Krisis Data Architecture Bank: Kunci Sebenar AI Menang

Mengapa Bank 2026 Masih Tersekat Dengan Sistem 1990-an

Kebanyakan bank di rantau ini sudah pun belanja berjuta untuk AI: sistem fraud detection, kredit skor automatik, chatbot, analytic kekayaan. Tapi bila tengok bawah “hood”, data masih bersepah dalam sistem warisan (legacy) yang dibina sebelum era internet mudah alih.

Ini masalah besar untuk bank, insurans dan fintech di Malaysia pada hujung 2025. AI hanya sebaik data dan senibina (architecture) di belakangnya. Kalau data pecah-pecah, lambat dan tak diurus dengan betul, model AI yang paling “pintar” pun akan bagi jawapan yang salah, berat sebelah, atau lambat sampai.

Artikel ini kupas krisis data architecture dalam perbankan, dan bagaimana empat lapis senibina data moden boleh jadikan AI benar-benar memberi kelebihan daya saing — dari fraud detection masa nyata, kredit skor yang adil, sehinggalah personalisasi produk pelanggan.

Krisis Sebenar: Data Berpecah, Keputusan Buta, AI Tersekat

Masalah utama bukan tak cukup data. Masalahnya data terlalu banyak tapi terperangkap dalam silo.

1. Data pelanggan berpecah di merata sistem

Senario biasa di bank:

• Transaksi akaun simpanan di satu sistem
• Kad kredit di sistem lain
• Pelaburan unit trust dan saham di platform berasingan
• Rekod pematuhan (compliance) di sistem berbeza

Sistem-sistem ini tak berhubung secara masa nyata. Akibatnya:

• Model kredit hanya nampak sebahagian gambar pelanggan
• Sistem fraud hanya guna subset tingkah laku transaksi
• Unit pemasaran tak nampak nilai penuh pelanggan merentas produk

Bila AI dilatih di atas pandangan yang separuh siap, keputusan pun separuh masak.

2. Latensi tinggi: lambat nampak risiko, lambat bertindak

Ramai bank di ASEAN masih bergantung pada batch processing:

• Fraud rules jalan setiap 5–10 minit, ada yang hanya nightly batch
• Skor risiko portfolio dikemas kini sekali sehari
• Laporan kecairan disiapkan hujung hari

Dalam dunia pembayaran segera (DuitNow, FPX, QR pay), 5 minit sudah cukup untuk wang rentas sempadan hilang tanpa jejak. AI untuk fraud detection hanya berkesan kalau boleh berfikir dalam milisaat, bukan jam.

3. Tiada personalisasi: semua pelanggan nampak sama

Tanpa gambaran 360° pelanggan, bank hanya boleh tawar produk “vanila”:

• Semua dapat SMS promosi kad kredit yang sama
• Tiada harga dinamik ikut profil risiko sebenar
• Tiada intervensi awal bila pelanggan nampak mula tertekan dari segi kewangan

Ini sebab utama kenapa ramai pelanggan muda pindah ke neobank atau fintech yang faham corak perbelanjaan mereka secara masa nyata dan tawar produk ikut konteks.

Empat Lapis Senibina Data Untuk AI Kewangan Yang Menang

Kunci AI berjaya dalam bank bukan beli lebih banyak model atau data saintis. Kuncinya senibina empat lapis yang menyatukan data, pemprosesan pintar, integriti dan tadbir urus.

1. Lapis Data Bersatu: Data Lake Sebagai “Single Source of Truth”

Langkah pertama: hentikan projek kecil-kecilan tampal sana sini. Bank perlu data foundation tunggal:

• Bina data lake berasaskan cloud yang mengumpulkan data dari semua sistem warisan
• Standardkan struktur data pelanggan, transaksi, produk, risiko dan compliance
• Pastikan kebolehcapaian dengan kawalan akses yang jelas (role-based access)

Bila ini dibuat dengan betul, analis kredit tak lagi hanya nampak rekod pinjaman. Mereka boleh nampak:

• Trend deposit 12–24 bulan
• Pendedahan pasaran (equity, bond, crypto jika relevan)
• Corak pembayaran bil (TNB, telco, sewa) sebagai petunjuk tekanan kewangan

Di bank yang sudah lakukan migrasi sebegini, ketepatan ramalan default naik sekitar 15–25% dalam tahun pertama kerana mereka akhirnya melihat gambaran pelanggan secara menyeluruh.

