Come Discovery Bank offre servizi bancari iper-personalizzati su scala: AI comportamentale, dati governati e decision-making in tempo reale

In che modo una banca può rendere personalizzata ogni interazione con il cliente, soddisfacendo al contempo le aspettative di scalabilità, velocità, sicurezza e governance dei servizi finanziari?

L'iper-personalizzazione nel settore bancario è la capacità di rendere ogni interazione con il cliente rilevante per quella specifica persona, in quel preciso momento, in base al suo comportamento effettivo piuttosto che a un segmento demografico. È la differenza tra l'invio di un promemoria di risparmio a tutti i clienti sotto i 35 anni e la presentazione di un suggerimento specifico a un cliente che ha appena ricevuto lo stipendio, ha un deposito vincolato in scadenza e ha visitato la sezione investimenti dell'app tre volte questa settimana. Alla scala in cui operano gli istituti finanziari, ciò richiede un'infrastruttura di AI governata, non una configurazione manuale.

La relazione di un cliente con una banca genera un flusso continuo di segnali: dai pagamenti e dai modelli di spesa al comportamento di risparmio, all'engagement digitale, alle decisioni di prestito e alle conversazioni con il servizio clienti. La sfida consiste nel trasformare questi segnali in passaggi successivi utili, mantenendo connessi personalizzazione, protezione dalle frodi, assistenza e governance.

Per Discovery Bank, lanciata nel 2019 per trasformare il settore bancario in Sudafrica, la risposta non è stata un singolo modello o applicazione. È stata quella di costruire la banca attorno a prodotti di dati basati sulla scienza comportamentale e sull'AI, per poi integrare tali prodotti in tutta l'azienda. Questa base supporta il benessere finanziario, i percorsi personalizzati, la protezione dalle frodi, l'assistenza dei consulenti bancari, l'AI generativa e le azioni controllate tramite agenti. Per i team che sviluppano queste funzionalità, un processo decisionale riutilizzabile mantiene coerenti le definizioni e i controlli tra marketing, esperienze digitali, assistenza e iniziative di cambiamento comportamentale.

L'esperienza di Discovery Bank offre una lezione pratica per i leader dei servizi finanziari. L'AI acquisisce più valore quando è connessa a:

• Dati affidabili
• Prodotti analitici riutilizzabili
• Servizi deterministici
• Una governance che rimane presente mentre i sistemi passano dall'insight all'azione

Guarda Stuart Emslie, Head of Data di Discovery Bank, spiegare come hanno collaborato con Databricks per raggiungere questo obiettivo.

Costruire la banca attorno a un valore condiviso

Discovery Bank applica lo scopo principale di Discovery Group (rendere le persone più sane, migliorando e proteggendo le loro vite) al comportamento finanziario attraverso il suo modello bancario a valore condiviso. Quando i clienti migliorano il proprio comportamento finanziario, possono risparmiare di più, gestire il credito in modo più efficace e diventare finanziariamente più resilienti. Ciò crea valore per il cliente, riduce i rischi per la banca e contribuisce a una società più resiliente.

La realizzazione di questo modello richiede una comprensione dettagliata e in continua evoluzione del comportamento di ciascun cliente. I clienti hanno profili di spesa, obiettivi finanziari e modi di pensare alla salute finanziaria diversi. Ecco perché Discovery Bank ha reso i dati, la scienza attuariale, la scienza comportamentale e l'AI elementi fondamentali della banca.

Trasformare i dati comportamentali in prodotti riutilizzabili

Discovery Bank unisce dati demografici, comportamenti di transazione e di spesa, engagement digitale, indicatori di risparmio e prestito, segnali di rischio di credito, partecipazione a programmi di ricompensa e informazioni relative allo stile di vita.

Discovery Bank utilizza la Databricks Data and AI Platform per unificare queste informazioni sotto un'unica piattaforma governata e creare prodotti di dati riutilizzabili, tra cui feature ingegnerizzate, indicatori comportamentali, punteggi dei modelli, trend, previsioni e raccomandazioni. Il motore di data science di Discovery Bank combina modelli predittivi e di regressione, regressione quantile, segmentazione avanzata e ricerche di somiglianza per creare profili in continua evoluzione del comportamento dei clienti.

