AI financial analytics

શું AI ભાકીત કરી શકે છે કે કઈ નાણાકીય સંસ્થાઓ ડિજિટલ બેંકિંગ રેસ જીતશે?

કોઈ પણ AI સિસ્ટમ નિશ્ચિતતાથી ભાકીત કરી શકતી નથી કે કઈ નાણાકીય સંસ્થાઓ ડિજિટલ બેંકિંગ રેસ જીતશે. AI-સંચાલિત વિશ્લેષણ જે કરી શકે છે તે છે શરૂઆતના અપનાવવાના સંકેતો બહાર લાવવા: કોઈ સંસ્થા ગ્રાહક-કેન્દ્રિત ટેકનોલોજી કેટલી ઝડપથી અપનાવે છે, તે કયા ઉત્પાદન ક્ષેત્રોને પ્રાધાન્ય આપે છે, અને તેનો ઉપયોગ સ્પર્ધકોની સરખામણીમાં કેવો છે, આવા દાખલા. કેમ્બ્રિજ સેન્ટર ફોર ઓલ્ટરનેટિવ ફાઇનાન્સના 151 દેશોમાં 203 ફિનટેક અને 149 પરંપરાગત નાણાકીય સંસ્થાઓના સર્વેક્ષણમાં જાણવા મળ્યું કે ફિનટેક સતત ગ્રાહક-કેન્દ્રિત AI અપનાવવામાં આગળ છે, અને સૌથી મોટો તફાવત મોબાઇલ મનીમાં છે, જ્યાં 51% ફિનટેક AI નો ઉપયોગ કરે છે જ્યારે માત્ર 26% પરંપરાગત સંસ્થાઓ કરે છે. આ તફાવત જોવા જેવો સંકેત છે, આગાહી નથી.

"ડિજિટલ બેંકિંગ રેસ" નો વિચાર ઉદ્યોગ ક્ષેત્રની વાતચીતમાં એક સામાન્ય ટૂંકું નામ બની ગયો છે, જે સૂચવે છે કે એક ફિનિશ લાઇન છે જ્યાં કેટલીક સંસ્થાઓ જીતે છે અને અન્ય પાછળ રહી જાય છે. વાસ્તવમાં, બેંકિંગ એ એકબીજા સાથે જોડાયેલા અનેક બજારોનો સંગ્રહ છે, જેમાં ચુકવણી, ધિરાણ, બચત, મોબાઇલ મની, અને ગ્રાહક સેવાનો સમાવેશ થાય છે, દરેક પોતાની ગતિએ વિકસી રહ્યું છે. ઉપર ઉલ્લેખિત કેમ્બ્રિજ સેન્ટર ફોર ઓલ્ટરનેટિવ ફાઇનાન્સના તારણો જેવો અપનાવવાનો ડેટા, વિવિધ સંસ્થાઓ હાલમાં ક્યાં ઊભી છે તેનું ઉપયોગી ચિત્ર આપે છે. તે આપણને એ કહેતું નથી કે આવનારા વર્ષોમાં કોણ પ્રભુત્વ ધરાવશે, કારણ કે આજનું અપનાવવું એ લાંબા ગાળાના પરિણામોને આકાર આપતા ઘણા પરિબળોમાંનું ફક્ત એક છે.

આ લેખ પ્રામાણિકતાથી જુએ છે કે AI-આધારિત વિશ્લેષણ ડિજિટલ બેંકિંગમાં સંસ્થાકીય સ્પર્ધાત્મકતા વિશે આપણને શું કહી શકે છે અને શું નહીં. તે અંતર્ગત ખ્યાલ સમજાવે છે, ફિનટેક અને પરંપરાગત બેંકો વચ્ચે અપનાવવાનો તફાવત અત્યારે શા માટે મહત્વનો છે, આ ફેરફારોને ટ્રેક કરવા માટે વિશ્લેષણાત્મક સાધનોનો ખરેખર કેવી રીતે ઉપયોગ થઈ રહ્યો છે, અને કેમ્બ્રિજ સર્વેક્ષણ ડેટા વૈશ્વિક પેટર્ન વિશે શું સૂચવે છે. તે આ વલણોને સમજવાનો પ્રયાસ કરી રહેલા કોઈપણ માટે વ્યવહારુ, બિન-વ્યક્તિગત વિચારણાઓ પણ પ્રદાન કરે છે, સાથે સાથે આ પ્રકારની આગાહી વાસ્તવમાં કેટલી સચોટ હોઈ શકે તેની પ્રામાણિક સમીક્ષા આપે છે, જે ફિનટેક ગ્રાહક-કેન્દ્રિત AI અપનાવવામાં પરંપરાગત બેંકોને શા માટે પાછળ છોડી રહ્યા છે તે વ્યાપક પ્રશ્ન સાથે જોડાય છે.

