họ. Sau đó, nhân viên giao dịch thực hiện các giao dịch cho khách hàng của họ, còn được gọi là giao dịch đại lý (Agency trading). Nhân viên giao dịch cũng có thể thực hiện các giao dịch cho công ty mà họ làm việc, còn được gọi là giao dịch hỗ trợ (Prop trading). Nhân viên giao dịch thường xuyên có nhu cầu giao dịch chứng khoán với số lượng lớn. Vì vậy, điều quan trọng là phải tối ưu hóa chiến lược giao dịch để có được cổ phiếu với giá ưu đãi mà không làm tăng giá. Nhân viên bán hàng và giao dịch được hỗ trợ bởi các nhóm nghiên cứu, những người tập trung nghiên cứu và phân tích vốn cổ phần và tài sản có thu nhập cố định và đưa ra khuyến nghị.

Một loại giao dịch khác là giao dịch thuật toán (Algorithmic trading), trong đó máy tính được sử dụng để giao dịch chứng khoán tự động dựa trên các điều kiện thị trường và logic được xác định từ trước. Một số thách thức cốt lõi trong nghiên cứu và giao dịch bán hàng như sau:

• Các nhà phân tích nghiên cứu phải đối mặt với thời gian chặt chẽ để đưa ra một báo cáo nghiên cứu.
• Thu thập một lượng lớn thông tin thị trường để thu thập và phân tích để phát triển chiến lược giao dịch và đưa ra quyết định giao dịch sáng suốt.
• Thị trường cần được theo dõi liên tục để điều chỉnh chiến lược giao dịch.
• Đạt được giao dịch tối ưu ở mức giá ưu đãi mà không đẩy thị trường lên hoặc xuống. Sơ đồ sau đây cho thấy quy trình kinh doanh của bàn giao dịch bán hàng và cách những người chơi khác nhau tương tác để hoàn thành hoạt động giao dịch:

Một trong những thách thức chính trong quy trình làm việc của ngân hàng đầu tư là tìm kiếm và phân tích một lượng lớn dữ liệu có cấu trúc (báo cáo tài chính) và dữ liệu phi cấu trúc (báo cáo hàng năm, hồ sơ, tin tức và tài liệu nội bộ). Các nhân viên ngân hàng cấp dưới dành nhiều giờ để tìm kiếm các tài liệu có thể chứa thông tin hữu ích và trích xuất thông tin từ các tài liệu theo cách thủ công để chuẩn bị sổ sách quảng cáo hoặc thực hiện mô hình tài chính. Các ngân hàng đầu tư đã thử nghiệm và áp dụng ML để hỗ trợ quá trình sử dụng nhiều lao động này. Họ đang sử dụng NLP để tự động trích xuất dữ liệu dạng bảng có cấu trúc từ một lượng lớn tài liệu PDF. Cụ thể, các kỹ thuật nhận dạng đối tượng được đặt tên (Named Entity Recognition - NER) có thể giúp trích xuất đối tượng tự động từ tài liệu. Công nghệ đọc hiểu dựa trên ML có thể hỗ trợ các nhân viên ngân hàng tìm kiếm thông tin liên quan từ khối lượng văn bản lớn một cách nhanh chóng và chính xác bằng cách sử dụng các câu hỏi tự nhiên của con người thay vì làm khớp các chuỗi văn bản đơn giản. Tài liệu cũng có thể được tự động gắn thẻ siêu dữ liệu và được phân loại bằng kỹ thuật ML để cải thiện việc quản lý và truy xuất thông tin. Những thách thức phổ biến khác trong quy trình làm việc của ngân hàng đầu tư có thể được giải quyết bằng ML bao gồm liên kết các số nhận dạng công ty từ các nguồn dữ liệu khác nhau và giải quyết tên của các biến thể khác nhau của tên công ty.