Questi prodotti di dati governati e riutilizzabili supportano l'acquisizione e il pricing, la gestione del rischio, la personalizzazione di prodotti ed esperienze, il miglioramento del servizio, l'abilitazione dei consulenti bancari, il rilevamento di attività insolite e la protezione dalle frodi. La stessa intelligenza sottostante può creare valore in diversi domini, applicando al contempo le autorizzazioni e i controlli richiesti per ciascun caso d'uso.

Questo approccio migliora anche il modo di lavorare dei team. Invece di creare versioni separate di client intelligence per ogni applicazione, i professionisti possono fare affidamento su asset condivisi e governati. Delta Lake, MLflow e Unity Catalog supportano i pattern di dati, modellazione e governance necessari per gestire tali asset come funzionalità di produzione.

Rendere utile per il cliente la next-best action

Una delle prime applicazioni di Discovery Bank è stata la next-best action (NBA). L'obiettivo non è identificare qualcosa che la banca vuole comunicare, bensì determinare quale azione sia rilevante e di valore per un particolare cliente, in un determinato contesto e in un momento specifico.

Questa distinzione cambia il ruolo della personalizzazione. Una next-best action dovrebbe supportare il percorso del cliente verso la salute finanziaria, anziché aumentare semplicemente le comunicazioni outbound. La stessa intelligenza può guidare le interazioni inbound e outbound, i percorsi digitali e il servizio assistito dai consulenti bancari.

Il modello NBA di Discovery Bank ha prodotto un incremento del 40% nell'impatto sull'engagement dei clienti. Ha anche cambiato il modo di lavorare dei team di dati: lo sviluppo delle pipeline è 20 volte più veloce e la creazione di prodotti di dati è 5 volte più rapida, perché i team si basano su asset condivisi e governati anziché ricominciare da capo per ogni canale.

Per i team di dati, analytics, attuariali, ML e di prodotto che sviluppano queste funzionalità, il principio di progettazione è chiaro: mantenere il processo decisionale riutilizzabile e separato dal canale in cui viene attivato. Un livello decisionale condiviso può supportare il marketing, le esperienze digitali, l'assistenza e le iniziative di cambiamento comportamentale, mantenendo coerenti le definizioni e i controlli.

Utilizzare il contesto comportamentale per proteggere i clienti

La stessa intelligenza che supporta la personalizzazione può rafforzare la sicurezza. I controlli tradizionali delle frodi verificano se una transazione corrisponde a un modello noto. L'avviso TRUST™ di Discovery Bank aggiunge una domanda complementare: la transazione ha senso per questo specifico cliente?

Gli avvisi TRUST™ valutano le interazioni finanziarie rispetto alle norme e ai modelli comportamentali del cliente. Discovery Bank ha elaborato centinaia di milioni di interazioni finanziarie e applicato modelli predittivi, clustering, regressione quantile e rilevamento delle anomalie per quantificare quanto sia insolita un'interazione.

Il risultato è una valutazione del rischio piuttosto che una risposta binaria. Un'interazione a rischio moderato può attivare un avviso che spiega perché l'attività appare insolita e consente al cliente di decidere come procedere. Un'interazione ad alto rischio può portare a un intervento più deciso, incluso il blocco del conto del cliente.

Questo approccio graduale bilancia la protezione con la client experience. Rende inoltre essenziale la spiegabilità: un punteggio di rischio da solo non è sufficiente. I clienti e i team operativi hanno bisogno di contesto per capire perché un'interazione è stata segnalata. I modelli vengono resi operativi attraverso un'architettura di serving personalizzata basata su Azure che restituisce decisioni su scala in meno di poche centinaia di millisecondi.

Integrare l'AI generativa su fondamenta affidabili

Il principio di Discovery Bank per l'AI generativa è che non dovrebbe sostituire i dati fondamentali e le funzionalità di ML. È più potente quando lavora in sinergia con essi.

