Discovery Bankが大規模な超パーソナライズされたバンキングを実現する方法：行動AI、ガバナンスされたデータ、リアルタイムの意思決定

金融サービスに求められるスケール、スピード、セキュリティ、ガバナンスの期待に応えながら、銀行はどのようにしてすべての顧客対応をパーソナライズされたものに感じさせることができるでしょうか？

銀行業務におけるハイパーパーソナライゼーションとは、デモグラフィック（属性）セグメントではなく、顧客の実際の行動に基づいて、その瞬間のその人に適した顧客対応を提供する能力のことです。これは、35歳未満のすべての顧客に貯蓄の案内を送るのと、給与が振り込まれたばかりで、定期預金が満期を迎え、今週アプリの投資セクションを3回閲覧した顧客に対して、具体的な提案を表示することの違いにあたります。金融機関が運営する規模において、これを実現するには手動の設定ではなく、ガバナンスの効いたAIインフラストラクチャが必要です。

顧客と銀行との関係は、決済や支出パターンから、貯蓄行動、デジタルエンゲージメント、借入の決定、サービスに関する会話にいたるまで、継続的なシグナルの流れを生み出します。課題は、パーソナライゼーション、不正防止、サービス提供、ガバナンスの連携を維持しながら、それらのシグナルを有用な次のステップへと変換することです。

南アフリカの銀行業務を変革するために2019年に設立されたDiscovery Bankにとって、その答えは単一のモデルやアプリケーションではありませんでした。行動科学とAIに基づくデータプロダクトを中心に銀行を構築し、それらのプロダクトをビジネス全体に組み込むことでした。この基盤は、ファイナンシャルウェルネス、パーソナライズされたジャーニー、不正防止、バンカー支援、ジェネレーティブAI、エージェントによる制御されたアクションをサポートします。これらの機能を構築するチームにとって、再利用可能な意思決定プロセスにより、マーケティング、デジタル体験、サービス提供、行動変容の取り組み全体で定義と制御の一貫性が維持されます。

Discovery Bankの経験は、金融サービスのリーダーに実践的な教訓を提供します。AIは、以下と接続されることで、より価値の高いものになります。

• 信頼できるデータ
• 再利用可能な分析プロダクト
• 確定的サービス
• システムがインサイトからアクションへと移行する際にも維持されるガバナンス

Discovery Bankのデータ部門責任者であるStuart Emslie氏が、これを実現するためにどのようにDatabricksと提携したかをご覧ください。

共有価値を中心に銀行を構築する

Discovery Bankは、共有価値（シェアードバリュー）バンキングモデルを通じて、Discovery Groupの「人々をより健康にし、その生活を向上させ、保護する」という核心的な目的を金融行動に適用しています。顧客が金融行動を改善すると、より多くの貯蓄ができ、より効果的にクレジットを管理し、財務的な回復力を高めることができます。これにより、顧客に価値が生まれ、銀行のリスクが軽減され、より強靭な社会に貢献します。

このモデルを実現するには、各顧客の行動を詳細かつ継続的に進化させながら理解する必要があります。顧客によって、支出プロファイル、財務目標、財務の健全性に対する考え方は異なります。だからこそ、Discovery Bankはデータ、保険数理、行動科学、そしてAIを銀行の基盤としたのです。

行動データを再利用可能なプロダクトに変換する

Discovery Bankは、デモグラフィックデータ、取引および支出行動、デジタルエンゲージメント、貯蓄および借入の指標、信用リスクシグナル、特典への参加、ライフスタイル関連情報を統合しています。

Discovery Bankは、Databricks Data and AI Platformを使用して、ガバナンスの効いた1つのプラットフォームの下でこの情報を統合し、エンジニアリングされた特徴量、行動指標、モデルスコア、トレンド、予測、レコメンデーションなどの再利用可能なデータプロダクトを作成しています。Discovery Bankのデータサイエンスエンジンは、予測モデルと回帰モデル、分位点回帰、高度なセグメンテーション、類似性検索を組み合わせて、進化し続ける顧客行動のプロファイルを作成します。