2. Real-Time Ingestion: Dari Laporan Harian Kepada Insight Minit-ke-Minit

Data lake yang statik hanya separuh jalan. AI kewangan moden perlukan streaming data:

• Transaksi kad dan pemindahan duitNow diproses secara streaming
• Harga pasaran, kadar FX, dan berita ekonomi dikemas kini hampir masa nyata
• Event daripada aplikasi mudah alih (log masuk, percubaan gagal, lokasi) di-stream ke platform analitik

Teknologi seperti Kafka, Kinesis atau Pub/Sub memang sudah matang. Cabaran sebenar biasanya politik dalaman dan justifikasi kos.

Cara yang lebih berkesan untuk mendapatkan buy-in pengurusan:

• Kira kerugian satu kes fraud besar yang hanya dikesan selepas beberapa jam
• Tunjuk impak hilang pelanggan bernilai tinggi bila permohonan mereka tertangguh beberapa hari untuk semakan manual
• Bandingkan kos modal terikat bila penyelesaian rentas sempadan mengambil 2–3 hari berbanding beberapa minit

Bila kiraan ringkas dibuat, pelaburan infra masa nyata selalunya bayar balik sendiri dalam masa 12–18 bulan.

3. Integrasi Data Alternatif: Dari Satelit Hingga Data E-dagang

Dalam konteks Malaysia dan Asia Tenggara, data alternatif yang mula jadi relevan untuk AI kewangan termasuk:

• Data e-dagang dan payment gateway (corak jualan peniaga kecil)
• Data telekom (bayaran bil, top-up, mobiliti asas)
• Sensor IoT untuk insurans (telematik kenderaan, sensor gudang)

Untuk institusi yang bermain di pasaran global, ada yang sudah guna:

• Imej satelit untuk pantau aktiviti pelabuhan dan ladang
• Data perkapalan untuk jangka volum perdagangan

Pemain komoditi yang guna imej satelit biasanya nampak pergerakan harga 2–4 minggu lebih awal daripada pasaran umum. Logiknya sama untuk bank dan insurans: siapa yang ada maklumat lebih awal, dia menang.

Tetapi data alternatif perlu tadbir urus berbeza:

• Kualiti data tidak konsisten, perlu pipeline pembersihan yang ketat
• Isu privasi dan kebenaran pelanggan mesti jelas
• Kontrak dengan pembekal data perlu meliputi penggunaan AI dan perkongsian model

Lapis Pemprosesan Pintar: AI, Blockchain Terpilih & Quantum

Selepas asas data disatukan dan distrim secara masa nyata, barulah AI dalam perkhidmatan kewangan boleh berfungsi sepenuhnya.

1. AI/ML Untuk Kredit, Fraud & Risiko Masa Nyata

Di sinilah kelebihan daya saing sebenar muncul.

Kredit masa nyata

• Permohonan pinjaman peribadi atau BNPL diproses dalam minit
• Model AI mengambil kira keseluruhan profil: transaksi akaun, sejarah gaji, komitmen lain, dan juga signal tingkah laku
• Pelanggan tak perlu tunggu “3–5 hari bekerja” untuk keputusan

Fraud detection milisaat

• Model dilatih di atas corak transaksi merentas semua saluran (kad fizikal, e-wallet, QR, ATMs)
• Suspicious pattern dikesan sebelum transaksi diluluskan
• Bank yang beralih dari rule-based ke model ML biasanya melihat 40–50% pengurangan false positive, sekali gus mengurangkan gangguan kepada pelanggan yang sah

Pemantauan risiko dinamik

• Model memantau skor risiko pelanggan dan portfolio secara berterusan
• Bila ada isyarat awal tekanan (contoh: deposit jatuh 30% tiga bulan berturut-turut), sistem boleh cadang intervensi: penstrukturan semula, nasihat kewangan, atau had kredit yang disemak

2. Blockchain: Pilih Use Case Yang Betul, Bukan Hype

Saya cenderung setuju dengan pandangan yang agak tegas tentang blockchain dalam bank: gunakan bila ada kos sebenar yang boleh dikurangkan, bukan kerana trend.