I prodotti di dati tradizionali forniscono un contesto affidabile. I modelli di ML forniscono previsioni, forecast e raccomandazioni. L'AI generativa può rendere tale intelligenza più facile da accedere, spiegare e applicare.

L'architettura descritta da Discovery Bank unisce quattro livelli:

• Un livello di dati governato contenente informazioni curate su clienti, prodotti e transazioni
• Un livello analitico in cui i modelli generano previsioni, insight comportamentali, raccomandazioni e next-best action
• Strumenti e servizi di controllo che espongono le informazioni e le funzionalità principali necessarie per l'esperienza di AI
• Un livello generativo che utilizza modelli linguistici di grandi dimensioni specializzati, processi e agenti per determinare l'azione e la risposta

Discovery Bank ha lanciato Discovery AI a maggio 2025 con l'obiettivo di democratizzare il private banking. Non ricreando un consulente di private banking umano con un'interfaccia di chat, ma cambiando l'esperienza di assistenza attraverso una più profonda intelligenza attuariale e comportamentale.

Discovery AI può rispondere a domande sull'assistenza, aiutare i clienti a navigare nei percorsi bancari, analizzare aspetti del loro comportamento finanziario, far emergere insight personalizzati, fornire raccomandazioni e assistere in azioni selezionate. Invece di cercare il menu o il modulo giusto, un cliente può descrivere il risultato di cui ha bisogno e il sistema può aiutare a orchestrare il percorso appropriato.

Migliorare il servizio con assistenza umana

Discovery Bank applica la stessa intelligenza al self-service, alle chat testuali con i banchieri e alle chiamate in-app. Per il servizio con assistenza umana, Discovery Bank utilizza anche un assistente AI rivolto ai banchieri che recupera e genera informazioni rilevanti sul cliente e sulla richiesta di assistenza. Un'altra funzionalità introduce raccomandazioni e next-best action nell'interazione, spiegando perché ogni raccomandazione è pertinente e fornendo informazioni di supporto.

L'AI aiuta anche ad analizzare le interazioni di assistenza. Nel rispetto dei controlli di governance, privacy e qualità, può identificare problemi ricorrenti dei clienti, problematiche di servizio emergenti, gap qualitativi e opportunità per migliorare i percorsi. Un'analisi più ampia aiuta i team a monitorare i trend di performance e a guidare gli agenti verso risultati migliori.

Questo spinge l'AI oltre l'efficienza operativa. Può migliorare la qualità dell'interazione e aiutare l'organizzazione ad apprendere da un insieme più ampio di conversazioni con i clienti.

Inserire gli agenti in workflow soggetti a governance

Il pattern agentico di Discovery Bank combina servizi deterministici, modelli ML tradizionali, processi orchestrati basati su LLM e agenti. Gli agenti non sostituiscono l'ambiente di controllo; operano al suo interno.

Nei casi d'uso agentici, i clienti possono fornire testo, voce, immagini o documenti per effettuare pagamenti, completare acquisti o eseguire azioni correlate. I controlli esistenti rimangono parte del flusso. Gli avvisi TRUST™, ad esempio, continuano a valutare il rischio di frode, mentre Unity Catalog fornisce un livello di governance coerente su dati bancari strutturati, feature comportamentali, output dei modelli, documenti, registrazioni, contenuti recuperati e informazioni rese disponibili alle applicazioni generative.

Lo stesso principio si applica ai percorsi ad alta densità di documenti. Un sistema multimodale può classificare un documento, estrarre campi, verificare le informazioni rispetto a dati noti, identificare incongruenze e guidare il cliente su ciò che è richiesto successivamente. In aree come il credito e Vitality Money (il programma di premi di Discovery Bank), questo può rendere l'amministrazione manuale un processo più rapido e utile.

Dall'intelligence comportamentale all'azione soggetta a governance

Il percorso di dati e AI di Discovery Bank è stato cumulativo. È iniziato con una piattaforma dati soggetta a governance e prodotti dati riutilizzabili. La banca ha poi creato modelli comportamentali e sistemi di decisioning per la personalizzazione e la prevenzione delle frodi. L'AI generativa ha reso tale intelligenza più accessibile a clienti e banchieri, mentre gli agenti hanno iniziato a orchestrare azioni controllate e a riprogettare percorsi complessi.

