В началото на 2020 Revоlut набра 500 милиона долара от кръг Д на финансиране, оценявайки компанията на 5.5 милиарда долара. N26 беше оценена на 3.5 милиарда долара през 2019 и обяви допълнителни кръгове на инвестиции през 2021, очаквайки да е оценена на по-високо ниво. Оценката на Deutsche Bank’s през по-голямата част на 2020 беше за под 20 милиарда долара. Защо една от най-старите европейски банки, основана през 1870, имаща сериозно присъствие на няколко континента, над 80 000 служителя и общи активи от над 1.6 трилиона долара в баланса си се оценява на само 4-5 пъти стойността на новите, чалънджър банки с много по-лимитирани операции и активи под управление?

Отговорът, както всяко нещо в технологиите, е в бъдещето. Докато традиционните банки разчитат на бавно, постепенно и контролирано развитие на услугите и навлизане на пазара, технологичния сектор оперира с друга философия. Да правиш повече с по-малко, да използваш основно технологични средства и по-малко “твърди” активи, да се разрастваш бързо и навсякъде е начинът, по който се случват нещата. Дали традиционните банки осъзнават риска няма значение – промяната идва и то бързо.

Какво е общото на написаното с машинното обучение? Всъщност чалънджър банките и финансови институции са особено активни при използването на изкуствен интелект и машинно обучение за извършване на основни задачи, които са правени по различен начин преди. Ето три от тях:

• Откриване на измами. Докато традиционният подход е бил да се използва система от правила (например въвеждането на 2 грешни PIN-а е окей, но след третия опит, картата се блокира), един нов подход може да е да видиш поведението на потребителя и да решиш да приемеш трансакция на база на поведенчески модели, наблюдавани преди. Ако например пазаруваш нормално от малък супермаркет в някоя германска провинция, каква е вероятността един ден по-късно да си купуваш тениска от магазин в Бразилия? Подходът с формално дефинираните правила има своите предимства, но е лимитиран в случаи на сложни атаки. Ролята на изкуствения интелект също не е лесна обаче. Например има множество наблюдения, че потребители на Revolut са заключени от техните акаунти без ясна причина, а поддръжката на клиентите реагира много бавно (седмици бавно). Причината за закъсненията може би се крие в AI алгоритми за наблюдение на прането на пари, което показва, че машинното обучение е необходимо, но имплементацията и управлението са ключови за оптималното потребителско преживяване.
• Обслужване на клиентите. Monzo, основана през 2015, успява да достигне до 1 от всеки 20 възрастни във Великобритания само за 5 години, с общо над 3 милиона клиента от острова. Предвид на късия живот на банката, вероятно всички клиенти са привлечени от традиционните банки, които са добре установени. През 2019 Monzo заяви, че (към този момент) те смятат, че чатботовете са надценени и че комбинация от машинно обучение и човек е добър начин да се управлява комуникацията. Когато клиент се оплаква, AI сканира системните данни и предлага възможни отговори на поддържащия тим. В допълнение те правят седмични анализи на оплакванията, за да решат какви функции да имплементират в системата. Това е перфектния начин да се учиш от проблемите, които имаш и да направиш живота на клиентите си по-лесен.
• Да решиш кой вид шоколад да поръчаш. Ако трябва да говорим сериозно, в списанието на n26 има статия, която се опитва да разреши проблема кой вид шоколад да се поръча на база наличните данни. Имаме четири вида шоколад и информация за потреблението, но това достатъчно ли е? Вероятно информация за времето ще помогне да се разреши задачата, може би ще се окаже, че в дъждовни понеделници има специфичен модел на потребление на определен вид шоколад. Или може би ще се открие някой друг вид зависимост или корелация. Във всеки случай заключението е просто – използвай AI, за да се учиш постоянно от данните и създавай по-добри продукти за своите потребители – както външните, така и вътрешните.

За да обобщим, виждаме, че машинното обучение и AI са основни пазарни възможности, както и основен риск за традиционната индустрия. Смятаме, че това ще продължи да е така и бавно (или не толкова) ще трансформира индустрията функция по функция, услуга по услуга, пазар по пазар, донасяйки нова пазарна динамика и среда в близките години. Бъдещето е тук и сега, въпросът е можеш ли да си част от него.

https://techcrunch.com/2020/02/24/revolut-raises-500-million-at-5-5-billion-valuation/?guccounter=1&guce_referrer=aHR0cHM6Ly9kdWNrZHVja2dvLmNvbS8&guce_referrer_sig=AQAAAA05UpbpKlTiBW4rALLyft2AViTEu-LndK1t_3aYLod4bDWcXxnK1wVFUuMhamevYOJaP0o75XJ074JF6KqcgGHFDvl6hE9vra1ihwAxAT-Tm10jf02EpnvtpHULLSGgIdYxcX56ZIM01NrOV_zMhFdYjot8_OI3-g65pU72V7s0

https://www.fintechfutures.com/2019/12/top-10-challenger-banks-by-valuation-and-funding/

https://www.bloomberg.com/news/articles/2020-10-12/n26-said-to-weigh-2021-fundraising-above-3-5-billion-value

https://siliconcanals.com/news/startups/softbank-acquires-10-1-stake-sinch/

https://medium.com/@sukysmartyn/challenger-banks-in-europe-2019-overview-3f5ca88a252

https://towardsdatascience.com/quality-inspection-in-manufacturing-using-deep-learning-based-computer-vision-daa3f8f74f45

https://www.wsj.com/market-data/quotes/DB/financials/annual/balance-sheet

https://em360tech.com/data_management/videos/revolut-dmitri-lihhatsov/

https://www.thedrum.com/news/2019/04/11/machine-learning-and-data-are-powering-monzos-fintech-disruption

https://www.finews.com/news/english-news/42721-revolut-blocked-accounts-money-laundering

https://mag.n26.com/how-can-chocolate-help-you-understand-machine-learning-85c7a989775c

https://digital.hbs.edu/platform-digit/submission/monzo-a-digital-offering-that-has-traditional-uk-banks-scrambling/