これらのガバナンスの効いた再利用可能なデータプロダクトは、顧客獲得と価格設定、リスク管理、プロダクトと体験のパーソナライゼーション、サービスの向上、バンカーの能力向上、異常アクティビティの検出、不正防止をサポートします。同じ基盤となるインテリジェンスが、各ユースケースに必要な権限と制御を適用しながら、複数の領域にわたって価値を創出できます。

このアプローチは、チームの働き方も改善します。アプリケーションごとに顧客インテリジェンスの個別バージョンを作成するのではなく、実務担当者は共有され、ガバナンスの効いたアセットを活用できます。Delta Lake、MLflow、およびUnity Catalogは、これらのアセットを本番環境の機能として運用するために必要なデータ、モデリング、ガバナンスのパターンをサポートします。

ネクストベストアクションを顧客にとって有用なものにする

Discovery Bankの初期のアプリケーションの1つが、ネクストベストアクション（NBA）でした。その目標は、銀行が伝えたいことを特定することではありません。特定の文脈において、特定の時点で、特定の顧客にとって関連性があり価値のあるアクションが何かを判断することです。

この違いが、パーソナライゼーションの役割を変えます。ネクストベストアクションは、単にアウトバウンドのコミュニケーションを増やすのではなく、顧客の財務健全性に向けたジャーニーをサポートするものであるべきです。同じインテリジェンスが、インバウンドとアウトバウンドのやり取り、デジタルジャーニー、バンカーによる支援サービスを推進できます。

Discovery BankのNBAモデルは、顧客エンゲージメントの影響において40%の向上をもたらしました。また、データチームの働き方も変えました。チームがチャネルごとにゼロから構築するのではなく、共有されガバナンスの効いたアセットを活用するため、パイプライン開発は20倍高速化し、データプロダクトの作成は5倍高速化しました。

これらの機能を構築するデータ、分析、保険数理、ML、プロダクトのチームにとって、設計原則は明確です。それは、意思決定プロセスを再利用可能にし、それがアクティブ化されるチャネルから分離しておくことです。共有の意思決定レイヤーは、定義と制御の一貫性を維持しながら、マーケティング、デジタル体験、サービス提供、行動変容の取り組みをサポートできます。

行動コンテキストを活用して顧客を保護する

パーソナライゼーションをサポートするのと同じインテリジェンスが、セキュリティを強化することもできます。従来の不正防止管理では、取引が既知のパターンと一致するかどうかを検証します。Discovery BankのTRUST™アラートは、補完的な問いを追加します。それは、「その取引はその特定の顧客にとって理にかなっているか？」という問いです。

TRUST™アラートは、顧客の行動規範やパターンに照らし合わせて金融取引を評価します。Discovery Bankは何億もの金融取引を処理し、予測モデル、クラスタリング、分位点回帰、異常検出を適用して、取引がどれほど異常であるかを定量化してきました。

その結果は、二者択一の回答ではなく、リスク評価として得られます。中程度のリスクの取引では、そのアクティビティが異常に見える理由を説明するアラートがトリガーされ、顧客がどのように進めるかを決定できるようにします。高リスクの取引では、顧客のアカウントのロックを含む、より強力な介入につながる可能性があります。

この段階的なアプローチは、保護と顧客体験のバランスを取るものです。また、説明可能性が不可欠になります。リスクスコアだけでは十分ではありません。顧客や運用チームは、なぜ取引にフラグが立てられたのかを理解するためのコンテキストを必要とします。モデルは、数百ミリ秒未満で大規模に意思決定を返す、カスタムのAzure-based serving architectureを通じて運用されています。

信頼できる基盤の上にジェネレーティブAIを重ねる

Discovery BankのジェネレーティブAIに対する原則は、それが基盤となるデータやMLの機能を置き換えるべきではないということです。これらと連携して機能するときに、最も強力になります。