Quản lý tài sản

Trong lĩnh vực kinh doanh quản lý tài sản (Wealth Management - WM), các công ty tư vấn cho khách hàng của họ về các dịch vụ lập kế hoạch và cấu trúc tài sản để phát triển và bảo toàn tài sản của khách hàng. Các tổ chức này khác biệt với các công ty môi giới tập trung vào tư vấn đầu tư ở chỗ, các công ty WM tập hợp kế hoạch thuế, bảo toàn tài sản và lập kế hoạch bất động sản để đáp ứng các mục tiêu lập kế hoạch tài chính phức tạp hơn của khách hàng. Các công ty WM thu hút khách hàng với nhu cầu hiểu mục tiêu cuộc sống và mô hình chi tiêu của họ, đồng thời thiết kế các giải pháp lập kế hoạch tài chính tùy chỉnh cho khách hàng của họ. Một số thách thức mà các công ty WM phải đối mặt như sau:

• Các khách hàng của WM đang đòi hỏi các chiến lược lập kế hoạch tài chính cá nhân và toàn diện hơn cho các nhu cầu WM của họ.
• Các khách hàng của WM ngày càng hiểu biết về công nghệ và nhiều người đang yêu cầu các kênh tương tác mới bên cạnh các tương tác trực tiếp giữa khách hàng và cố vấn.
• Các cố vấn của WM cần bao phủ ngày càng nhiều khách hàng hơn trong khi vẫn duy trì các dịch vụ và kế hoạch được cá nhân hóa giống nhau.

Để cung cấp nhiều dịch vụ được cá nhân hóa hơn, các công ty WM đang áp dụng các giải pháp dựa trên ML để hiểu hành vi và nhu cầu của khách hàng. Ví dụ: các công ty WM sử dụng lịch sử giao dịch, chi tiết danh mục đầu tư, nhật ký hội thoại, sở thích đầu tư và mục tiêu cuộc sống của khách hàng để xây dựng các mô hình ML có thể đưa ra đề xuất được cá nhân hóa về các sản phẩm và dịch vụ đầu tư. Các mô hình này đề xuất hành động tốt nhất tiếp theo bằng cách kết hợp cả xu hướng nhận ưu đãi của khách hàng và các chỉ số kinh doanh khác, chẳng hạn như các hành động mang lại giá trị trung hoặc dài hạn.

Sơ đồ sau đây cho thấy khái niệm về phương pháp Hành động tốt nhất tiếp theo:

Để cải thiện mức độ tương tác và trải nghiệm của khách hàng, các công ty WM xây dựng trợ lý ảo có thể cung cấp câu trả lời được cá nhân hóa cho các câu hỏi của khách hàng mà không cần sự can thiệp của con người và tự động đáp ứng nhu cầu của khách hàng. Các công ty WM đang trang bị cho Cố vấn tài chính (Financial Advisors - FA) các giải pháp dựa trên AI có thể tự động hóa các tác vụ như chuyển các cuộc hội thoại âm thanh thành văn bản để phân tích văn bản. Các mô hình ML cũng đang được sử dụng để giúp đánh giá cảm xúc của khách hàng và cảnh báo cho các FA về khả năng rời bỏ của khách hàng tiềm năng.

Thị trường vốn - Vận hành Back Office

Văn phòng hỗ trợ (Back - office) là một phần của các công ty dịch vụ tài chính xử lý các hoạt động hỗ trợ và không phải đối mặt với khách hàng. Các chức năng chính của nó bao gồm thanh toán và thông quan thương mại, lưu trữ hồ sơ, tuân thủ quy định, kế toán và các dịch vụ công nghệ. Đây là một trong những lĩnh vực áp dụng ML sớm do lợi ích tài chính và tiết kiệm chi phí mà nó có thể mang lại từ sự tự động hóa dựa trên ML và khả năng đáp ứng các yêu cầu về quy định (ví dụ: chống rửa tiền) và kiểm soát nội bộ (ví dụ: , giám sát thương mại). Tiếp theo, chúng ta hãy xem xét một số quy trình kinh doanh tại back-office cùng với việc áp dụng ML.

Bước 5 là bước quan trọng nhất vì nếu thực hiện sai, người quản lý quỹ có thể phải chịu trách nhiệm pháp lý, điều này có thể dẫn đến việc bồi thường bằng tiền cho các nhà đầu tư. Các phương pháp truyền thống sử dụng các ngưỡng cố định để gắn cờ các trường hợp ngoại lệ, chẳng hạn như cổ phiếu được định giá không chính xác hoặc hành động của công ty không được xử lý chính xác để các nhà phân tích xem xét, điều này có thể dẫn đến một lượng lớn thông tin sai lệch và lãng phí thời gian. Khối lượng lớn dữ liệu cần được sử dụng để điều tra và đánh giá, chẳng hạn như giá trị của các công cụ, phí và lãi suất, tài sản (ví dụ: cổ phiếu, trái phiếu và hợp đồng tương lai), vị trí tiền mặt và dữ liệu hoạt động của công ty.

