Data Intelligence: Asas Sebenar Kejayaan AI Kewangan

Pada 2024, ramai bank dan syarikat insurans di Malaysia sudah pun melabur berjuta ringgit dalam projek AI – daripada pengesanan penipuan, pemarkahan kredit automatik hingga chatbot. Tetapi satu hakikat pahit makin jelas: banyak institusi sebenarnya sudah “data-rich”, tetapi masih belum “data-intelligent”.

Ramai ada “data lake”, data warehouse, malah pasukan data sains yang besar. Namun model AI tetap sukar di-deploy, laporan risiko lambat, dan pengalaman pelanggan tak berubah banyak. Masalahnya jarang terletak pada algoritma. Selalunya, puncanya ialah data intelligence yang lemah – organisasi penuh data, tetapi kurang kefahaman, struktur, dan governans data yang kukuh.

Artikel ini mengembangkan idea yang dibincangkan oleh Sivakumar Chidambarathanu, CIO Nationwide, di SBS Summit 2025 di Paris, dan mengaitkannya dengan realiti bank, insurans dan fintech di Malaysia. Fokusnya mudah: bagaimana organisasi yang kaya data boleh membina data intelligence sebagai asas sebenar kepada kejayaan AI kewangan.

---

Kenapa Data Intelligence Ialah Tulang Belakang AI Kewangan

AI dalam kewangan hanya sekuat kualiti dan kefahaman terhadap data yang menghidupkannya.

Untuk bank dan syarikat insurans di Malaysia, AI kini menyentuh hampir semua fungsi utama:

• Pemarkahan kredit untuk pinjaman peribadi dan SME
• Pengesanan penipuan kad dan e-dompet secara masa nyata
• Risiko pasaran dan risiko kecairan
• Pengesanan AML/CFT dan transaksi mencurigakan
• Chatbot khidmat pelanggan 24/7
• Analitik kekayaan dan cadangan pelaburan peribadi

Semua ini bergantung kepada data yang konsisten, bersih, boleh dijejak, dan difahami secara menyeluruh merentas organisasi. Di sinilah beza antara “data-rich” dan “data-intelligent”:

Organisasi data-rich kumpul data di mana-mana. Organisasi data-intelligent tahu data mana penting, dari mana datangnya, bagaimana kualitinya, dan cara menggunakannya untuk buat keputusan yang lebih tepat.

Tanpa data intelligence, projek AI kewangan akan berdepan masalah seperti:

• Model fraud yang banyak false positive kerana data tidak selaras antara saluran
• Skor kredit yang tak adil kerana data pendapatan, CCRIS dan kelakuan transaksi tidak disatukan
• Laporan pematuhan yang lambat kerana data tersebar di banyak sistem legasi
• “Explainability” model sukar dibuktikan kepada pengawal selia

Realitinya, data intelligence ialah prasyarat sebenar untuk AI yang boleh diskala, patuh dan menguntungkan.

---

Tiga Langkah Praktikal: Daripada “Data-Rich” ke “Data-Intelligent”

Organisasi kewangan tak perlu menunggu transformasi mega lima tahun untuk jadi data-intelligent. Tiga langkah berfokus sudah cukup untuk mula nampak hasil.

1. Konsolidasikan Aliran Data Kritikal

Sivakumar menekankan bahawa aliran data yang terkonsolidasi ialah titik permulaan paling kuat. Dalam konteks Malaysia, ini bermaksud:

• Menyatukan data transaksi runcit (kad, e-wallet, transfer), data pinjaman, dan data pelanggan ke dalam satu lapisan data perusahaan
• Mewujudkan satu “golden record” pelanggan (Single Customer View) yang digunakan oleh semua sistem – retail, SME, wealth, dan contact centre
• Menyelaraskan definisi asas seperti “akaun aktif”, “default”, “MIA 30 hari”, supaya sama di peringkat risiko, kewangan dan operasi

Langkah praktikal:

1. Pilih 2–3 domain data keutamaan tinggi untuk AI – contoh: data transaksi runcit, data pinjaman, data pelanggan.
2. Bentuk data pipeline perusahaan yang menarik data ini ke satu platform terurus (tidak semestinya re-platform semua sistem).
3. Tetapkan satu standard model data untuk domain tersebut dan kuatkuasakan di peringkat integrasi.

