Dari buku Bankers Almanac 1845 ke model AI masa kini, evolusi data kewangan menunjukkan mengapa bank, insurans dan fintech Malaysia perlu memantapkan data untuk AI.
Dari Buku Tebal ke Model AI
Pada tahun 1845, seorang pegawai bank terpaksa membuka buku tebal Bankers Almanac untuk mencari maklumat asas sebuah bank luar negara – alamat, koresponden, kaedah penghantaran dana. Hari ini, maklumat yang sama wujud sebagai rekod digital yang boleh dihubungkan dengan ratusan juta data lain, dianalisis dalam beberapa saat menggunakan AI.
Peralihan daripada data fizikal ke digital bukan sekadar cerita teknikal. Untuk bank, syarikat insurans dan fintech di Malaysia, ia adalah asas kepada AI dalam perkhidmatan kewangan: daripada pengesanan penipuan masa nyata, pemarkahan kredit automatik, sampai pematuhan KYC yang lebih ketat tetapi lancar untuk pelanggan.
Artikel ini gunakan kisah 180 tahun Bankers Almanac sebagai cermin: bagaimana industri dulu mengurus data, bagaimana ia berubah, dan apa langkah seterusnya – terutama untuk institusi kewangan yang serius mahu memanfaatkan AI secara teratur, bukan sekadar projek percubaan.
1. Apa Yang Kita Boleh Belajar Dari 180 Tahun Data Perbankan
Inti pelajaran dari Bankers Almanac mudah: industri kewangan sentiasa bergantung kepada data yang konsisten dan boleh dipercayai. Bentuknya sahaja yang berubah.
Pada abad ke-19, Bankers Almanac ialah "satu sumber rujukan utama" untuk maklumat bank di seluruh dunia. Hari ini, fungsi itu diambil alih oleh pangkalan data digital, API, dan platform risiko seperti yang dibangunkan oleh penyedia data global.
Persamaan yang kekal:
- Bank perlukan rujukan identiti institusi kewangan lain
- Maklumat mesti standard, terkini dan mudah dicari
- Data jadi asas kepada keputusan risiko, pembayaran dan pematuhan
Perbezaannya? Skala dan kelajuan.
- Dulu: seribu lebih entri dalam buku, dikemas kini setahun sekali
- Sekarang: jutaan rekod, disegarkan dalam minit, dihubungkan dengan data transaksi, data tingkah laku pelanggan dan data pihak ketiga
Inilah sebabnya saya percaya: kalau organisasi anda belum anggap data sebagai produk teras, AI hanya akan jadi hiasan mahal di atas infrastruktur lama.
2. Dari Fizikal ke Digital: Asas Sebenar AI Dalam Kewangan
AI dalam kewangan sebenarnya bukan bermula dengan model canggih. Ia bermula dengan kerja lebih "membosankan": pendigitan, pembersihan dan pemadanan data.
Tiga gelombang utama evolusi data kewangan
-
Era fizikal (ledger & buku rujukan)
- Rekod manual, tinggi risiko ralat manusia
- Akses terhad; hanya pegawai tertentu boleh rujuk data
- Analisis hampir mustahil dibuat secara menyeluruh
-
Era digital asas (core banking & data warehouse)
- Transaksi disimpan secara elektronik
- Laporan bulanan/suku tahunan lebih mudah
- Data masih terpecah dalam silo – kredit, kad, deposit, insurans di sistem berbeza
-
Era AI & analitik lanjutan
- Data digabung dari pelbagai saluran (cawangan, app, kad, e-dompet, fintech rakan kongsi)
- Model AI untuk pengesanan penipuan, pemarkahan kredit, personalisasi produk
- Keputusan risiko hampir masa nyata, bukan lagi berdasarkan laporan tertunggak
Di Malaysia, kebanyakan bank dan insurans besar sudah berada di antara gelombang kedua dan ketiga. Fintech pula selalunya lahir terus di gelombang ketiga dengan infrastruktur data moden.
Realiti yang ramai tak mahu mengaku: tanpa asas data yang kukuh, projek AI akan:
- sukar di-production-kan,
- mahal untuk diselenggara,
- dan lebih kerap menghasilkan keputusan yang dipersoal regulator.