ખ્યાલ સમજૂતી

મૂળભૂત રીતે, ડિજિટલ બેંકિંગમાં "વિજેતાઓની આગાહી" કરવા માટે AI નો ઉપયોગ કરવાનો અર્થ છે ઉપલબ્ધ સૂચકાંકો, જેમ કે અપનાવવાના દર, રોલઆઉટ ઝડપ, અને સંલગ્નતા મેટ્રિક્સ પર, આંકડાકીય અને મશીન-લર્નિંગ મોડેલો લાગુ કરવા, જેથી ડિજિટલ પરિવર્તનમાં સારું પ્રદર્શન કરી રહેલી સંસ્થાઓને ઓળખી શકાય. આ મોડેલો અવલોકનક્ષમ પેટર્નના આધારે સંસ્થાઓને ક્રમાંકિત, જૂથબદ્ધ, અથવા સ્કોર કરી શકે છે. તેઓ જે કરી શકતા નથી તે છે માપવા મુશ્કેલ પરિબળોનો હિસાબ રાખવો, જેમ કે નિયમનકારી ફેરફારો, નેતૃત્વ ફેરફારો, અથવા ગ્રાહક વિશ્વાસમાં ફેરફારો. આ કારણોસર, AI-આધારિત વિશ્લેષણ વર્તમાન પર નિદાન લેન્સ તરીકે શ્રેષ્ઠ કાર્ય કરે છે, ભવિષ્ય માટે સ્ફટિક ગોળા તરીકે નહીં.

કેમ્બ્રિજ સેન્ટર ફોર ઓલ્ટરનેટિવ ફાઇનાન્સનું સર્વેક્ષણ દર્શાવે છે કે વ્યવહારમાં આ વિશ્લેષણ કેવું દેખાય છે. પરિણામોની આગાહી કરવાને બદલે, તેણે વર્તમાન-સ્થિતિ મેટ્રિક માપ્યું: ગ્રાહક-કેન્દ્રિત કાર્યોમાં AI તૈનાત કરનાર ફિનટેક અને પરંપરાગત સંસ્થાઓનો હિસ્સો, ઉત્પાદન ક્ષેત્ર પ્રમાણે વિભાજિત. મોબાઇલ મનીમાં સૌથી મોટો તફાવત, 51% વિરુદ્ધ 26%, છે એ તારણ વર્ણનાત્મક છે, આગાહીલક્ષી નથી. તે વિશ્લેષકોને જણાવે છે કે વર્તમાન ગતિ ક્યાં છે, જે આગાહી માટે મૂલ્યવાન ઇનપુટ છે, પરંતુ લાંબા ગાળે કોણ આગળ રહેશે તેની આ પોતે આગાહી નથી.

આ અત્યારે શા માટે મહત્વનું છે

સમય મહત્વનો છે કારણ કે ડિજિટલ બેંકિંગ ઘણા બજારોમાં એક નિર્ણાયક વળાંક પર છે. ખાસ કરીને એવા વિસ્તારોમાં જ્યાં શાખા બેંકિંગ ક્યારેય સંપૂર્ણ રીતે સ્થાપિત થઈ શકી નથી ત્યાં મોબાઇલ મની નાણાકીય પ્રવેશનું મુખ્ય બિંદુ બની ગયું છે, જે તે ચેનલમાં AI-સક્ષમ સુવિધાઓને ખાસ મહત્વની બનાવે છે. આ ક્ષેત્રમાં પરંપરાગત સંસ્થાઓ કરતાં લગભગ બમણા દરે ગ્રાહક-કેન્દ્રિત AI અપનાવતા ફિનટેક એ સૂચવે છે કે આ સંસ્થાઓ કેવી રીતે બનેલી છે તેમાં એક માળખાકીય તફાવત છે: ફિનટેક સામાન્ય રીતે ડિજિટલ-નેટિવ હોય છે અને ઓછી જૂની સિસ્ટમો ધરાવે છે, જ્યારે પરંપરાગત બેંકો દાયકાઓ જૂનું માળખું ધરાવે છે જે ઝડપી AI એકીકરણને મુશ્કેલ બનાવે છે.