Di sini ramai organisasi tersilap langkah – semua mahu dibawa sekali gus ke “data lakehouse” baru. Biasanya lebih berkesan bila mula kecil tetapi kritikal, contohnya domain data yang terus menyokong satu “use case” AI berimpak tinggi seperti fraud atau credit scoring.

2. Bina Lapisan Governans & Kualiti Data, Bukan Hanya Infrastruktur

Ramai CIO dan CDO tergoda untuk memulakan transformasi data dengan teknologi – cloud, lakehouse, streaming platform. Tapi teknologi tanpa governans data hanya akan jadikan masalah lama bertambah moden.

Data intelligence memerlukan tiga komponen governans utama:

• Data ownership yang jelas – siapa pemilik data produk, data pelanggan, data transaksi? Tanpa pemilik, tiada siapa rasa bertanggungjawab bila kualiti data merosot.
• Standard kualiti data – contoh: Nombor MyKad mesti 12 digit, tiada huruf; kod produk pinjaman mesti ikut rujukan pusat; tarikh mesti format tunggal.
• Data lineage & katalog data – pasukan risiko dan AI perlu boleh menjawab: data ini asalnya dari sistem mana? Transformasi apa yang berlaku di sepanjang pipeline?

Untuk institusi kewangan Malaysia yang diaudit ketat oleh BNM dan Suruhanjaya Sekuriti, data lineage bukan lagi “nice to have” – ia jadi asas untuk audit trail model AI. Bila ada insiden seperti salah klasifikasi AML atau penolakan pinjaman yang dipertikai, anda mesti boleh tunjukkan:

• Sumber data apa yang digunakan
• Bagaimana data diperkaya dan dibersihkan
• Versi model AI mana yang digunakan

Kebanyakan “AI incident” yang mencetuskan tekanan daripada regulator sebenarnya berpunca daripada kelemahan di tahap ini, bukan daripada algoritma itu sendiri.

3. Wujudkan Peranan Data Officer & Komuniti Data Merentas Bahagian

Satu lagi trend yang disebut Sivakumar ialah pertumbuhan pesat jawatan data officer di seluruh industri. Ini bukan fesyen korporat; ini reaksi kepada hakikat bahawa data sudah menjadi prinsip teras perniagaan, bukan isu IT semata-mata.

Untuk konteks Malaysia, beberapa struktur ini biasanya berkesan:

• Chief Data Officer (CDO) yang duduk di peringkat pengurusan tertinggi, bukan sekadar melapor kepada CIO
• Data Domain Owners di setiap unit – Retail, SME, Corporate, Insurance, Takaful, Wealth
• Data Steward di peringkat operasi yang menjaga kualiti data harian dan metadata

Kunci kejayaan di sini adalah budaya:

• Ganjaran pengurusan pertengahan perlu memasukkan KPI kualiti data
• Latihan literasi data untuk bukan teknikal (business, risiko, pematuhan) supaya mereka faham asas seperti “feature store”, “bias”, “sampling”
• Komuniti data dalaman yang berkongsi amalan terbaik, bukan silo mengikut jabatan

Organisasi yang serius tentang AI kewangan akan lihat data officers sebagai pelaburan strategi, bukan kos tambahan.

---

Aplikasi Terus: AI Fraud, Skor Kredit & Pematuhan di Malaysia

Cara terbaik menilai tahap data intelligence anda ialah melihat bagaimana tiga use case AI utama berfungsi: fraud, kredit dan pematuhan.

1. AI Pengesanan Penipuan (Fraud Detection)

Model fraud masa nyata memerlukan:

• Data transaksi yang low-latency dan konsisten merentas kad, e-dompet dan aplikasi mudah alih
• Enrichments seperti lokasi, device fingerprint, dan corak log masuk
• “Feedback loop” yang jelas – transaksi mana disahkan penipuan, mana false positive

Jika data intelligence lemah, kesannya jelas:

• Sistem menghasilkan terlalu banyak amaran palsu, lalu pelanggan terganggu
• Penipu sebenar terlepas kerana data penting seperti corak peranti tidak konsisten
• Sukar menyesuaikan model dengan cepat bila ada modus operandi baru

