Como as instituições financeiras podem empregar Inteligência Artificial e Machine Learning para melhorar a qualidade de seus dados?

Embora as empresas de serviços financeiros venham adotando Inteligência Artificial (IA) e Machine Learning (ML) para aprimorar a forma como lidam com os dados, o ritmo com que isso é feito ainda se mostra bastante tímido. Neste post, apresentamos as principais conclusões de um novo estudo realizado pelo LSEG Labs que demonstra como as organizações podem preencher as lacunas relacionadas a dados.

1. Um número cada vez maior de instituições financeiras está recorrendo a dados alternativos, o que traz uma série de desafios relacionados à integração e potencialização desses elementos.
2. O novo estudo do LSEG Labs destaca que apenas 45% das empresas de serviços financeiros utilizam Inteligência Artificial e Machine Learning em mais de uma área da organização. Diante desse quadro, vemos que o setor ainda tem muito o que usufruir dos recursos de IA e ML, principalmente para o gerenciamento de dados.
3. As instituições financeiras estão se voltando para um modelo híbrido de core-satellite na adoção de IA e ML.

Para mais informações baseadas em dados diretamente no seu inbox, assine o boletim semanal Refinitiv Perspectives

Cada vez mais, notamos que há um verdadeiro abismo entre as organizações capazes de entender o mundo por meio de dados e aquelas que não possuem esse recurso.

Empresas com dados de melhor qualidade e maneira eficaz de integrá-los às suas operações têm uma visão mais clara das oportunidades disponíveis –e conseguem agir com base nesse conhecimento.

E, se na última década já se constatava um crescente interesse pelo uso de dados em tempo real para auxiliar nos processos de tomada de decisões, a Covid-19 fez com que essa tendência ganhasse força e urgência. Afinal, para se obter insights sobre comportamento do consumidor, cadeias de suprimentos e respostas das empresas à crise era preciso ter uma estratégia baseada em dados.

Lançamos recentemente a edição de 2021 de nosso estudo sobre Inteligência Artificial e Machine Learning, baseado em uma detalhada pesquisa anual com centenas de cientistas de dados que atuam em firmas de serviços financeiros. E, entre muitas descobertas surpreendentes, uma não saía da minha cabeça: 55% das empresas avaliadas estão empregando Machine Learning apenas em uma de suas áreas (ou simplesmente não a utilizam), enquanto os outros 45% já implantaram a tecnologia em mais de um setor da organização, estão contratando equipes maiores e resolvendo uma série de problemas no front, middle e back office.

Mas, afinal, como será que esse último grupo está fazendo isso? E será que as outros empresas, mais atrasadas, conseguirão acompanhar?

Todo mundo quer utilizar Machine Learning, mas poucos fazem isso da forma correta. Leia o resumo de nosso novo relatório e descubra o que é fundamental para as instituiçoes que estão tentando escalar seu uso de IA e ML

Como se juntar à turma da IA e do ML em 2022

Felizmente, não é tarde demais, e você não está sozinho. Na verdade, em muitos aspectos, a IA e o ML tornou-se mais fácil de ser adotado em comparação com apenas dois ou três anos atrás.

1. De qual estágio você está começando?

Para começar, é importante ser completamente honesto sobre a sua capacidade atual.

Descobrimos que, no que diz respeito aos recursos de IA e ML, as empresas têm uma visão particularmente favorável de si mesmas: em média, 63% dos entrevistados veem sua organização numa posição de liderança em relação à IA e ML, e apenas 2% se consideram retardatários nesse sentido.

Mas na prática, a situação é outra; poucas firmas estão na liderança nessa área. Tudo está em aberto.

2. Obtenha ajuda

Há alguns anos, as instituições acreditavam que precisavam de pesquisadores de IA e ML para desenvolver modelos personalizados. Porém, cada vez mais, vemos a terceirização dos serviços de IA e ML, com maior demanda por fornecedores terceirizados que se integrem a sistemas internos.

Todas as empresas pesquisadas, exceto 1%, usam provedores de nuvem externos.

Isso pode dar certo para tarefas genéricas, como atendimento ao cliente, análise de vendas e marketing digital. Isso porque, nesses casos, as ferramentas padronizadas desenvolvidas pelos fornecedores são usadas por companhias de diversos setores da economia, e já estão mais consolidadas.

Ferramentas predefinidas nunca foram as melhores, porque é provável que muitos dos problemas de sua empresa sejam específicos. Então, como é possível criar uma solução sob medida, que atenda às suas necessidades?

3. Abrace o processo

Como chefe de inovação do London Stock Exchange Group (LSEG), tenho visto muitos projetos para implementar Inteligência Artificial e Machine Learning em diferentes áreas de grandes corporações financeiras. E percebo que, quando se trata de prever se uma equipe é ou não capaz de atingir uma meta de IA, o principal fator preditivo é a sua disposição para adotar o ML como um processo iterativo.

Um processo reproduzível, onde os resultados são continuamente entregues, monitorados e ajustados tem muito mais chance de ser bem sucedido do que uma única “solução mágica”.

Seria ótimo se o seu primeiro projeto fosse o melhor modelo de geração de Alfa do setor financeiro. Mas convenhamos que esse é um resultado bastante improvável. Em vez disso, lembre-se: processos que são testados repetidamente, de ponta a ponta, são os que sustentam visões de IA e ML que de fato podem ser alcançados.

E posteriormente, suas experimentações iniciais podem até contribuir com outras áreas do negócio. Por isso, é aconselhável incluir os cientistas e engenheiros de dados, além de profissionais de MLOps, nas primeiras discussões sobre como integrar AI e ML nessas outras áreas.

4. Faça parceria com especialistas

Os especialistas no assunto e os dados são atualmente mais importantes do que a tecnologia.

As organizações estão adotando um modelo híbrido para suas equipes de ciência de dados: um time central associado a vários outros menores incorporadas às unidades de negócios.

Na edição de 2020 de nossa pesquisa, apenas 8% dos entrevistados relataram que suas empresas operavam nesse sistema. Este ano, esse número subiu para 25%.

Não é por acaso que os bancos de investimento estão na liderança na implantação do Machine Learning. Os principais casos de uso e benefícios estão concentrados nos departamentos nativos de dados –mais notavelmente em risco operacional, relatórios e compliance e gerenciamento de portfólio.

Todas essas são áreas de negócios que tradicionalmente contam com funcionários centrados em dados, como quants e analistas seniores. E, para identificar rapidamente as vantagens trazidas pelo ML, é sempre melhor começar pelos departamentos com mais competência em gestão de dados internos e fluxo de informações.

5. Dados ainda vêm em primeiro lugar

A qualidade dos dados é uma disciplina em si, e não um problema para os cientistas de dados corrigirem. Se você tem uma estratégia de Machine Learning, mas nenhuma estratégia de qualidade de dados, pare e repense.

Problemas persistentes na área de dados são uma fonte de estresse para as instituições que implantam o ML. Tarefas como vincular conjuntos de dados –crucial para a obtenção de novos insights—, também costuma ser um desafio comum (relatado por 44% dos entrevistados), ainda mais com a crescente adoção de dados alternativos.

Para mais informações a respeito de como as empresas estão enfrentando as dificuldades relacionadas a dados e investindo em recursos de Machine Learning, faça o download de nosso relatório. Espero que ele seja útil para o planejamento de 2022!