Управление затратами в банках: как задействовать ИИ

Такую оптимизацию можно провести на основе продвинутой аналитики и искусственного интеллекта: сначала глубже понять факторы затрат, а потом, опираясь на внешние бенчмарки, пересмотреть административные расходы и поставить цели по их снижению. Ряд глобальных банков таким образом уже снизили затраты в среднем на 10–15%, а в некоторых категориях — значительно больше (до 35%).

Мы изучили опыт этих банков и выделили несколько направлений, где ИИ и продвинутая аналитика дают большой эффект.

  1. Более прозрачные данные. Например, один банк с помощью ИИ объединил разрозненные наборы данных по эксплуатации зданий — от заявок на ремонт до информации о поставщиках и контрактах. Затем сотрудники банка изучили эти данные на предмет аномалий с помощью машинного обучения. В итоге банк нашел зоны риска — где цены могут быть завышены.
  2. Выводы о рынке и переговоры. Другой банк с помощью ИИ сравнил ставки аренды со средними показателями на том же микрорынке. Эти данные позволили пересмотреть текущие ставки, а также ограничить риск их повышения в будущем. Еще один банк рассчитал справедливую стоимость цен на ПО с помощью алгоритмов комплексного прогнозирования затрат. В итоге цены удалось снизить на 10–30%.
  3. Управление спросом. Еще один банк изучил, как часто инкассаторы пополняют запасы в конкретных банкоматах и насколько быстро запасы заканчиваются. Затем банк объединил банкоматы в кластеры по необходимому запасу наличных. В итоге удалось сэкономить 14% за счет оптимизации объемов наличных и количества поездок.

О других рычагах сокращения затрат — управлении спросом на основе расчетов «с чистого листа», создании центра экспертизы для управления затратами — читайте в статье.

Читать подробнее на английском

к Вестнику McKinsey