Banken und Finanzinstitute (BFSI) investieren weiterhin in großem Umfang in intelligente Automatisierungstechnologien, um die ständig steigende Nachfrage nach Geschwindigkeit und personalisiertem Service von technikaffinen Firmenkunden zu befriedigen und gleichzeitig die Flut von Compliance- und regulatorischen Auflagen zu erfüllen. Intelligente Automatisierungstechnologien kombinieren die Leistung von Robotik-Prozessautomatisierung (RPA) mit Technologien der künstlichen Intelligenz (KI) wie optische/intelligente Zeichenerkennung (OCR/ICR), maschinelles Lernen (ML), Verarbeitung natürlicher Sprache (NLP) und Konversationsplattformen, um sich wiederholende und relativ komplexe menschliche Vorgänge und Interaktionen mit Geschwindigkeit und Konsistenz im Service zu lösen.
Wir haben unseren BFSI-Kunden geholfen, von der intelligenten Automatisierung ihrer Abläufe zu profitieren. Hier eine Momentaufnahme der Effizienz, die wir erreicht haben:
- Kommerzielle Kreditgeschäfte:
- Der Lebenszyklus eines Geschäftskredits beginnt in der Regel mit dem Onboarding eines Firmenkunden. ML, OCR und RPA wurden eingesetzt, um Daten aus strukturierten und unstrukturierten Kreditdokumenten zu extrahieren und die Eingabe von Kundendaten in das Kontoeröffnungs- und Kreditverarbeitungssystem sowie die Berechnung des Risikos und der Kreditwürdigkeit zu automatisieren. Der gesamte Lebenszyklus der Kreditbearbeitung wurde um über 30 % beschleunigt.
- Trade Finance Operations: Der Lebenszyklus beansprucht aufgrund mehrerer und unterschiedlicher Systeme und eines hohen Dokumentationsaufkommens eine beträchtliche operative Bandbreite.
- Akkreditive (LC) und Garantien: Effizienzsteigerungen von über 20 % bei der Bearbeitung von Akkreditiven und der Beratung zu Akkreditiven wurden erreicht, indem ML-Engines geschult wurden, um Daten aus Akkreditivanträgen zu extrahieren, und RPA eingesetzt wurde, um Details zum Antragsteller und Begünstigten, den Betrag und andere Details einzugeben, Gebühren zu berechnen und mit dem SWIFT-System zu arbeiten, um eine MT700-Nachricht zu erstellen, die an die beratende Bank gesendet wurde.
- Rechnungsdiskontierung und Finanzierung: Finanzierungs- und Diskontierungsanfragen wurden automatisch durch eine ML-Engine verarbeitet, die in mehreren Formaten geschult wurde und manuelle Eingriffe um über 15 % reduzierte. Mehrere Schritte in der Lieferkette und im Betriebskapitalprozess wurden ebenfalls automatisiert.
- Import- und Exportzahlungen: Die Kombination aus OCR, ML und RPA wurde eingesetzt, um mehrere Dokumente wie Begleitschreiben, Frachtbriefe, Luftfrachtbriefe, Zertifikate und Rechnungen zu verarbeiten und Daten in Handelsfinanzierungssysteme einzugeben, um Zahlungen für Importeure zu verarbeiten. Intelligente Automatisierung wurde auch eingesetzt, um die Exportzahlungsvorgänge um mehr als 20 % zu rationalisieren und manuelle Eingriffe zu reduzieren, um eingehende Zahlungen an Exporteure mit den Handelsfinanzierungs- und Buchhaltungssystemen abzustimmen.
- Regulierungs- und Compliance-Operationen: Im Firmenkundengeschäft gibt es eine Vielzahl von Regulierungs- und Compliance-Anforderungen, die zu einem hohen operativen Aufwand führen.