従来のデータプロダクトは、信頼できるコンテキストを提供します。MLモデルは、予測、予報、レコメンデーションを提供します。ジェネレーティブAIは、そのインテリジェンスへのアクセス、説明、適用を容易にします。

Discovery Bankが説明するアーキテクチャは、次の4つのレイヤーを統合しています。

• 厳選された顧客、プロダクト、取引情報を含む、ガバナンスの効いたデータレイヤー
• モデルが予測、行動インサイト、レコメンデーション、ネクストベストアクションを生成する分析レイヤー
• AI体験に必要な情報とコア機能を公開する制御ツールとサービス
• アクションと応答を決定するために、特化した大規模言語モデル、プロセス、エージェントを使用する生成レイヤー

Discovery Bankは、プライベートバンキングを民主化するというビジョンのもと、2025年5月にDiscovery AIを立ち上げました。チャットインターフェースで人間のプライベートバンカーを再現するのではなく、より深い保険数理および行動インテリジェンスを通じてサービス体験を変革することを目指しています。

Discovery AIは、サービスに関する質問への回答、顧客の銀行取引ジャーニーのナビゲーション支援、財務行動の分析、パーソナライズされたインサイトの提示、推奨事項の提供、特定の選択されたアクションのサポートを行うことができます。顧客は適切なメニューやフォームを探す代わりに、必要な結果を説明するだけで、システムが適切なジャーニーの編成を支援します。

有人サービスの向上

Discovery Bankは、セルフサービス、テキストベースのバンカーチャット、アプリ内通話に同様のインテリジェンスを適用しています。有人サービスにおいて、Discovery Bankはバンカー向けのAIアシスタントも活用しており、顧客やサービスへの問い合わせに関する関連情報を取得・生成します。また、別の機能として、各推奨事項がなぜ適切であるかを説明し、裏付けとなる情報を提供することで、推奨事項や「次にとるべき最善のアクション（next-best action）」を対話に組み込んでいます。

AIはサービスにおけるやり取りの分析にも役立ちます。ガバナンス、プライバシー、品質管理を前提として、繰り返し発生する顧客の問題、新たに発生しているサービス課題、品質のギャップ、ジャーニーを改善する機会を特定できます。より広範な分析により、チームはパフォーマンスの傾向を追跡し、エージェントをより良い成果へと導くコーチングを行うことができます。

これにより、AIは単なる業務効率化を超えた存在になります。対話の質を向上させ、組織がより幅広い顧客との会話から学習するのに役立ちます。

ガバナンスが効いたワークフローへのエージェントの組み込み

Discovery Bankのエージェンティック（自律的）パターンは、確実性のあるサービス、従来のMLモデル、オーケストレーションされたLLMベースのプロセス、そしてエージェントを組み合わせたものです。エージェントは制御環境に取って代わるものではなく、その内部で動作します。

エージェンティックなユースケースでは、顧客はテキスト、音声、画像、またはドキュメントを提供して、支払い、購入の完了、または関連するアクションを実行できます。既存の制御機能はフローの一部として維持されます。たとえば、TRUST™アラートは引き続き不正リスクを評価し、Unity Catalogは、構造化された銀行データ、行動特徴量、モデル出力、ドキュメント、録音、取得されたコンテンツ、および生成アプリケーションに提供される情報全体にわたって、一貫したガバナンスレイヤーを提供します。

同じ原則が、ドキュメントの多いジャーニーにも適用されます。マルチモーダルシステムは、ドキュメントを分類し、フィールドを抽出し、既知のデータと照らし合わせて情報をチェックし、不整合を特定し、次に何が必要かを顧客に案内することができます。与信や、Discovery Bankの特典プログラムであるVitality Moneyなどの分野において、これにより手作業による管理プロセスをより迅速かつ有用にすることができます。