3. Dari Rujukan Buku ke KYC Berasaskan AI
Bankers Almanac dulu membantu bank menjawab soalan asas: "Bank ini siapa? Boleh dipercayai atau tidak?"
Soalan yang sama muncul hari ini, cuma dalam konteks KYC (Know Your Customer) dan KYB (Know Your Business) yang jauh lebih kompleks.
Bagaimana AI mengubah KYC dan data rujukan
Dalam temu bual di Sibos Frankfurt, Scott Manson daripada LexisNexis Risk Solutions tunjukkan edisi 1845 Bankers Almanac untuk menggambarkan peralihan ini. Intipatinya relevan untuk bank Malaysia:
-
Identiti digital pelanggan dan entiti
Dulu, identiti bank disahkan melalui buku rujukan fizikal. Hari ini, AI memadankan:- rekod syarikat,
- pemilikan benefisial sebenar,
- senarai sekatan, PEP, dan rekod litigasi, untuk membina profil risiko yang dinamik.
-
Pemantauan berterusan, bukan hanya onboarding
Bank tidak lagi cukup dengan due diligence sekali sahaja. AI boleh:- mengesan perubahan tingkah laku transaksi,
- menanda aktiviti mencurigakan (AML, TF),
- menyemak semula risiko apabila peristiwa baru berlaku (perubahan pengarah, berita negatif).
-
Pengurangan "false positive"
Sistem pematuhan tradisional selalunya menghasilkan terlalu banyak amaran palsu.
Model AI yang dilatih dengan data transaksi dan kes penyiasatan sejarah boleh:- menapis amaran yang benar-benar berisiko,
- memendekkan masa penyiasatan,
- dan mengurangkan beban operasi pasukan pematuhan.
Dalam konteks Malaysia yang sangat diawasi BNM dan Suruhanjaya Sekuriti, KYC berasaskan AI bukan hanya tentang kecekapan — ia faktor penting untuk mengawal kos pematuhan yang makin meningkat setiap tahun.
4. Mengapa Bank & Insurans Malaysia Perlu Melangkah Dari Digital ke AI Sekarang
Majoriti institusi kewangan Malaysia sudah "digital" dalam erti kata asas: transaksi elektronik, aplikasi mudah alih, internet banking. Namun digital bukan bermaksud AI-ready.
Tiga sebab mendesak untuk melangkah ke AI sekarang
-
Lanskap penipuan makin sofistikated
Penipuan mule account, scam pelaburan dan social engineering di Malaysia meningkat setiap tahun.
Sistem berasaskan peraturan (rule-based) semata-mata tak cukup lagi. AI yang menganalisis corak tingkah laku (behavioural analytics) jauh lebih pantas mengesan anomali sebelum duit sempat keluar. -
Persaingan dari pemain digital & fintech
Bank digital dan e-dompet biasa menggunakan model data yang:- menggabungkan transaksi mikro,
- data peranti,
- serta interaksi pengguna,
untuk menawarkan had kredit kecil tetapi pantas, dan pengalaman pelanggan yang jauh lebih halus.
Bank tradisional yang masih bergantung 100% kepada dokumen fizikal dan penilaian manual akan tertinggal.
-
Regulator semakin cenderung kepada pengawasan berasaskan data
BNM dan SC bergerak ke arah regtech dan pelaporan yang lebih kerap, lebih terperinci.
Institusi yang awal membangunkan infrastruktur data & AI untuk pematuhan akan ada kelebihan kos dan reputasi.
Saya sering nampak pola sama di projek-projek besar: organisasi yang berjaya dengan AI bukan yang paling "futuristik" – tetapi yang paling jujur menilai keadaan data mereka sekarang, dan sanggup membetulkan asas dahulu.
5. Rangka Kerja Praktikal: Dari Data Historikal ke Sistem AI Yang Boleh Dipercayai
Bagaimana nak bergerak dari data digital biasa kepada ekosistem AI yang matang? Anda boleh fikir dalam lima langkah praktikal.
5.1. Mulakan dengan inventori data yang jujur
Jawab soalan ini tanpa berselindung:
- Data pelanggan anda berada di berapa sistem?
