Banker och finansinstitut (BFSI) fortsätter att investera stort i intelligenta automationstekniker för att möta den ständigt ökande efterfrågan på snabbhet och personlig service från tekniskt kunniga företagskunder, samtidigt som de uppfyller spärren av efterlevnad och regleringsbegränsningar som styr dem. Intelligent automatiseringsteknik kombinerar kraften i robotisk processautomatisering (RPA) med artificiell intelligens (AI) teknik som optisk/intelligent teckenigenkänning (OCR/ICR), maskininlärning (ML), naturlig språkbehandling (NLP) och konversationsplattformar att lösa repetitiva och relativt komplexa mänskliga operationer och interaktioner med snabbhet och konsekvens i tjänsten.
Vi har hjälpt våra BFSI -kunder att dra nytta av intelligent automatisering i sin verksamhet. Här är en ögonblicksbild av effektiviteten vi har levererat:
- Kommersiell utlåning:
- Den kommersiella utlåningens livscykel börjar vanligtvis med att inleda en företagskund. ML, OCR och RPA användes för att extrahera data från strukturerade och ostrukturerade lånedokument och automatisera inmatning av klientdata till system för kontoöppning och lånebehandling och beräkning av risk och låneberättigande. Den totala livscykeln för lånebehandling accelererades med över 30%.
- Handelsfinansieringsverksamhet: Livscykeln förbrukar betydande bandbredd på grund av flera olika system och hög dokumentationsnivå.
- Kreditbrev (LC) och garantier: Effektivitet på över 20% i LC -bearbetningen och LC -rådgivningsprocessen uppnåddes genom att utbilda ML -motorer för att extrahera data från LC -applikationer och använda RPA för att ange detaljer om sökande och mottagare, belopp och annat detaljer; beräkna avgifter; och arbeta med SWIFT -systemet för att skapa ett MT700 -meddelande som skickades till den rådgivande banken.
- Räkningsrabatter och finansiering: Begäran om finansiering och rabatt behandlades automatiskt genom en ML -motor som utbildats i flera format och minskade manuella ingrepp med över 15%. Flera steg i leveranskedjan och rörelsekapitalprocessen automatiserades också.
- Import- och exportbetalningar: Kombinationen av OCR, ML och RPA användes för att behandla flera dokument, såsom brevbrev, konnosser, luftvägsräkningar, certifikat och fakturor och mata in data i handelsfinansieringssystem för att behandla betalningar för importörer. Intelligent automatisering användes också för att effektivisera exportbetalningsoperationer med över 20% och minska manuella ingripanden för att förena inkommande betalningar till exportörer med handelsfinansierings- och redovisningssystem.
- Reglerings- och efterlevnadsverksamhet: Det finns flera regelverk och efterlevnadskrav inom företagsbank som leder till höga operativa insatser.
- Känn din kund (KYC), penningtvätt (AML) och sanktionsscreening: Namnen på personer, företag och andra enheter som finns i klientdokument extraherades intelligent och matades av RPA till sanktionsscreeningssystem med ML som används för att identifiera falska positiva resultat i namnescreeningsresultat; denna process minskade avsevärt kostnaden för efterlevnad. RPA användes för att hämta KYC -kandidater och automatisera inmatning av data till AML -applikationer som LexisNexis och bearbeta resultaten. Mer än 25% av ansträngningarna för klient onboarding -operationer minskade med KYC och sanktionsscreeningsautomatisering.
- Transaktionsscreening: Banker har stora operativa team som arbetar med att hantera sanktionsträffar med flera nivåer av godkännanden innan de rensar falskt positivt, men mer än 95% av sanktionsträffarna är falska positiva. Vi utbildade en ML -motor i de vanligaste mönstren av falskt positiva för att automatiskt ta bort dem, lämna ett granskningsspår för varje botbeslut för efterlevnadsgranskningar och avsevärt minska den operativa ansträngningen.
- Betalningsoperationer: Intelligent automatisering tillämpades för att automatisera behandlingen av inkommande och utgående betalningar, minska manuella ansträngningar för att undersöka betalningsfrågor, öka raka bearbetningshastigheter för betalningar med över 40%och minska beroendet av operatörer.
- In- och utbetalningar: Intelligent automatisering användes för att automatisera flera betalningsscenarier för att extrahera relevant data från betalningsreferensfält i SWIFT MT202 -meddelanden och påskynda NOSTRO -överföringar, extrahera detaljer från överföringsformulär för inkommande betalningar, hantera automatiskt lönehantering och leverantörsbetalningar, och initiera utgående fondöverföringar.
- Betalningsundersökningar och reparationer: ML användes för att identifiera vanliga mönster för betalningsreparationer och automatiskt fixa betalningsmeddelanden som inte behandlades automatiskt på grund av felaktiga eller saknade kontonummer, BIC -koder eller korrespondentbankinformation. Undersökningen av frekventa betalningshanteringsfrågor, såsom en mottagare som hävdar att pengar inte tas emot eller felaktiga kontouppgifter, automatiserades med ML och RPA för att bearbeta ostrukturerat innehåll i MT199-meddelanden, skicka svar och läsa från och mata in data i betalningssystemen. RPA utnyttjades ytterligare för att hantera frågor som betalningsåterkallelser och avvikelser i växelkurser genom att tillämpa en uppsättning regler.
- Kassahantering:
- Mycket arbete krävs för att behandla fakturor och inköpsorder och förena dem med bankens bokföringssystem. På grund av den stora fakturamängden tog bankens checkers prov och kontrollerade endast cirka 10% av fakturorna innan de godkändes. Vi utbildade ML -motorn i att identifiera flera strukturer för fakturaformat och extrahera relevant data. Fakturor som inte kände igen skickades till en operatör för att bearbeta med ML -motorinlärning i bakgrunden med RPA för att mata in data i redovisningssystem. Detta minskade driftskostnaderna med över 30% och gjorde det möjligt för banken att prova 100% av fakturorna konsekvent.
Det finns många, många fler fall av intelligent automatisering som hjälper banker och finansinstitut att förbli konkurrenskraftiga på denna marknad med växande kundförväntningar och växande regelefterlevnad.
