Una ricerca di Snowflake ha identificato tre tendenze significative che sottolineano come l’impatto della modernizzazione dei dati sulle organizzazioni specialiste dei servizi finanziari, ne stia influenzando strategia, pianificazione e investimenti tecnologici.
- I dati non strutturati acquisiscono maggiore importanza
I dati non strutturati e semi-strutturati costituiscono, secondo le stime, l’80%-90% di tutti i dati aziendali e il loro volume è in continua crescita. Nel settore dei servizi finanziari la quantità di dati non strutturati è particolarmente elevata e comprende file PDF dei contratti di prestito e delle polizze assicurative, email con clienti o partner commerciali, registrazioni dei call center e altro ancora.
Secondo il nostro report, l’elaborazione di dati non strutturati all’interno del Data Cloud Snowflake è aumentata del 123% dal giugno 2023, quando sono state rese disponibili le funzionalità di Snowpark. Dato che, nel settore dei servizi finanziari, è risultato essere pari al 244%, quasi il doppio del totale.
Uno dei motivi di questo aumento potrebbe essere il fatto che il settore dei servizi finanziari produce intrinsecamente più dati non strutturati rispetto ad altri a causa di obblighi di record keeping specifici. Dati non strutturati che, se sfruttati adeguatamente, non solo accelereranno i progressi in termini di analisi di marketing, rilevamento delle frodi e investimenti basati su casi d’uso, ma consentiranno la programmazione di applicazioni di AI generativa, tra cui la creazione di assistenti di intelligenza artificiale.
- La data governance è sempre più raffinata
Gli investimenti nella governance dei dati sono in crescita in tutti i settori. All’interno del Data Cloud Snowflake è emerso un aumento dell’uso di tagging (ad esempio, per identificare i dati sensibili protetti da policy) e masking (per limitare l’accesso ai dati protetti da policy). In generale, l’uso di misure di data governance è aumentato del 70- 100% nell’ultimo anno.
Tuttavia, queste misure non impediscono alle organizzazioni di sfruttare il valore contenuto nei dati. Complessivamente, il numero di richieste di accesso agli asset di dati protetti da policy è aumentato del 142% in tutti i settori nell’ultimo anno, a indicare che le organizzazioni ne stanno facendo un uso corretto, deliberato e approvato. Nello stesso periodo, per i servizi finanziari l’aumento è stato ancora maggiore, pari al 182%, principalmente dovuto al fatto che in questo settore le società sono particolarmente orientate ai dati e dispongono dell’esperienza, della motivazione e delle competenze necessarie per utilizzare i dati in modo più efficace rispetto alla maggior parte degli altri settori. Ciò dovrebbe rivelarsi estremamente utile nel momento in cui le società finanziarie aumenteranno ulteriormente il loro utilizzo dell’AI.
- L’utilizzo di Python è in forte aumento
Il linguaggio di programmazione Python è considerato particolarmente adatto alla progettazione e alla realizzazione di applicazioni di intelligenza artificiale. Non sorprende quindi che sia stato di gran lunga il linguaggio di scripting più utilizzato in Snowpark (la libreria di codifica integrata nel Data Cloud Snowflake). In tutti i settori, l’uso di Python è cresciuto del 571% nell’ultimo anno fiscale, superando facilmente Scala (+387%) e Java (+131%). Per i clienti dei servizi finanziari, l’uso di Python è aumentato addirittura del 585%.
Dal momento che le organizzazioni stanno sempre di più studiando e sperimentando i LLM e le AI generative, non c’è da sorprendersi che il volume di lavoro svolto in Python sia in aumento. Inoltre, per gli sviluppatori del settore dei servizi finanziari, Python è stato il linguaggio di riferimento per anni. Le sue radici open source e la maggiore accessibilità lo rendono una scelta migliore per alcune organizzazioni rispetto a linguaggi di programmazione più statistici, come R, MATLAB o SAS.
Questi risultati suggeriscono che i team IT nel mondo finanziario si trovino avvantaggiati per avviare iniziative di AI avanzate. I talenti scarseggiano, ma poiché molti sviluppatori che lavorano nel settore finanziario hanno già familiarità con Python, dovrebbero essere ben posizionati nello sviluppo di soluzioni e applicazioni di AI.