- Sejauh mana kualiti data alamat, nombor telefon, ID?
- Berapa banyak rekod duplikat?
- Siapa pemilik (owner) setiap set data secara rasmi?
Bankers Almanac berjaya dahulu kerana ia "single source of truth". Bank moden juga perlukan konsep sama, cuma dalam bentuk data catalog & governance.
5.2. Standardkan dan bersihkan data rujukan
Untuk AI KYC, pemarkahan kredit dan pengesanan penipuan, data rujukan (reference data) mesti konsisten.
Fokus pada:
- standard nama entiti,
- kod bank & cawangan,
- kategori produk,
- dan hierarki pelanggan (individu, syarikat, kumpulan).
Setiap jam yang dibelanjakan di sini akan menjimatkan berpuluh jam di fasa pembangunan model AI.
5.3. Bangunkan lapisan data untuk AI (bukan terus lompat ke model)
Kesilapan biasa: terus upah data scientist untuk bina model, sedangkan data masih bersepah.
Anda perlukan:
- Data lake atau data platform yang menyatukan sumber kritikal (core banking, kad, e-dompet, insurans, CRM)
- Pipeline data yang automatik dan diaudit
- Feature store untuk ciri-ciri (features) yang digunakan berulang kali dalam pelbagai model
Ini mungkin kedengaran teknikal, tetapi ia bezakan projek AI yang boleh diskalakan daripada POC yang berhenti di slaid PowerPoint.
5.4. Pilih use case dengan impak tinggi & risiko terkawal
Untuk konteks Malaysia, tiga use case AI yang biasanya paling masuk akal sebagai permulaan:
-
Pengesanan penipuan transaksi runcit
Cepat nampak faedah kewangan, dan pelanggan terus rasa dilindungi. -
Pemarkahan kredit alternatif untuk segmen underserved
Guna data transaksi, pembayaran utiliti, atau data tingkah laku untuk menilai pelanggan yang kurang dokumentasi tradisional. -
KYC & pemantauan AML yang diperkukuh AI
Mengurangkan false positive, mempercepat on-boarding pelanggan perniagaan.
5.5. Rapatkan jurang antara risk, compliance dan data
AI dalam perkhidmatan kewangan tak boleh diserahkan kepada IT sahaja.
Pasukan risiko, pematuhan, dan perniagaan perlu:
- sama-sama menulis polisi penggunaan AI,
- menyemak model dari segi bias & keadilan,
- dan memastikan keputusan AI boleh dijelaskan kepada auditor dan regulator.
Inilah beza antara AI yang menjadi aset strategik, dengan AI yang akhirnya dibekukan kerana kebimbangan reputasi.
6. Dari Almanac ke Algoritma: Apa Langkah Seterusnya Untuk Malaysia
Perjalanan 180 tahun Bankers Almanac tunjuk satu perkara jelas: bank sentiasa melabur dalam cara yang lebih baik untuk memahami pihak lain sebelum mereka menghantar wang. Hari ini, cabarannya sama, cuma data lebih banyak, risiko lebih halus, dan jangkaan pelanggan lebih tinggi.
Bagi bank, insurans dan fintech di Malaysia, soalan pentingnya bukan lagi "perlu AI atau tidak?". Soalannya:
- sejauh mana data kita sudah bersedia?
- proses apa yang perlu dikemas kini supaya AI boleh dipercayai?
- dan di mana projek AI yang betul-betul menyentuh KPI utama – NPL, kos pematuhan, kadar penipuan, kepuasan pelanggan?
Dari buku fizikal kepada platform AI, benang merahnya tetap sama: data yang baik menghasilkan keputusan yang lebih baik.
Bezanya sekarang, mereka yang bergerak lebih awal akan mendapat kelebihan daya saing yang sukar dikejar dalam masa singkat.
Kalau organisasi anda serius tentang AI dalam perkhidmatan kewangan, ini masa yang tepat – menjelang 2026 – untuk menilai semula strategi data, memetakan use case AI utama, dan membina asas yang akan bertahan untuk satu lagi "Bankers Almanac" 50 tahun akan datang, kali ini dalam bentuk algoritma.