Use case yang nyata untuk bank dan fintech Malaysia/ASEAN:

• Pembayaran rentas sempadan: dari 2–3 hari kepada beberapa minit/jam, mengurangkan risiko pihak lawan dan keperluan pra-funding akaun nostro
• Trade finance: automatisasi surat kredit, bil muatan dan milestone penghantaran, daripada proses berminggu menjadi beberapa hari

Bukan semua produk perlukan blockchain, tetapi untuk niche yang tepat, matematiknya jelas.

3. Quantum computing: R&D sekarang, bukan bila semua sudah matang

Realitinya, penggunaan quantum yang betul-betul praktikal dalam kewangan mungkin 3–5 tahun lagi. Tapi kalau bank tunggu sehingga hari itu untuk mula belajar, mereka sudah terlambat.

Bidang yang hampir pasti dipengaruhi quantum:

• Pengoptimuman portfolio besar dengan kekangan kompleks
• Penentuan harga derivatif dan XVA dengan simulasi Monte Carlo intensif
• Analitik risiko tekanan (stress testing) multi-senario

Strategi masuk akal untuk bank besar:

• Bentuk pasukan kecil R&D quantum
• Uji algoritma di atas simulator dan perkakasan yang ditawarkan pembekal cloud
• Standardkan workflow risiko dan portfolio supaya “quantum-ready” bila hardware sampai ke tahap praktikal

Lapis Tadbir Urus & Kepercayaan: Tanpa Ini, AI Jadi Bom Jangka

Bank dan insurans bukan syarikat hiburan. Keputusan AI mereka menentukan sama ada seseorang dapat rumah, kereta, atau modal untuk bisnes. Sebab itu lapis tadbir urus ini kritikal.

1. Explainable AI: Setiap Keputusan Kredit Mesti Boleh Diterangkan

Model “black box” mungkin hebat untuk recommendation video, tapi tak boleh diterima untuk kredit dan pematuhan.

Regulator global dan serantau semakin lantang meminta:

• Penjelasan mengapa permohonan ditolak atau diluluskan
• Faktor utama yang mempengaruhi skor risiko
• Bukti bahawa model tidak mendiskriminasi kumpulan tertentu

Pendekatan praktikal:

• Guna model yang lebih mudah diterangkan (contoh: gradient boosting, GAM, regression) di tempat di mana auditability kritikal
• Untuk model kompleks seperti deep learning, lapiskan dengan teknik explainability seperti SHAP atau LIME bagi setiap keputusan individu

Secara bisnes, explainability juga penting untuk relationship manager dan agen — mereka perlu faham dan yakinkan pelanggan, bukan sekadar “sistem kata tak lulus”.

2. Pengesanan Bias: Patuh Undang-Undang, Lindung Reputasi

AI mudah mewarisi bias dari data sejarah. Jika data masa lalu menunjukkan kadar default lebih tinggi dalam kelompok tertentu kerana faktor sosial atau peluang pekerjaan, model boleh:

• Menurunkan skor kredit wanita muda atau pelanggan dari kawasan tertentu
• Memperketat syarat untuk segmen yang sebenarnya berpotensi baik

Bank yang matang dari segi AI kini:

• Sentiasa menjalankan fairness audit ke atas model
• Mengukur disparate impact merentasi kumpulan terlindung
• Menetapkan had toleransi dan melaras semula model bila perlu

Ini bukan soal compliance semata. Dalam zaman media sosial, satu isu diskriminasi boleh membakar reputasi yang dibina puluhan tahun.

3. Data Governance & Privacy-First: Dari Polisi Ke Seni Bina

Pelanggan Malaysia semakin peka terhadap privasi. PDPA, peraturan BNM dan rangka kerja data serantau semakin ketat.