આ પણ મહત્વનું છે કારણ કે આ તફાવત જાતે ઘટવાની શક્યતા નથી. પરંપરાગત સંસ્થાઓને ગવર્નન્સ જરૂરિયાતો, જોખમ સમિતિઓ, અને પાલન સમીક્ષાઓનો સામનો કરવો પડે છે, જેને ફિનટેક, ખાસ કરીને નવા, વધુ ઝડપથી પાર કરી શકે છે. આ જરૂરી નથી કે ખામી હોય, કારણ કે તે પ્રક્રિયાઓ ગ્રાહક સુરક્ષા સહિત સારા કારણોસર અસ્તિત્વમાં છે, પરંતુ તેનો અર્થ એ છે કે એકલા અપનાવવાની ઝડપ સંસ્થાકીય તાકાતનું અધૂરું માપ છે. ઉદ્યોગની દિશા આંકવા માટે અપનાવવાના ડેટાનો ઉપયોગ કરનાર કોઈપણે ઝડપને સ્થિરતા સામે તોલવી પડશે, કારણ કે આ બંને હંમેશા લાંબા ગાળે એ જ સંસ્થાઓની તરફેણમાં હોતા નથી.

AI આ ક્ષેત્રને કેવી રીતે બદલી રહ્યું છે

AI બદલી રહ્યું છે કે વિશ્લેષકો ડિજિટલ બેંકિંગમાં સ્પર્ધાત્મક સ્થિતિનો અભ્યાસ કેવી રીતે કરે છે. ફક્ત આવક અહેવાલો અથવા કિસ્સા-આધારિત ટિપ્પણીઓ પર આધાર રાખવાને બદલે, વિશ્લેષકો હવે સંરચિત સર્વેક્ષણ ડેટા, અપનાવવાના બેન્ચમાર્ક, અને ઉપયોગ-પેટર્ન વિશ્લેષણના આધારે સંસ્થાઓ ક્યાં ઊભી છે તેનું વધુ વર્તમાન ચિત્ર બનાવી શકે છે. મશીન-લર્નિંગ તકનીકો મોટા ડેટાસેટ્સમાં સહસંબંધો ઓળખી શકે છે, જેમ કે એક ઉત્પાદન ક્ષેત્રમાં AI અપનાવવાને બીજા ક્ષેત્રમાં સંલગ્નતા વલણો સાથે જોડવું, જેને હાથે શોધવું મુશ્કેલ હશે. આ અનિશ્ચિતતાને દૂર કરતું નથી, પરંતુ તે ઉપલબ્ધ પુરાવાને પરંપરાગત રિપોર્ટિંગ ચક્રો કરતાં વધુ સમૃદ્ધ અને સમયસર બનાવે છે.