I team di dati possono utilizzare pipeline dirette e un framework ML integrato, eliminando le conversioni SQL (il processo di modifica dei dati da un tipo di dati a un altro) e semplificando la gestione del codice. I tempi di elaborazione dei dati sono 20 volte più veloci e i tempi di creazione e implementazione dei prodotti dati sono 5 volte più rapidi. Sfruttando la collaborazione tra team diversi, la minore complessità e gli elevati guadagni di efficienza, Discovery Bank ha anche aumentato la propria capacità di creazione di modelli a oltre 300 modelli al giorno.

La Databricks Data and AI Platform ha trasformato la capacità della banca di creare l'ecosistema centralizzato di cui ha bisogno per generare valore condiviso, integrando diversi componenti in un'unica piattaforma consolidata senza dipendenze. Queste efficienze hanno consentito di accelerare il time to insight e il time to production, generando un significativo ritorno sull'investimento superiore al 500%.

Per i team dei servizi finanziari, le lezioni pratiche sono semplici:

• Creare un'intelligenza riutilizzabile attorno ai risultati aziendali, con proprietà e definizioni chiare
• Rendere esplicita l'azionabilità: un profilo o un punteggio dovrebbe informare una decisione, una raccomandazione, un intervento o un passaggio successivo
• Progettare la spiegabilità nell'esperienza in modo che clienti, banchieri e team operativi comprendano il motivo per cui il sistema ha agito
• Aggiungere AI generativa e agenti a una base affidabile, mantenendo coinvolti i servizi deterministici, il ML, le autorizzazioni e la governance

L'esperienza di Discovery Bank dimostra che i prodotti dati riutilizzabili possono connettere personalizzazione, protezione dalle frodi, assistenza e AI in tutta la banca. Inizia con dati, modelli, controlli e governance affidabili, quindi aggiungi l'AI generativa e gli agenti per trasformare gli insight in azioni sicure e utili.

Vuoi saperne di più? Guarda il nostro Financial Services Industry Forum: Financial Intelligence beats General Intelligence per scoprire come operazionalizzare l'AI su scala.

FAQ

In che modo le istituzioni finanziarie possono utilizzare la Databricks Data and AI Platform?

Unifica i dati bancari soggetti a governance, l'analitica, il machine learning e l'AI per la personalizzazione, il rischio, la protezione dalle frodi e l'assistenza. I team possono creare indicatori, punteggi, previsioni e raccomandazioni riutilizzabili in tutte le applicazioni.

In che modo Unity Catalog supporta la governance dei servizi finanziari?

Unity Catalog fornisce una base di governance unificata per dati bancari strutturati e non strutturati, feature comportamentali, output dei modelli, documenti, registrazioni e asset AI. Insieme a Unity Gateway, estende controlli di accesso coerenti, applicazione delle policy, auditing e visibilità alle applicazioni generative e agli agenti che utilizzano tali asset.

In che modo MLflow può supportare il machine learning nel settore bancario?

MLflow gestisce lo sviluppo, il controllo delle versioni, l'ottimizzazione e la promozione dei modelli, aiutando i team a trasferire i modelli predittivi dalla fase di sperimentazione a quella di produzione con controlli coerenti.

In che modo Databricks supporta l'AI soggetta a governance nel settore bancario?

Databricks consente ai team dei servizi finanziari di creare, gestire e operazionalizzare l'AI su una piattaforma unificata, connettendo dati comportamentali, modelli ML, AI generativa e workflow agentici, aiutando al contempo le organizzazioni a ridurre al minimo lo spostamento non necessario e la duplicazione dei dati sensibili dei clienti attraverso una governance centralizzata e un accesso sicuro ai dati.

(Questo post sul blog è stato tradotto utilizzando strumenti basati sull'intelligenza artificiale) Post originale