Dengan aliran data terkonsolidasi dan governans yang baik, bank boleh:

• Menurunkan kadar false positive sehingga puluhan peratus
• Menggabungkan peraturan tradisional dengan model AI yang lebih adaptif
• Menjelaskan kepada regulator logik di sebalik keputusan blok/benar transaksi

2. AI Pemarkahan Kredit (Credit Scoring & Risk Modelling)

Untuk kredit runcit dan SME di Malaysia, skor kredit moden semakin menggabungkan:

• Data tradisional (pendapatan, CCRIS, CTOS, sejarah bayaran)
• Data tingkah laku (pola penggunaan kad, konsistensi gaji, pola bayaran bil)
• Dalam kes tertentu, data alternatif (e-dagang, utiliti, payroll digital)

Semua ini tak berguna jika:

• “Duplicate identity” wujud kerana tiada golden record pelanggan
• Skor berbeza antara sistem (contoh: branch vs aplikasi digital) kerana algoritma gunakan set data tak sama
• Tiada dokumentasi jelas: data mana masuk model, bila diubah, siapa luluskan

Dengan data intelligence yang kukuh, organisasi boleh:

• Mengurangkan masa pemprosesan pinjaman dari hari ke minit
• Menyokong inisiatif inklusi kewangan (contoh: menilai pelanggan gig dan mikro-SME dengan data tingkah laku)
• Membuktikan kepada BNM bahawa model adalah adil, boleh jelaskan (explainable) dan diaudit semula bila perlu

3. AI Untuk Pematuhan & AML/CFT

Bagi fungsi pematuhan, AI sering digunakan untuk:

• Menyaring nama terhadap senarai sekatan (sanctions list)
• Menilai risiko pelanggan (Customer Risk Rating)
• Mengesan pola transaksi mencurigakan

Jika rantaian data AML tidak jelas:

• Model sukar di-tune kerana pasukan pematuhan tidak percaya kepada data input
• Audit dalaman dan luaran menjadi perlahan
• Laporan STR lambat kerana banyak semakan manual

Apabila data intelligence dikukuhkan:

• Set data latihan AML lebih tepat dan boleh dipercayai
• Penjelasan (“why flagged”) kepada pegawai pematuhan jadi lebih mudah
• Risiko denda dan teguran regulator berkurang kerana bukti governans kukuh

---

Di Mana Patut Bank & Insurans Malaysia Bermula pada 2026?

Tahun 2026 akan membezakan institusi yang hanya bereksperimen dengan AI dengan mereka yang benar-benar menjadikan AI sebahagian daripada “core banking & insurance”. Perbezaannya datang daripada disiplin data intelligence.

Jika anda berada di bank, insurans atau fintech di Malaysia dan mahu AI yang lebih matang, fokuskan 12–18 bulan akan datang pada perkara berikut:

1. Pilih satu “flagship use case” AI berimpak tinggi – contoh: fraud kad, skor kredit digital, atau AML.
2. Bentukkan aliran data terkonsolidasi untuk use case itu, dengan model data yang jelas dan dokumentasi lineage.
3. Lantik data owner yang nyata dan wujudkan KPI kualiti data yang diukur setiap bulan.
4. Bangunkan katalog data dan glossary perniagaan, supaya semua pihak bercakap bahasa yang sama.
5. Latih pasukan risiko, pematuhan dan perniagaan dalam asas literasi data dan AI, bukan hanya pasukan teknikal.

Saya berpendapat organisasi yang mengutamakan asas data intelligence seperti ini akan:

• Melihat masa “idea ke produksi” untuk projek AI menurun dengan ketara
• Mampu mengulang dan menala model lebih cepat bila keadaan pasaran berubah
• Lebih bersedia menghadapi garis panduan AI dan data yang semakin ketat dari regulator

Pada 14/12/2025, pelaburan AI dalam sektor kewangan Malaysia bukan lagi persoalan “patut atau tidak”. Soalan yang lebih jujur ialah: adakah data di belakang AI anda sudah cukup pintar untuk dipercayai?

Jika jawapannya belum pasti, ini sebenarnya petanda baik – kerana anda sudah tahu di mana untuk bermula.