Nền tảng AML lấy dữ liệu từ nhiều nguồn khác nhau, bao gồm dữ liệu giao dịch và dữ liệu phân tích nội bộ, chẳng hạn như dữ liệu Hiểu biết khách hàng của bạn (Know Your Customer - KYC) và Hoạt động đáng ngờ. Dữ liệu này được xử lý và đưa vào các công cụ phân tích dựa trên quy tắc và thuật toán ML khác nhau để giám sát các hoạt động gian lận. Các phát hiện có thể được gửi đến quản lý rủi ro nội bộ và kiểm toán, cũng như các cơ quan quản lý.

Giám sát thương mại

Các nhà giao dịch tại các công ty tài chính là những người trung gian mua và bán chứng khoán và các công cụ tài chính khác thay cho khách hàng của họ. Họ thực hiện các đơn đặt hàng và tư vấn cho khách hàng về các vị trí tài chính hiện có và tham gia. Giám sát thương mại là quá trình xác định và điều tra khả năng lạm dụng thị trường của thương nhân hoặc tổ chức tài chính. Ví dụ về lạm dụng thị trường bao gồm thao túng thị trường, chẳng hạn như phổ biến thông tin sai lệch và gây hiểu nhầm, thao túng khối lượng giao dịch thông qua số lượng lớn giao dịch rửa và giao dịch nội gián thông qua việc tiết lộ thông tin không công khai. Các tổ chức tài chính bắt buộc phải tuân thủ các quy định về lạm dụng thị trường như Quy định về lạm dụng thị trường (Market Abuse Regulation - MAR), Chỉ thị II về thị trường trong các công cụ tài chính (Markets in Financial Instruments Directive II - MiFID II) và tuân thủ nội bộ để tự bảo vệ mình, chẳng hạn như tổn hại đến danh tiếng và hiệu quả tài chính của họ. Những thách thức trong việc thực thi giám sát thương mại bao gồm việc thiếu phương pháp tiếp cận chủ động để phát hiện lạm dụng, chẳng hạn như tỷ lệ nhiễu/ tín hiệu lớn dẫn đến nhiều kết quả tích cực giả, làm tăng chi phí điều tra và xử lý vụ việc. Một điển hình phương pháp phát hiện lạm dụng là xây dựng các hệ thống dựa trên quy tắc phức tạp với các ngưỡng cố định khác nhau để ra quyết định. Có nhiều cách để quy các vấn đề giám sát thương mại thành các vấn đề ML, ví dụ như sau:

• Đóng khung việc phát hiện lạm dụng các hoạt động như một vấn đề phân loại để thay thế các hệ thống dựa trên quy tắc
• Đóng khung thông tin trích xuất dữ liệu, chẳng hạn như các thực thể (ví dụ: cổ phiếu bị hạn chế) từ các nguồn dữ liệu phi cấu trúc (ví dụ: email và trò chuyện) dưới dạng các sự cố trích xuất thực thể NLP
• Chuyển đổi phân tích mối quan hệ thực thể (ví dụ: cộng tác giữa nhà giao dịch và nhà giao dịch trong lạm dụng thị trường) thành các vấn đề phân tích mạng dựa trên máy học
• Coi các hành vi lạm dụng là bất thường và sử dụng các kỹ thuật ML không giám sát để phát hiện sự bất thường

Nhiều bộ dữ liệu khác nhau có thể hữu ích cho việc xây dựng các mô hình ML để giám sát giao dịch, chẳng hạn như thông tin P và L (Profit and loss), vị trí, chi tiết sổ đặt hàng, liên lạc điện tử, thông tin liên kết giữa các nhà giao dịch và giao dịch của họ, dữ liệu thị trường, lịch sử giao dịch và các chi tiết như chi tiết đối tác , giá giao dịch, loại lệnh và trao đổi.

