Discovery Bank ứng dụng AI hành vi và dữ liệu thời gian thực để cá nhân hóa dịch vụ ngân hàng quy mô lớn

Làm thế nào một ngân hàng có thể khiến mọi tương tác với khách hàng đều mang tính cá nhân hóa, trong khi vẫn đáp ứng được các kỳ vọng về quy mô, tốc độ, bảo mật và quản trị của ngành dịch vụ tài chính?

Siêu cá nhân hóa (hyper-personalization) trong ngân hàng là khả năng làm cho mọi tương tác với khách hàng trở nên phù hợp với cá nhân đó, ngay tại thời điểm đó, dựa trên hành vi thực tế thay vì chỉ dựa trên phân khúc nhân khẩu học. Đó là sự khác biệt giữa việc gửi một thông báo tiết kiệm cho mọi khách hàng dưới 35 tuổi và việc đưa ra một gợi ý cụ thể cho một khách hàng vừa nhận lương, có khoản tiền gửi có kỳ hạn sắp đáo hạn và đã duyệt qua mục đầu tư trên ứng dụng ba lần trong tuần này. Ở quy mô mà các tổ chức tài chính đang vận hành, điều này đòi hỏi một hạ tầng AI được quản trị chặt chẽ, chứ không phải cấu hình thủ công.

Mối quan hệ của khách hàng với ngân hàng tạo ra một luồng tín hiệu liên tục—từ các mô hình thanh toán và chi tiêu đến hành vi tiết kiệm, tương tác kỹ thuật số, quyết định vay vốn và các cuộc hội thoại dịch vụ. Thách thức nằm ở việc chuyển đổi những tín hiệu đó thành các bước tiếp theo hữu ích, đồng thời giữ cho việc cá nhân hóa, bảo vệ chống gian lận, dịch vụ và quản trị luôn được kết nối với nhau.

Đối với Discovery Bank, ngân hàng được ra mắt vào năm 2019 để chuyển đổi ngành ngân hàng tại Nam Phi, câu trả lời không nằm ở một mô hình hay ứng dụng đơn lẻ. Đó là việc xây dựng ngân hàng dựa trên các sản phẩm dữ liệu dựa trên khoa học hành vi và AI, sau đó nhúng các sản phẩm đó vào toàn bộ hoạt động kinh doanh. Nền tảng này hỗ trợ sức khỏe tài chính, hành trình cá nhân hóa, bảo vệ chống gian lận, hỗ trợ nhân viên ngân hàng, AI tạo sinh và các hành động được kiểm soát thông qua các tác nhân (agents). Đối với các đội ngũ xây dựng những năng lực này, việc ra quyết định có thể tái sử dụng giúp các định nghĩa và kiểm soát luôn nhất quán trên các mảng tiếp thị, trải nghiệm kỹ thuật số, dịch vụ và các sáng kiến thay đổi hành vi.

Trải nghiệm của Discovery Bank mang đến một bài học thực tiễn cho các nhà lãnh đạo dịch vụ tài chính. AI trở nên giá trị hơn khi nó được kết nối với:

Hãy xem Stuart Emslie, Giám đốc Dữ liệu của Discovery Bank, chia sẻ cách họ hợp tác với Databricks để đạt được điều này.

Xây dựng ngân hàng dựa trên giá trị chia sẻ

Discovery Bank áp dụng mục đích cốt lõi của Discovery Group—làm cho mọi người khỏe mạnh hơn, nâng cao và bảo vệ cuộc sống của họ—vào hành vi tài chính thông qua mô hình ngân hàng giá trị chia sẻ. Khi khách hàng cải thiện hành vi tài chính của mình, họ có thể tiết kiệm nhiều hơn, quản lý tín dụng hiệu quả hơn và trở nên kiên cường hơn về mặt tài chính. Điều đó tạo ra giá trị cho khách hàng, giảm rủi ro cho ngân hàng và góp phần tạo nên một xã hội kiên cường hơn.

Việc thực hiện mô hình này đòi hỏi sự hiểu biết chi tiết và liên tục phát triển về hành vi của từng khách hàng. Khách hàng có các hồ sơ chi tiêu, mục tiêu tài chính và cách suy nghĩ về sức khỏe tài chính khác nhau. Đó là lý do tại sao Discovery Bank lấy dữ liệu, khoa học tính toán bảo hiểm (actuarial science), khoa học hành vi và AI làm nền tảng cho ngân hàng.

Chuyển đổi dữ liệu hành vi thành các sản phẩm có thể tái sử dụng

Discovery Bank tập hợp dữ liệu nhân khẩu học, hành vi giao dịch và chi tiêu, tương tác kỹ thuật số, các chỉ số tiết kiệm và vay vốn, tín hiệu rủi ro tín dụng, sự tham gia vào các chương trình phần thưởng và thông tin liên quan đến lối sống.