ફિનટેક અને પરંપરાગત બેંકો બંને પોતાની સ્પર્ધાત્મક સ્થિતિનું મૂલ્યાંકન કરવા માટે આંતરિક રીતે પણ AI નો ઉપયોગ કરે છે, ઉપલબ્ધ હોય ત્યારે ઉદ્યોગ ડેટા સામે પ્રતિભાવ સમય, વ્યક્તિગતકરણ ચોકસાઈ, અથવા છેતરપિંડી શોધને બેન્ચમાર્ક કરે છે. આ સ્વ-મૂલ્યાંકન એ કારણોનો એક ભાગ છે કે કેમ્બ્રિજ સેન્ટર ફોર ઓલ્ટરનેટિવ ફાઇનાન્સના સર્વેક્ષણમાં ઓળખાયેલો તફાવત શા માટે મહત્વનો છે: જે સંસ્થાઓ સ્પર્ધકોની સામે પોતાની AI પરિપક્વતા માપે છે તે માહિતગાર રોકાણ નિર્ણયો માટે વધુ સારી સ્થિતિમાં હોય છે, ભલે તે માપ ભવિષ્યની બજાર સફળતાની ખાતરી ન આપે. rupiya.ai જેવા પ્લેટફોર્મ આવા વલણોને ટ્રેક કરે છે અને સમજાવે છે એવા વાચકો માટે જેઓ કાચા સર્વેક્ષણ ડેટામાં ફસાયા વગર ફિનટેક વિકાસને સમજવા માંગે છે, મોબાઇલ મની AI ઉપયોગમાં 25-પોઇન્ટનો તફાવત ખરેખર શું સૂચવે છે અને શું નહીં તે સમજાવીને.

વાસ્તવિક દુનિયાના વૈશ્વિક ઉદાહરણો

આ ગતિશીલતાનું સૌથી સ્પષ્ટ ઉપલબ્ધ વાસ્તવિક-દુનિયાનું ઉદાહરણ કેમ્બ્રિજ સેન્ટર ફોર ઓલ્ટરનેટિવ ફાઇનાન્સનું સર્વેક્ષણ પોતે જ છે, જે 151 દેશોમાં 203 ફિનટેક અને 149 પરંપરાગત સંસ્થાઓને આવરી લે છે, આ એક બજારનો ઝલક નહીં પરંતુ ખરેખર વૈશ્વિક નમૂનો છે. તે નમૂનામાં, ફિનટેકોએ અનેક શ્રેણીઓમાં ઉચ્ચ ગ્રાહક-કેન્દ્રિત AI અપનાવવાની જાણ કરી, પરંતુ તફાવત મોબાઇલ મનીમાં સૌથી વધુ સ્પષ્ટ હતો. આ પેટર્ન સંભવતઃ એ દર્શાવે છે કે મોબાઇલ મની શરૂઆતથી જ ઘણીવાર ફિનટેક-મૂળની શ્રેણી રહી છે, ખાસ કરીને એવા બજારોમાં જ્યાં તે ઔપચારિક બેંકિંગના વિસ્તરણ તરીકે નહીં પરંતુ વિકલ્પ તરીકે ઉભરી આવી.

કારણ કે આ સર્વેક્ષણ વિવિધ નિયમનકારી વાતાવરણ, આવક સ્તર, અને બેંકિંગ માળખા ધરાવતા દેશોમાં ફેલાયેલું છે, તેના તારણોને કોઈ એક બજાર વિશેના દાવા તરીકે નહીં પરંતુ વ્યાપક વૈશ્વિક સંકેત તરીકે વાંચવા જોઈએ. 151 દેશોનો ડેટાસેટ વિશાળ વિવિધતાને પકડે છે, જ્યાં મોબાઇલ મની પ્રભુત્વ ધરાવતું નાણાકીય માધ્યમ છે તેવા બજારોથી લઈને જ્યાં પરંપરાગત બેંકિંગ મજબૂત રીતે સ્થાપિત છે તેવા બજારો સુધી. આ વિવિધતા જ છે જેના કારણે આ સર્વેક્ષણ ઉદ્યોગ-વ્યાપી સૂચક તરીકે ઉપયોગી છે, અને એ જ કારણ છે કે તેને કોઈ એક દેશમાં કઈ નામાંકિત સંસ્થાઓ "જીતશે" તે વિશે ચોક્કસ આગાહીઓમાં ફેરવી શકાતું નથી.