Sơ đồ sau đây cho thấy luồng dữ liệu điển hình và quy trình kinh doanh để quản lý giám sát thương mại trong một công ty dịch vụ tài chính:

Một hệ thống giám sát thương mại giám sát nhiều nguồn dữ liệu khác nhau và cung cấp các phát hiện của mình cho cả văn phòng chính và bộ phận tuân thủ để điều tra và thực thi.

Rủi ro tín dụng

Khi các ngân hàng cấp các khoản vay cho các doanh nghiệp và cá nhân, có rủi ro tiềm ẩn là người vay có thể không trả được khoản thanh toán cần thiết. Kết quả là, các ngân hàng bị thiệt hại tài chính cả gốc và lãi từ các hoạt động tài chính như cho vay thế chấp và thẻ tín dụng. Để giảm thiểu rủi ro vỡ nợ này, các ngân hàng sử dụng mô hình rủi ro tín dụng để đánh giá rủi ro khi cho vay bằng cách tập trung vào hai khía cạnh chính:

• Khả năng người đi vay không trả được nợ
• Tác động đến tình hình tài chính của bên cho vay

Quá trình đánh giá đơn xin vay vốn dựa trên cách truyền thống diễn ra chậm và dễ mắc lỗi, dẫn đến chi phí xử lý khoản vay cao và đánh mất cơ hội thực hiện do quy trình phê duyệt khoản vay chậm và không chính xác.

Sơ đồ sau đây cho thấy quy trình công việc điển hình để đánh giá rủi ro tín dụng và các điểm quyết định khác nhau trong quy trình:

Để giảm rủi ro tín dụng liên quan đến các khoản vay, nhiều ngân hàng đã áp dụng các kỹ thuật ML để dự đoán khả năng vỡ nợ của khoản vay và điểm số rủi ro liên quan một cách chính xác và nhanh chóng hơn. Quá trình lập mô hình quản lý rủi ro tín dụng yêu cầu thu thập thông tin tài chính từ người vay, chẳng hạn như thu nhập, dòng tiền, nợ, tài sản và tài sản thế chấp, việc sử dụng tín dụng và các thông tin khác như loại khoản vay và hành vi thanh toán khoản vay. Do quy trình này liên quan đến một lượng lớn thông tin được trích xuất từ ​​các nguồn dữ liệu phi cấu trúc (báo cáo tài chính) và sau đó được phân tích, các giải pháp dựa trên máy học như Nhận dạng ký tự quang học (Optical Character Recognition - OCR) và trích xuất và hiểu thông tin NLP đã được áp dụng rộng rãi để xử lý tài liệu thông minh tự động .

Bảo hiểm

Ngành bảo hiểm bao gồm một số phân ngành dựa trên các loại sản phẩm bảo hiểm được cung cấp bởi các công ty bảo hiểm khác nhau, chẳng hạn như bảo hiểm tai nạn và sức khỏe, bảo hiểm tài sản và thương vong, và bảo hiểm nhân thọ. Ngoài các công ty bảo hiểm cung cấp bảo hiểm thông qua các hợp đồng bảo hiểm, các nhà cung cấp công nghệ bảo hiểm cũng là những người đóng vai trò quan trọng trong ngành bảo hiểm.

Có hai quy trình kinh doanh chính trong hầu hết các công ty bảo hiểm: Quy trình đánh giá bảo hiểm và quy trình quản lý yêu cầu bảo hiểm.

Thẩm định bảo hiểm

Bảo lãnh phát hành bảo hiểm là quá trình đánh giá rủi ro cung cấp bảo hiểm cho con người và tài sản. Thông qua quá trình này, một công ty bảo hiểm thiết lập phí bảo hiểm cho những rủi ro mà nó sẵn sàng chấp nhận. Các công ty bảo hiểm thường sử dụng phần mềm bảo hiểm và dữ liệu thống kê để đánh giá mức độ rủi ro.

