Data Intelligence: Asas AI Berkesan untuk Kewangan

AI dalam Perkhidmatan Kewangan (Bank, Insurans, Fintek)••By 3L3C

Ramai bank & fintech di Malaysia kaya data tapi miskin insight. Ketahui cara bina data intelligence kukuh supaya AI untuk fraud, kredit & risiko benar-benar berkesan.

data intelligenceAI kewanganperbankan Malaysiafintechdata governancepengesanan penipuanpemarkahan kredit
Share:

Mengapa Bank & Fintech Malaysia ‘Kaya Data Tapi Miskin Insight’

Kebanyakan bank, insurans, dan fintech di Malaysia hari ini sudah kaya data. Setiap hari, sistem core banking, eWallet, kad kredit, dan aplikasi mudah alih menjana jutaan rekod transaksi. Namun bila sampai ke peringkat keputusan perniagaan, ramai pengurus masih bergantung pada Excel manual dan laporan lambat daripada pasukan IT.

Inilah masalah sebenar: bukan kurang data, tetapi kurang data intelligence.

Di pentas SBS Summit 2025 di Paris, CIO Nationwide, Sivakumar Chidambarathanu, menghuraikan fenomena yang sama di institusi kewangan global: organisasi memiliki data dalam jumlah besar, tetapi tidak cukup bijak menggunakannya. Menurut beliau, kitaran transformasi IT setiap 5–10 tahun hanya beri nilai bila data dikonsolidasikan dan diurus sebagai aset strategik.

Untuk sektor kewangan Malaysia yang agresif melabur dalam AI untuk pengesanan penipuan, pemarkahan kredit automatik, pematuhan regulatori dan pemodelan risiko, isu ini sangat kritikal. AI takkan berfungsi dengan baik kalau data asas bersepah, tidak standard, dan penuh jurang.

Artikel ini fokus kepada satu soalan praktikal: bagaimana institusi kewangan yang sudah kaya data boleh meningkatkan data intelligence sehingga AI benar‑benar memberi pulangan (ROI)?

1. Data Intelligence: Apa Sebenarnya Yang Perlu Diselesaikan?

Data intelligence dalam konteks kewangan bermaksud keupayaan organisasi untuk menukar data mentah kepada keputusan yang tepat, pantas dan boleh diaudit.

Untuk bank, insurans dan fintech di Malaysia, data intelligence yang matang akan menyokong:

  • Model AI pengesanan penipuan kad dan eWallet yang lebih tepat
  • Skor kredit yang lebih adil untuk segmen gig, SME mikro dan pelanggan muda
  • Pemodelan risiko dan tekanan (stress testing) yang diyakini regulator
  • Pematuhan yang konsisten terhadap BNM, PIDM, serta keperluan anti-money laundering

Masalahnya, ramai organisasi masih berhadapan dengan:

  • Data silo antara core banking, kad, eWallet, insurans, dan sistem warisan
  • Kualiti data rendah (alamat tak lengkap, nombor IC bercanggah, data pendapatan tak dikemas kini)
  • Definisi yang tidak konsisten (contoh: “pelanggan aktif” berbeza mengikut unit)
  • Tiada pemilik data yang jelas menyebabkan isu berulang tak selesai

Realitinya: AI hanyalah lapisan pintar di atas data. Kalau data tak teratur, AI cuma akan mempercepatkan kesilapan.

2. Konsolidasi Data: Langkah Pertama Yang Ramai Tangguh

CIO Nationwide menekankan satu perkara asas: arus data yang terkonsolidasi ialah titik mula kepada data intelligence. Di Malaysia, ini selari dengan keperluan banyak bank yang sedang:

  • Menyatukan data dari sistem core lama kepada platform digital baharu
  • Mengintegrasi data perbankan, insurans, dan wealth management untuk pandangan 360° pelanggan
  • Menyokong inisiatif Open API dan open finance di masa hadapan

Apa maksud konsolidasi data dalam konteks praktikal?

  1. Data warehouse / data lake yang benar‑benar digunakan
    Bukan sekadar projek IT, tetapi platform yang:

    • Mempunyai model data yang sejajar dengan keperluan risiko, compliance, dan perniagaan
    • Menyimpan satu sumber kebenaran (single source of truth) untuk entiti utama seperti pelanggan, akaun, produk

  2. Integrasi data masa nyata (real-time) untuk kegunaan AI operasi
    Sebagai contoh:

    • Sistem pengesanan penipuan kad memerlukan data transaksi masa nyata, bukan batch hujung hari
    • Chatbot AI perlu akses konsisten kepada profil pelanggan terkini untuk cadangan yang tepat

  3. Rangka metadata dan katalog data
    Orang yang guna data perlu tahu:

    • Dari mana data datang
    • Bagaimana ia dikira
    • Siapa pemiliknya

Tanpa konsolidasi, anda akan terus melihat senario tipikal: laporan jurang angka antara Finance, Risk dan Business, semua guna “nombor rasmi” versi masing‑masing.