વ્યવહારુ નાણાકીય સૂચનો

નાણાકીય સેવા પ્રદાતાઓનું મૂલ્યાંકન કરતા ગ્રાહકો માટે, આવા અપનાવવાના આંકડાઓનો ઉપયોગ ઘણા ઇનપુટ્સમાંના એક તરીકે કરવો શ્રેષ્ઠ છે, નિર્ણાયક પરિબળ તરીકે નહીં. ફિનટેકની ગ્રાહક-કેન્દ્રિત AI માં તાકાત આપમેળે દરેક પરિસ્થિતિમાં વધુ સારી સુરક્ષા, વધુ અનુકૂળ શરતો, અથવા શ્રેષ્ઠ સપોર્ટનો અર્થ નથી, કારણ કે તે પ્રદાતા અને ઉત્પાદન માટે ચોક્કસ પરિબળો પર આધારિત છે. ફક્ત AI ની અદ્યતનતા એકંદર ગુણવત્તા દર્શાવે છે એમ માની લેવાને બદલે, સંસ્થાની વાસ્તવિક શરતો, ફી, અને નિયમનકારી સ્થિતિની સીધી સમીક્ષા કરવી યોગ્ય છે. આ સામાન્ય માહિતી છે, વ્યક્તિગત નાણાકીય સલાહ નથી, અને વ્યક્તિગત પરિસ્થિતિઓ અલગ અલગ હોય છે.

વિશ્લેષકો અને વ્યવસાયિક નિર્ણય લેનારાઓ માટે, બોધપાઠ એ છે કે અપનાવવા-તફાવત ડેટાને નિષ્કર્ષ તરીકે નહીં પરંતુ ઊંડી તપાસ માટે શરૂઆતના બિંદુ તરીકે ગણવો. મોબાઇલ મની જેવી એક શ્રેણીમાં વિશાળ તફાવત ગુણવત્તાના સાદા ક્રમાંકનને બદલે, તે શા માટે અસ્તિત્વમાં છે તે અંગેના પ્રશ્નો ઉભા કરે છે, પછી ભલે તે નિયમનકારી ઘર્ષણ હોય, જૂનું માળખું હોય, અથવા બજાર મૂળ હોય. અપનાવવાના આંકડાઓને અન્ય સૂચકાંકો સાથે જોડવું, જેમ કે સંતોષ ડેટા અને નાણાકીય કામગીરી, કોઈ એક મેટ્રિક પર અલગથી આધાર રાખવા કરતાં વધુ સંતુલિત દૃષ્ટિકોણ આપે છે. નિયમો બદલાતા રહે તેમ પેટર્ન પણ બદલાય છે, તેથી એક સર્વેક્ષણને કાયમી ચુકાદો ગણવાને બદલે સમયાંતરે અપનાવવાના ડેટાની ફરી સમીક્ષા કરવી પણ મદદરૂપ છે. rupiya.ai પર કવરેજ અનુસરતા વાચકોએ અપેક્ષા રાખવી જોઈએ કે નવા સર્વેક્ષણ રાઉન્ડ આવતાં આ આંકડા અપડેટ થશે.

ભવિષ્યનો દૃષ્ટિકોણ

આગળ જોતાં, એ અપેક્ષા રાખવી વાજબી છે કે ફિનટેક-પરંપરાગત બેંક AI અપનાવવાનો તફાવત નિશ્ચિત પરિણામને બદલે સક્રિય માપનનો વિષય રહેશે. વધુ સંસ્થાઓ ગ્રાહક-કેન્દ્રિત AI માં રોકાણ કરતી વખતે, વર્તમાન ડેટામાં ઓળખાયેલો તફાવત ઘટી શકે છે, વધી શકે છે, અથવા સંપૂર્ણપણે અલગ ઉત્પાદન શ્રેણીઓમાં ખસી શકે છે. પૂરતા સંસાધનો ધરાવતી પરંપરાગત સંસ્થાઓ ઓળખાયેલા તફાવતના કદને ધ્યાનમાં રાખીને ખાસ કરીને મોબાઇલ મનીમાં AI રોકાણને ઝડપી બનાવી શકે છે; વૈકલ્પિક રીતે, પરંપરાગત ખેલાડીઓ હાલના ક્ષેત્રોમાં પકડ મેળવે તે પહેલાં ફિનટેક નવા ઉપયોગ કેસોમાં જઈને પોતાની આગેવાની વિસ્તારી શકે છે.