Cinque potenziali vantaggi che la Gen AI offre al settore dei servizi finanziari
Sebbene sia ancora in fase di sviluppo, l’AI generativa offre già un’ampia gamma di vantaggi e di potenziali casi d’uso per le società di servizi finanziari. Ecco cinque modi in cui queste organizzazioni possono beneficiare di questa tecnologia innovativa:
- Aumento della produttività e miglioramento della customer experience
Secondo una recente ricerca, il settore bancario ha un elevato potenziale di automazione alimentata dall’intelligenza artificiale rispetto ad altri mercati. Lo studio ha rilevato che il 73% delle attività delle banche potrebbe essere automatizzato o potenziato per rendere più efficiente il lavoro dei dipendenti. Per gli istituti finanziari con call center o quelli che vogliono migliorare il servizio clienti, la Gen AI può aiutare a sintetizzare le trascrizioni delle chiamate, creare nuovi profili, valutare il sentiment e implementare altre automazioni per ridurre i costi, migliorare l’esperienza e, in ultima analisi, fidelizzare.
- Analisi degli investimenti e ricerca quantistica più veloci nella gestione patrimoniale
Per i gestori di portafoglio e i ricercatori quantistici, la capacità di scansionare rapidamente i dati non strutturati all’interno di migliaia di report, notizie e altri documenti, inserendo anche dati di mercato, di riferimento e societari di terze parti, può snellire i flussi di lavoro che tradizionalmente richiedono molto tempo e avvicinarsi alla generazione alfa. Inoltre, la creazione di assistenti interni che consentano di sintetizzare più rapidamente questi dati garantirà un aumento di produttività.
- Efficienza organizzativa e riduzione dei costi nel settore assicurativo
I dati non strutturati sono alla base del settore assicurativo: contratti, dichiarazioni di sinistro, polizze e altro ancora. Gli strumenti di intelligenza artificiale consentono agli assicuratori di ridurre i costi organizzativi e di aumentare l’efficienza in materia di sinistri, sottoscrizioni e servizio clienti. I LLM possono aiutare in tutti i campi, dalla categorizzazione delle email in arrivo e la definizione delle priorità delle chiamate fino alla valutazione del rischio e al recupero dei dettagli delle polizze dai documenti storici.
- Riduzione dell’esposizione al rischio e miglioramento del reporting normativo
I team di risk management e compliance possono sfruttare l’AI generativa per simulare condizioni di mercato avverse e potenziali rischi futuri, per preparare l’organizzazione agli scenari peggiori. Possono anche utilizzarla per generare dati artificiali da utilizzare per lo stress-testing dei modelli finanziari e identificare nuovi modelli di frode.
- Democratizzazione della data science
Gli strumenti di Gen AI consentono ai dipendenti che non sono data scientist di trarre vantaggio dalla potenza di questa scienza, sviluppando il codice con l’aiuto di un linguaggio naturale semplice per ideare, sviluppare e implementare nuove funzionalità più velocemente.
Prepararsi ad affrontare il futuro dell’intelligenza artificiale
Nell’ultimo anno, la comunità di sviluppatori Streamlit ha visto 20.076 sviluppatori lavorare su 33.143 applicazioni alimentate da LLM (comprese le applicazioni ancora in fase di sviluppo). Questo significa che il potenziale futuro dell’AI è ormai alle porte. La nostra ricerca suggerisce che il 2024 sarà l’anno in cui l’AI generativa diventerà una componente cruciale dello stack tecnologico aziendale e che le applicazioni Gen AI stimoleranno un migliore processo decisionale basato sui dati. È chiaro che la gestione e la governance unificate dei dati saranno fondamentali per il successo di questi sforzi, sia per le società di servizi finanziari che per l’intera comunità economica.
Oggi le organizzazioni più lungimiranti creano applicazioni LLM più complesse, rendono l’AI più accessibile in tutta l’azienda e vedono i vantaggi di un’unica piattaforma dati.