行動インテリジェンスからガバナンスの効いたアクションへ

Discovery BankのデータとAIのジャーニーは、積み重ねによるものでした。それは、ガバナンスの効いたデータプラットフォームと再利用可能なデータプロダクトから始まりました。その後、同行はパーソナライズと不正防止のための行動モデルと意思決定メカニズムを構築しました。生成AIによって、顧客やバンカーがそのインテリジェンスにアクセスしやすくなり、エージェントは制御されたアクションの編成や複雑なジャーニーの再設計を開始しました。

データチームは、直接的なパイプラインと統合されたMLフレームワークを使用できるため、SQL変換（データをあるデータ型から別のデータ型に変更するプロセス）が不要になり、コード管理が簡素化されます。データ処理時間は20倍高速化し、データプロダクトの作成と実装にかかる時間は5倍高速化しました。チーム間のコラボレーション、複雑さの軽減、高効率化のメリットを活かし、Discovery Bankはモデル構築能力を1日あたり300以上のモデルにまで向上させました。

Databricks Data and AI Platformは、依存関係なしにさまざまなコンポーネントを単一の統合プラットフォームに統合することで、共有価値を創出するために必要な集中型エコシステムを構築する同行の能力を大きく変革しました。これらの効率化により、インサイト獲得までの時間（time to insight）と本番稼働までの時間（time to production）が短縮され、500%を超える大幅な投資収益率（ROI）をもたらしました。

金融サービスチームにとって、実践的な教訓は極めてシンプルです。

• 明確なオーナーシップと定義のもと、ビジネス成果を中心に再利用可能なインテリジェンスを構築すること
• アクション可能性を明確にすること：プロファイルやスコアは、意思決定、推奨、介入、または次のステップに反映されるべきであること
• 顧客、バンカー、運用チームがシステムのアクションの理由を理解できるよう、体験に説明可能性を設計すること
• 信頼できる基盤に生成AIとエージェントを追加し、確実性のあるサービス、ML、権限、ガバナンスをプロセスに組み込み続けること

Discovery Bankの経験は、再利用可能なデータプロダクトが、銀行全体でパーソナライズ、不正防止、サービス、AIを連携できることを示しています。信頼できるデータ、モデル、制御、ガバナンスから始め、その上に生成AIとエージェントを重ねることで、インサイトを安全で有用なアクションへと変換します。

詳細をご希望ですか？当社のFinancial Services Industry Forum: Financial Intelligence beats General Intelligenceをご視聴いただき、AIを大規模に運用する方法をご確認ください。

FAQ

金融機関はどのようにDatabricks Data and AI Platformを活用できますか？

ガバナンスの効いた銀行データ、分析、機械学習、AIを統合し、パーソナライズ、リスク管理、不正防止、サービスに役立てることができます。チームは、アプリケーション全体で再利用可能な指標、スコア、予測、推奨事項を構築できます。

Unity Catalogは金融サービスのガバナンスをどのようにサポートしますか？

Unity Catalogは、構造化および非構造化の銀行データ、行動特徴量、モデル出力、ドキュメント、録音、AIアセット全体にわたって、統合されたガバナンス基盤を提供します。Unity Gatewayと組み合わせることで、一貫したアクセス制御、ポリシー適用、監査、可視性を、それらのアセットを使用する生成アプリケーションやエージェントに拡張します。

MLflowは銀行の機械学習をどのようにサポートできますか？

MLflowは、モデルの開発、バージョニング、チューニング、プロモーションを管理し、チームが一貫した制御のもとで予測モデルを実験から本番環境へと移行できるよう支援します。

Databricksは銀行におけるガバナンスの効いたAIをどのようにサポートしますか？

Databricksを使用すると、金融サービスチームは統合プラットフォーム上でAIを構築、管理、運用できます。行動データ、MLモデル、生成AI、エージェンティックなワークフローを接続しながら、一元化されたガバナンスと安全なデータアクセスを通じて、機密性の高い顧客データの不要な移動や重複を最小限に抑えることができます。

(このブログ記事はAI翻訳ツールを使用して翻訳されています) 原文記事