- Know your customer (KYC), Anti-Geldwäsche (AML) und Sanktionsprüfung: Die Namen von Personen, Unternehmen und anderen Körperschaften, die in Kundendokumenten gefunden wurden, wurden auf intelligente Weise extrahiert und von RPA an Sanktionsscreening-Systeme weitergeleitet, wobei ML verwendet wurde, um falsch-positive Ergebnisse im Namensscreening zu identifizieren; dieser Prozess reduzierte die Kosten für die Einhaltung der Vorschriften erheblich. RPA wurde eingesetzt, um KYC-Kandidaten auszuwählen und die Eingabe von Daten in AML-Anwendungen wie LexisNexis zu automatisieren und die Ergebnisse zu verarbeiten. Durch die Automatisierung der KYC- und Sanktionsprüfung konnte der Aufwand für die Aufnahme von Kunden um mehr als 25 % reduziert werden.
- Transaktionsprüfung: Banken verfügen über große operative Teams, die sich mit der Verwaltung von Sanktionstreffern befassen und mehrere Genehmigungsstufen durchlaufen, bevor ein falsches positives Ergebnis gelöscht wird, aber mehr als 95 % der Sanktionstreffer sind falsch positiv. Wir haben eine ML-Engine auf die häufigsten Muster von False Positives trainiert, um sie automatisch zu entfernen, einen Prüfpfad für jede Bot-Entscheidung für Compliance-Überprüfungen zu hinterlassen und den operativen Aufwand erheblich zu reduzieren.
- Zahlungsvorgänge: Intelligente Automatisierung wurde angewandt, um die Verarbeitung von ein- und ausgehenden Zahlungen zu automatisieren, den manuellen Aufwand für die Untersuchung von Zahlungsproblemen zu verringern, die Durchlaufrate für Zahlungen um über 40 % zu erhöhen und die Abhängigkeit von den Mitarbeitern zu verringern.
- Eingehende/ausgehende Zahlungen: Intelligente Automatisierung wurde eingesetzt, um mehrere Zahlungsverarbeitungsszenarien zu automatisieren, um relevante Daten aus Zahlungsreferenzfeldern in SWIFT MT202-Nachrichten zu extrahieren und NOSTRO-Überweisungen zu beschleunigen, um Details aus Überweisungsformularen für eingehende Zahlungen zu extrahieren, um Gehaltsabrechnungen und Lieferantenzahlungen automatisch zu verwalten und um ausgehende Überweisungen zu initiieren.
- Untersuchung und Reparatur von Zahlungen: ML wurde eingesetzt, um häufige Muster von Zahlungsreparaturen zu erkennen und Zahlungsnachrichten, die aufgrund falscher oder fehlender Kontonummern, BIC-Codes oder Korrespondenzbankangaben nicht automatisch verarbeitet wurden, automatisch zu korrigieren. Die Untersuchung häufiger Probleme bei der Zahlungsverarbeitung, z. B. wenn ein Begünstigter den Nichterhalt von Geldern oder falsche Kontodaten reklamiert, wurde mit ML und RPA automatisiert, um unstrukturierte Inhalte in MT199-Nachrichten zu verarbeiten, Antworten zu senden und Daten aus den Zahlungssystemen zu lesen und in diese einzugeben. RPA wurde weiter eingesetzt, um Probleme wie Zahlungsrückrufe und Wechselkursdiskrepanzen durch Anwendung einer Reihe von Regeln zu behandeln.
- Cash-Management-Operation:
- Die Bearbeitung von Rechnungen und Bestellungen und deren Abgleich mit den Buchhaltungssystemen der Bank ist sehr arbeitsintensiv. Aufgrund des hohen Rechnungsvolumens nahmen die Prüfer der Bank nur etwa 10 % der Rechnungen in Augenschein und prüften sie, bevor sie sie genehmigten. Wir trainierten die ML-Engine, um mehrere Rechnungsformatstrukturen zu erkennen und die relevanten Daten zu extrahieren. Rechnungen, die nicht erkannt wurden, wurden an einen Mitarbeiter zur Bearbeitung weitergeleitet, wobei die ML-Engine im Hintergrund mit RPA lernte, um Daten in die Buchhaltungssysteme einzugeben. Dadurch konnten die Betriebskosten um über 30 % gesenkt werden, und die Bank war in der Lage, 100 % der Rechnungen konsequent zu prüfen.
Es gibt viele, viele weitere Beispiele für intelligente Automatisierung, die Banken und Finanzinstituten helfen, in diesem Markt mit sich verändernden Kundenerwartungen und zunehmender Einhaltung von Vorschriften wettbewerbsfähig zu bleiben.
