Machine learning veroorzaakt aardverschuiving in financiële sector

Computers worden slimmer, dat mag als bekend worden aangenomen. Denk daarbij niet alleen aan de supercomputer Watson van IBM, maar ook aan de computers die jij en ik iedere dag gebruiken. Ook deze computers leren sneller en soms zelfs compleet zonder menselijke tussenkomst. Deze ontwikkelingen in machine learning hebben invloed op computeralgoritmes op allerlei gebieden, inclusief de financiële sector.

De term machine learning verwijst naar het vermogen van computers om nieuwe vaardigheden aan te leren in plaats van dat deze geprogrammeerd moeten worden. Met behulp van algoritmen kan de computer zich nieuwe manieren van het analyseren van gegevens eigen maken. Het systeem kan zijn eigen code veranderen op basis van nieuwe informatie.

Machine learning in finance

Voorheen waren vele hooggekwalificeerde financiële professionals nodig om grote hoeveelheden data te verzamelen en analyseren om de financiële toestand van de bedrijven te evalueren. De organisatie, het vergelijken en het controleren van al die gegevens was een tijdrovende klus. Bij sommige bedrijven is dit nog steeds mensenwerk, maar een groeiend aantal bedrijven heeft nu machines om de grote hoeveelheden financiële gegevens te verwerken. Machine learning helpt bedrijven verloren inkomsten te vinden, betere financiële plannen te beramen en tijd efficiënter te werken.

Huidige toepassingen

Machine learning heeft al een grote invloed op de financiële sector en dit zal alleen maar toenemen, gezien het huidige tempo van de technologische ontwikkeling. Enkele voorbeelden van de huidige toepassingen van machine learning op een rijtje:

Portefeuille management - bedrijven helpen klanten portefeuilles te beheren met behulp van algoritmen, of wel robotadviseurs. De algoritmen creëren een portefeuille op basis van de doelen en risicotolerantie van elke individuele klant.

Trading - Met behulp van algoritmen kunnen systemen leren duizenden of zelfs miljoenen transacties ‘te doen in één dag. Dit heet ook wel high-frequency trading en vereist machine learning om de financiële markten realtime te analyseren om binnen enkele seconden handelsbeslissingen te nemen.

Fraude en veiligheid - Met de opkomst van internet, draadloze netwerken en online data, is er meer gemoeid met veiligheidsrisico's. We kennen allemaal de verhalen over datalekken, hoe iemands identiteit is gestolen, of hoe je creditcard eenvoudig kan worden gehackt op basis van locatie. Waar oude systemen een bepaalde set parameters en regels gebruikten om veiligheidsrisico’s te vinden en erop te reageren, kunnen systemen die gebruik maken van machine learning zich aanpassen aan bedreigingen terwijl ze zich realtime ontwikkelen. Op het gebied van fraude, kunnen deze systemen in kaart brengen wat voor patronen gebruikt worden om te voorspellen wanneer fraude wordt gepleegd. Machine learning fraudedetectie zorgt voor een verbetering van 15 procent in het detectieniveau, halveert het aantal valse alarmen en bespaart 60 procent meer.

Underwriting - Wanneer een klant een lening of een bepaald type verzekering wil bemachtigen, zal een financieel agent hun demografische gegevens en gedrag vergelijken met een standaard om risico's te beoordelen en geven ze de klant een bepaalde prijs of rentepercentage op basis van deze factoren. Met behulp van machine learning hebben computers toegang tot miljoenen stukjes informatie over de klant en over de verschillende trends binnen een bepaald gebied om beslissingen te nemen. Daartoe behoren onder meer zaken als leeftijd, burgerlijke staat, functie, maar ook demografische ontwikkelingen in de omgeving of andere externe factoren die van invloed kunnen zijn op het individu. Dit levert een nauwgezettere analyse op die een medewerker kan gebruiken voor zijn advies.

Customer service - Kwalitatieve klantenservice is vaak voorbehouden aan mensen die veel geld investeren of die veel financiële diensten gebruiken. Bedrijven proberen dat te veranderen door machine learning te integreren in hun klantenservice programma's. Algoritmes kunnen computers helpen te communiceren met klanten door middel van chatbots. De algoritmen helpen de computer woorden te analyseren, de interactie te vergelijken met ervaringen uit het verleden en te reageren op een manier die de klant verder helpt.

De toekomst van machine learning

Gartner omschreef machine learning als een van de tien belangrijkste strategische technologieontwikkelingen. Het onderzoeksbureau verklaarde dat bedrijven moeten leren hoe ze machine learning effectief kunnen gebruiken om concurrerend te blijven. Een McKinsey-rapport stelde dat financiële instellingen hun belangrijkste processen gedigitaliseerd moeten hebben in 2025.

Klantenservice zal minder afhankelijk zijn van mensen als computeralgoritmes de menselijke spraak accuraat kunnen nabootsen. Security zal minder op alfanumerieke wachtwoorden, maar meer op gezichtsherkenning, spraakherkenning en andere biometrische inputs vertrouwen. In de handel zullen computers steeds accurater menselijk gedrag en gebeurtenissen kunnen interpreteren om te voorspellen hoe markten reageren. Kortom, hoe geavanceerder machine learning wordt, hoe uitgebreider de mogelijkheden zijn. Financiële instellingen kunnen hier niet meer omheen en doen er verstandig aan machine learning te omarmen om toekomstbestendig te zijn.

Bram Nawijn, Director Products & Services van TJIP