Các quy trình bảo lãnh phát hành khác nhau, tùy thuộc vào các sản phẩm bảo hiểm. Ví dụ, các bước đối với bảo hiểm tài sản thông thường như sau:

1. Khách hàng nộp hồ sơ yêu cầu bảo hiểm trực tiếp thông qua đại lý hoặc công ty bảo hiểm.
2. Người bảo hiểm tại công ty bảo hiểm đánh giá đơn đăng ký bằng cách xem xét các yếu tố khác nhau như tổn thất của người đăng ký và lịch sử bảo hiểm, các yếu tố thống kê để xác định xem công ty bảo hiểm có nên chấp nhận rủi ro hay không và mức giá và phí bảo hiểm cho rủi ro đó. Sau đó, họ làm thêm điều chỉnh chính sách, chẳng hạn như số tiền bảo hiểm và khoản khấu trừ.
3. Nếu đơn được chấp nhận, hợp đồng bảo hiểm sẽ được cấp.

Trong quá trình thẩm định, người thẩm định phải thu thập và xem xét một lượng lớn dữ liệu, ước tính rủi ro của khiếu nại dựa trên dữ liệu và kinh nghiệm cá nhân của họ, đồng thời đưa ra mức phí bảo hiểm  hợp lý. Các nhà bảo hiểm nhân thọ sẽ chỉ có thể xem xét một tập hợp con dữ liệu và có thể đưa suy nghĩ cá nhân vào quá trình ra quyết định. Các mô hình ML sẽ có thể hành động trên nhiều dữ liệu hơn để đưa ra quyết định dựa trên dữ liệu chính xác hơn về các yếu tố rủi ro, chẳng hạn như xác suất khiếu nại và kết quả của khiếu nại, đồng thời nó sẽ đưa ra quyết định nhanh hơn nhiều so với những gì người thẩm định có thể làm. Để đưa ra mức phí bảo hiểm cho chính sách, người thẩm định sẽ dành nhiều thời gian để đánh giá các yếu tố rủi ro khác nhau. Các mô hình ML có thể giúp tạo ra phí bảo hiểm được đề xuất bằng cách sử dụng một lượng lớn dữ liệu lịch sử và các yếu tố rủi ro.

Quản lý yêu cầu bảo hiểm

Quản lý yêu cầu bảo hiểm là quá trình công ty bảo hiểm đánh giá yêu cầu của người được bảo hiểm và hoàn trả cho người được bảo hiểm những thiệt hại và mất mát mà họ phải gánh chịu theo thỏa thuận trong hợp đồng. Các quy trình yêu cầu bồi thường cho các bảo hiểm khác nhau là khác nhau. Các bước 

yêu cầu bồi thường bảo hiểm tài sản thông thường như sau:

1. Người được bảo hiểm nộp đơn yêu cầu và cung cấp bằng chứng cho yêu cầu, chẳng hạn như hình ảnh về thiệt hại và báo cáo của cảnh sát về ô tô.
2. Công ty bảo hiểm chỉ định một nhân viên để đánh giá thiệt hại.
3. Nhân viên đó xác định thiệt hại, thực hiện đánh giá gian lận và gửi yêu cầu phê duyệt thanh toán.

Một số thách thức chính gặp phải trong quy trình quản lý yêu cầu bảo hiểm như sau:

• Công sức thủ công tốn thời gian là cần thiết cho quy trình kiểm kê hàng hóa bị hư hỏng/thất lạc và nhập dữ liệu.
• Sự cần thiết phải đánh giá và điều chỉnh thiệt hại yêu cầu bồi thường nhanh chóng.
• Gian lận bảo hiểm.

Các công ty bảo hiểm thu thập rất nhiều dữ liệu trong quá trình yêu cầu bảo hiểm, chẳng hạn như thông tin chi tiết về tài sản, dữ liệu về thiệt hại vật phẩm và ảnh, hợp đồng bảo hiểm, lịch sử yêu cầu và dữ liệu gian lận lịch sử.

ML có thể tự động hóa các quy trình thủ công như trích xuất dữ liệu từ tài liệu và xác định các đối tượng được bảo hiểm từ ảnh để giảm nỗ lực thu thập dữ liệu thủ công. Khi đánh giá thiệt hại, ML có thể giúp đánh giá các thiệt hại khác nhau và ước tính chi phí sửa chữa và thay thế để đẩy nhanh quá trình xử lý yêu cầu bồi thường. Trong cuộc chiến chống gian lận bảo hiểm, ML có thể giúp phát hiện các trường hợp ngoại lệ trong yêu cầu bảo hiểm và dự đoán gian lận tiềm ẩn để điều tra thêm.