જે અસંભવ લાગે છે તે છે ફક્ત AI અપનાવવાની ઝડપથી એક જ, સ્થિર "વિજેતા" ઉભરી આવવો. નાણાકીય સંસ્થાઓ વિશ્વાસ, નિયમનકારી પાલન, મૂડી તાકાત, વિતરણ પહોંચ, અને ઉત્પાદન ડિઝાઇન સહિત ઘણા પરિમાણો પર એકસાથે સ્પર્ધા કરે છે, અને AI અપનાવવું નિર્ણાયક નહીં પરંતુ ઘણા સ્પર્ધાત્મક ઇનપુટ્સમાંનું એક છે. ભવિષ્યના સર્વેક્ષણ રાઉન્ડ, પછી ભલે તે કેમ્બ્રિજ સેન્ટર ફોર ઓલ્ટરનેટિવ ફાઇનાન્સ તરફથી હોય કે અન્ય સંશોધન સંસ્થાઓ તરફથી, સંસ્થાકીય વિજેતાઓ પર સ્પષ્ટ ચુકાદાને બદલે મિશ્રિત, વિકસતું ચિત્ર બતાવવાનું ચાલુ રાખશે, અને એ જ કારણ છે કે સતત, પ્રામાણિક વિશ્લેષણ એક વખતની આગાહીઓ કરતાં વધુ મહત્વનું છે.

આગાહીની ચોકસાઈની મર્યાદાઓ

સંસ્થાકીય સફળતાની આગાહી કરવા માટે AI અપનાવવાના ડેટાનો ઉપયોગ કરવાની મર્યાદાઓ વિશે સ્પષ્ટ રહેવું યોગ્ય છે. અપનાવવાના આંકડા માપે છે કે કોઈ ટેકનોલોજી ઉપયોગમાં છે કે નહીં, તે સારી રીતે ઉપયોગમાં લેવાઈ રહી છે કે નહીં, તે ગ્રાહક પરિણામોમાં સુધારો કરી રહી છે કે નહીં, અથવા તે તૈનાત કરનાર સંસ્થા માટે નાણાકીય રીતે ટકાઉ છે કે નહીં તે નહીં. મોબાઇલ મનીમાં ઉચ્ચ AI અપનાવવા ધરાવતું ફિનટેક તેના ટેકનોલોજી માળખા સાથે સંપૂર્ણપણે અસંબંધિત કારણોસર હજુ પણ નફાકારકતા, પાલન, અથવા ગ્રાહક વિશ્વાસ સાથે સંઘર્ષ કરી શકે છે. અપનાવવાના દરને એકંદર સ્પર્ધાત્મક તાકાતના પ્રોક્સી તરીકે ગણવું એ જોખમ ઉભું કરે છે કે એક જ મેટ્રિક, ભલે તે ગમે તેટલું સારી રીતે માપવામાં આવ્યું હોય, લાંબા ગાળાના પરિણામો વિશે જે કહી શકે તેના કરતાં વધુ કહી દેવાય.

સર્વેક્ષણ-આધારિત ડેટામાં પણ અંતર્ગત મર્યાદાઓ છે: સ્વ-અહેવાલિત આંકડા, નમૂના પસંદગીઓ, અને સર્વેક્ષણ પ્રશ્નોની શબ્દ પસંદગી બધું જ પરિણામોને આકાર આપે છે. કેમ્બ્રિજ સેન્ટર ફોર ઓલ્ટરનેટિવ ફાઇનાન્સની પદ્ધતિ, જે 203 ફિનટેક અને 149 પરંપરાગત સંસ્થાઓને આવરી લે છે, એક નોંધપાત્ર અને ખરેખર વૈશ્વિક નમૂનો છે, પરંતુ સારી રીતે તૈયાર કરેલું સર્વેક્ષણ પણ સતત વલણ રેખાને બદલે એક ક્ષણનું ચિત્ર જ કેપ્ચર કરે છે. વાચકો અને વિશ્લેષકોએ મોબાઇલ મની અપનાવવાના તફાવત જેવા તારણોને વિશ્વસનીય, ઉપયોગી ડેટા બિંદુ તરીકે ગણવા જોઈએ, કઈ સંસ્થાઓ આખરે ડિજિટલ બેંકિંગ પર પ્રભુત્વ ધરાવશે તેની ચોક્કસ આગાહી તરીકે નહીં.