Discovery Bank sử dụng Nền tảng Dữ liệu và AI của Databricks để hợp nhất thông tin này dưới một nền tảng được quản trị và tạo ra các sản phẩm dữ liệu có thể tái sử dụng, bao gồm các tính năng kỹ thuật, chỉ số hành vi, điểm số mô hình, xu hướng, dự báo và khuyến nghị. Công cụ khoa học dữ liệu của Discovery Bank kết hợp các mô hình dự báo và hồi quy, hồi quy phân vị (quantile regression), phân khúc nâng cao và tìm kiếm tương đồng để tạo ra các hồ sơ hành vi khách hàng luôn phát triển.

Các sản phẩm dữ liệu được quản trị và có thể tái sử dụng này hỗ trợ việc thu hút và định giá khách hàng, quản lý rủi ro, cá nhân hóa sản phẩm và trải nghiệm, cải thiện dịch vụ, hỗ trợ nhân viên ngân hàng, phát hiện hoạt động bất thường và bảo vệ chống gian lận. Cùng một trí tuệ nền tảng có thể tạo ra giá trị trên nhiều lĩnh vực trong khi vẫn áp dụng các quyền và kiểm soát cần thiết cho từng trường hợp sử dụng.

Cách tiếp cận này cũng cải thiện cách làm việc của các đội ngũ. Thay vì tạo ra các phiên bản riêng biệt về thông tin khách hàng cho mỗi ứng dụng, các chuyên gia có thể xây dựng dựa trên các tài sản được chia sẻ và quản trị. Delta Lake, MLflow và Unity Catalog hỗ trợ các mô hình dữ liệu, mô hình hóa và quản trị cần thiết để vận hành các tài sản đó như những năng lực sản xuất thực tế.

Làm cho hành động tiếp theo tốt nhất trở nên hữu ích với khách hàng

Một trong những ứng dụng ban đầu của Discovery Bank là hành động tiếp theo tốt nhất (next-best action - NBA). Mục tiêu không phải là xác định điều gì đó mà ngân hàng muốn truyền đạt. Đó là xác định hành động nào là phù hợp và có giá trị đối với một khách hàng cụ thể, trong một bối cảnh cụ thể, tại một thời điểm cụ thể.

Sự khác biệt đó thay đổi vai trò của cá nhân hóa. Một hành động tiếp theo tốt nhất nên hỗ trợ hành trình hướng tới sức khỏe tài chính của khách hàng, thay vì chỉ đơn thuần là tăng cường truyền thông ra bên ngoài. Cùng một trí tuệ đó có thể thúc đẩy các tương tác trong và ngoài, các hành trình kỹ thuật số và dịch vụ có sự hỗ trợ của nhân viên ngân hàng.

Mô hình NBA của Discovery Bank đã tạo ra mức tăng 40% trong tác động tương tác của khách hàng. Nó cũng thay đổi cách làm việc của các đội ngũ dữ liệu: việc phát triển đường ống dữ liệu (pipeline) chạy nhanh hơn 20 lần và việc tạo sản phẩm dữ liệu nhanh hơn 5 lần, vì các đội ngũ xây dựng trên các tài sản được quản trị chung thay vì bắt đầu từ con số không cho mỗi kênh.

Đối với các đội ngũ dữ liệu, phân tích, tính toán bảo hiểm, ML và sản phẩm đang xây dựng những năng lực này, nguyên tắc thiết kế rất rõ ràng: giữ cho việc ra quyết định có thể tái sử dụng và tách biệt khỏi kênh nơi nó được kích hoạt. Một lớp ra quyết định chung có thể hỗ trợ tiếp thị, trải nghiệm kỹ thuật số, dịch vụ và các sáng kiến thay đổi hành vi trong khi vẫn giữ cho các định nghĩa và kiểm soát nhất quán.

Sử dụng bối cảnh hành vi để bảo vệ khách hàng

Cùng một trí tuệ hỗ trợ cá nhân hóa có thể tăng cường bảo mật. Các biện pháp kiểm soát gian lận truyền thống đặt câu hỏi liệu một giao dịch có khớp với một mô hình đã biết hay không. Cảnh báo TRUST™ của Discovery Bank bổ sung một câu hỏi bổ trợ: giao dịch này có hợp lý đối với khách hàng cụ thể này không?

Các cảnh báo TRUST™ đánh giá các tương tác tài chính dựa trên các chuẩn mực và mô hình hành vi của khách hàng. Discovery Bank đã xử lý hàng trăm triệu tương tác tài chính và áp dụng các mô hình dự báo, phân cụm, hồi quy phân vị và phát hiện bất thường để định lượng mức độ bất thường của một tương tác.

Kết quả là một đánh giá rủi ro thay vì một câu trả lời nhị phân. Một tương tác có rủi ro trung bình có thể kích hoạt cảnh báo giải thích lý do tại sao hoạt động đó có vẻ bất thường và cho phép khách hàng quyết định cách xử lý. Một tương tác rủi ro cao có thể dẫn đến sự can thiệp mạnh mẽ hơn, bao gồm cả việc khóa tài khoản của khách hàng.