Bank perlu mempraktikkan privacy-by-design, bukan privacy-by-paper:

• Kumpul hanya data yang benar-benar perlu untuk produk/risiko yang diurus
• Pastikan kawalan akses granular (bukan semua orang boleh lihat semua data)
• Log dan audit siapa akses apa, bila, dan untuk tujuan apa
• Jelaskan kepada pelanggan, dalam bahasa mudah, bagaimana data mereka digunakan dalam AI

AI dalam perkhidmatan kewangan hanya akan berkembang secara sihat jika pelanggan rasa selesa dan faham bagaimana data mereka diproses.

Jalan Pelaksanaan Untuk Bank, Insurans & Fintech di Malaysia

Ramai pengurusan atasan setuju dengan visi ini, tapi buntu dari segi langkah praktikal. Cara paling berkesan ialah bergerak secara fasa dengan use case yang jelas.

Fasa 1 (0–6 bulan): Bina Kes Perniagaan Yang Nyata

Pilih satu use case bernilai tinggi — biasanya:

• Bank: kredit runcit atau SME
• Insurans: underwriting motor atau kesihatan
• Fintech: fraud dan risiko transaksi

Langkah praktikal:

1. Bentuk data lake minimum viable yang menyatukan data kritikal untuk use case itu
2. Latih model ML pertama (contoh: skor kredit yang gabungkan lebih banyak signal)
3. Bandingkan hasil: kadar default, masa pemprosesan, kadar lulus, dan kepuasan pelanggan

Bila angka mula menunjukkan penambahbaikan 10–20%, senang untuk meyakinkan lembaga dan regulator untuk skala lebih besar.

Fasa 2 (6–18 bulan): Skala Ke Fraud, Compliance & Customer Analytics

Selepas asas terbukti:

• Tambah stream data masa nyata (transaksi, event aplikasi, data alternatif terpilih)
• Gulungkan model fraud detection masa nyata dan pemantauan AML yang lebih pintar
• Perkenalkan model next best action untuk pemasaran yang lebih personal
• Wujudkan pasukan model risk & AI governance yang berdedikasi

Ini biasanya fasa di mana organisasi sedar bahawa AI bukan projek IT, tapi keupayaan teras perniagaan.

Fasa 3 (18 bulan ke atas): Kelebihan Strategik & Eksperimen Lanjutan

Dalam fasa ini, institusi sudah boleh berfikir lebih jauh:

• Meneroka blockchain untuk trade finance atau remittance terpilih
• Memulakan eksperimen quantum untuk risiko dan portfolio
• Membina platform personalization penuh (rakaman tingkah laku omnichannel, hyper-personal offers)

Bank, insurans dan fintech yang konsisten di tiga fasa ini akan berada dalam kelompok 10% teratas yang bukan sekadar guna AI, tetapi membina institusi berasaskan AI.

Penutup: Krisis Data Architecture Hari Ini Tentukan Pemenang Dekad Depan

Realitinya, perbezaan antara institusi kewangan yang menang besar dengan yang hanya “cukup makan” dalam dekad akan datang bukan pada logo, bilangan cawangan, atau bajet pemasaran. Bezanya pada senibina data dan AI.

Siapa yang:

• Menyatukan data pelanggan dan risiko dalam satu asas yang kukuh
• Memproses data itu secara masa nyata dengan model AI yang boleh diterangkan dan diaudit
• Mengurus privasi, bias dan tadbir urus dengan serius

…akan menikmati kitaran kemenangan yang berulang: data lebih baik → model lebih tepat → keputusan lebih pantas → pelanggan lebih puas → lebih banyak data berkualiti.

Untuk bank, insurans dan fintech di Malaysia yang serius tentang AI dalam perkhidmatan kewangan menjelang 2026, ini bukan lagi soalan “nak buat atau tidak”. Soalannya: nak berada di depan, atau nak dikejar oleh pemain digital yang bergerak lebih pantas?

Jika anda sedang merancang pelan AI atau transformasi digital 2026, inilah masa yang paling sesuai untuk menyemak semula data architecture anda. AI hanya akan sejauh mana senibina anda mampu bawa.