Cách tiếp cận phân cấp này cân bằng giữa bảo vệ và trải nghiệm khách hàng. Nó cũng làm cho tính giải thích được trở nên thiết yếu: chỉ riêng điểm rủi ro là không đủ. Khách hàng và các đội ngũ vận hành cần bối cảnh để hiểu tại sao một tương tác bị gắn cờ. Các mô hình được vận hành thông qua kiến trúc phục vụ tùy chỉnh dựa trên Azure, trả về các quyết định ở quy mô lớn trong thời gian dưới vài trăm mili giây.

Xây dựng AI tạo sinh trên các nền tảng đáng tin cậy

Nguyên tắc của Discovery Bank đối với AI tạo sinh là nó không nên thay thế các năng lực dữ liệu và ML nền tảng. Nó mạnh mẽ nhất khi hoạt động cùng với chúng.

Các sản phẩm dữ liệu truyền thống cung cấp bối cảnh đáng tin cậy. Các mô hình ML cung cấp các dự báo, dự đoán và khuyến nghị. AI tạo sinh có thể làm cho trí tuệ đó dễ tiếp cận, giải thích và áp dụng hơn.

Kiến trúc được Discovery Bank mô tả tập hợp bốn lớp:

Discovery Bank đã ra mắt Discovery AI vào tháng 5 năm 2025 với tầm nhìn dân chủ hóa dịch vụ ngân hàng tư nhân. Không phải bằng cách tái tạo một nhân viên ngân hàng tư nhân bằng con người với giao diện trò chuyện, mà bằng cách thay đổi trải nghiệm dịch vụ thông qua trí tuệ hành vi và tính toán bảo hiểm sâu sắc hơn.

Discovery AI có thể trả lời các câu hỏi dịch vụ, giúp khách hàng điều hướng các hành trình ngân hàng, phân tích các khía cạnh hành vi tài chính của họ, đưa ra các thông tin chi tiết được cá nhân hóa, cung cấp khuyến nghị và hỗ trợ các hành động được chọn. Thay vì tìm đúng menu hoặc biểu mẫu, khách hàng có thể mô tả kết quả họ cần và hệ thống có thể giúp điều phối hành trình phù hợp.

Cải thiện dịch vụ có sự hỗ trợ của con người

Discovery Bank áp dụng cùng một trí tuệ cho dịch vụ tự phục vụ, trò chuyện văn bản với nhân viên ngân hàng và các cuộc gọi trong ứng dụng. Đối với dịch vụ có sự hỗ trợ của con người, Discovery Bank cũng sử dụng một trợ lý AI dành cho nhân viên ngân hàng, giúp truy xuất và tạo thông tin liên quan về khách hàng và yêu cầu dịch vụ. Một năng lực khác đưa các khuyến nghị và hành động tiếp theo tốt nhất vào tương tác bằng cách giải thích lý do tại sao mỗi khuyến nghị lại phù hợp và cung cấp thông tin hỗ trợ.

AI cũng giúp phân tích các tương tác dịch vụ. Tuân theo các kiểm soát về quản trị, quyền riêng tư và chất lượng, nó có thể xác định các vấn đề lặp đi lặp lại của khách hàng, các vấn đề dịch vụ mới nổi, các lỗ hổng chất lượng và cơ hội để cải thiện hành trình. Phân tích rộng hơn giúp các đội ngũ theo dõi xu hướng hiệu suất và huấn luyện các tác nhân (agents) hướng tới kết quả tốt hơn.

Điều này đưa AI vượt ra ngoài hiệu quả vận hành. Nó có thể cải thiện chất lượng tương tác và giúp tổ chức học hỏi từ một tập hợp các cuộc hội thoại khách hàng rộng lớn hơn.

Đặt các tác nhân (agents) vào các quy trình làm việc được quản trị

Mô hình tác nhân (agentic pattern) của Discovery Bank kết hợp các dịch vụ xác định, các mô hình ML truyền thống, các quy trình dựa trên LLM được điều phối và các tác nhân. Các tác nhân không thay thế môi trường kiểm soát; chúng hoạt động bên trong đó.

Trong các trường hợp sử dụng tác nhân, khách hàng có thể cung cấp văn bản, giọng nói, hình ảnh hoặc tài liệu để thực hiện thanh toán, hoàn tất mua hàng hoặc thực hiện các hành động liên quan. Các kiểm soát hiện có vẫn là một phần của quy trình. Ví dụ, các cảnh báo TRUST™ tiếp tục đánh giá rủi ro gian lận, trong khi Unity Catalog cung cấp một lớp quản trị nhất quán trên dữ liệu ngân hàng có cấu trúc, các tính năng hành vi, kết quả mô hình, tài liệu, bản ghi, nội dung được truy xuất và thông tin được cung cấp cho các ứng dụng tạo sinh.