3. Data Governance & Peranan Chief Data Officer (CDO)

Dalam beberapa tahun kebelakangan ini, seluruh dunia — termasuk Malaysia — menyaksikan peningkatan lantikan Chief Data Officer (CDO) di institusi kewangan. Ini selari dengan pemerhatian Sivakumar: data kini diberi perhatian sebagai prinsip teras, bukan isu sokongan IT.

Untuk sektor kewangan, data governance yang matang adalah pra-syarat sebelum AI boleh diskalakan.

Kerangka data governance yang berkesan patut merangkumi:

  1. Pemilikan data (data ownership)

    • Setiap domain data (contoh: pelanggan, transaksi, produk) ada data owner yang jelas, biasanya di unit perniagaan, bukan IT
    • Tugas mereka: mentakrifkan standard, meluluskan penggunaan, dan menyelesaikan pertikaian definisi

  2. Polisi kualiti data (data quality policy)
    Ditakrifkan secara terperinci, contohnya:

    • Nombor IC pelanggan mestilah unik dan sah mengikut format Malaysia
    • Tiada akaun aktif tanpa alamat surat‑menyurat yang sah
    • Data pendapatan mesti dikemas kini sekurang‑kurangnya setiap 12 bulan untuk segmen tertentu

  3. Garis panduan penggunaan AI & data analytics

    • Menetapkan batas penggunaan data pelanggan untuk model AI
    • Menyokong prinsip responsible AI: boleh jelaskan keputusan, tiada diskriminasi tersembunyi, selari dengan garis panduan BNM

  4. Struktur jawatankuasa data

    • Data council peringkat pengurusan kanan yang menyelaras keutamaan data merentas fungsi
    • Data stewards di unit operasi untuk memantau isu harian

Tanpa struktur ini, projek AI sering tergantung di tengah — model sudah ada, tetapi tak boleh digunakan kerana isu privasi, kualiti, atau ketiadaan “approval” dari pemilik data.

4. Dari Data-Rich ke Data-Intelligent: 4 Tindakan Praktikal

Untuk bank, insurans dan fintech di Malaysia yang serius mahu memantapkan AI pada 2026, berikut empat langkah praktikal yang saya lihat paling berkesan.

4.1 Mulakan dengan Satu Aliran Data Konsolidasi yang Kritikal

Jangan cuba selesaikan semua sekaligus. Pilih satu use case bernilai tinggi, contohnya:

  • Pengesanan penipuan kad/kad debit/eWallet
  • Pemarkahan kredit pelanggan runcit dan SME kecil
  • Pemantauan transaksi AML/CFT

Untuk use case itu, bina arus data hujung ke hujung:

  • Senaraikan semua sumber data yang terlibat (core banking, kad, CRM, data luaran)
  • Tetapkan standard data minimum (contoh medan wajib, format tarikh, kod negara)
  • Bentuk pipeline data yang stabil sama ada batch pantas atau real-time

Bila satu aliran kritikal ini kukuh, pengalaman dan corak kerja yang sama boleh diguna pakai ke domain lain.

4.2 Jadikan Kualiti Data Sebagai KPI Bisnes, Bukan Hanya IT

Data intelligence gagal bila kualiti data dianggap masalah IT semata‑mata. Hakikatnya, kebanyakan ralat bermula di ‘frontline’: cawangan, call centre, eKYC, atau portal pelanggan.

Beberapa amalan yang berkesan:

  • Jadikan kadar ralat data pelanggan sebahagian KPI untuk unit jualan dan operasi
  • Paparkan papan pemuka (dashboard) kualiti data mengikut cawangan / pasukan
  • Gunakan AI ringan untuk mengesan anomali input (contoh: alamat pelik, nombor telefon salah format) secara masa nyata

Bila bisnes turut “rasa sakit” akibat data kotor, budaya organisasi akan berubah.

4.3 Satukan Pasukan Data, AI dan Risiko

Dalam banyak organisasi, tiga kumpulan ini bekerja secara berasingan:

  • Data team (ETL, data warehouse, data lake)
  • Data science / AI team
  • Pasukan risiko & pematuhan

Untuk sektor kewangan Malaysia yang dikawal selia ketat, kolaborasi awal antara tiga pihak ini sangat penting. Cara praktikal:

  • Wujudkan squad merentas fungsi untuk setiap projek AI utama (contoh: fraud, kredit, AML)
  • Benarkan pasukan risiko terlibat awal dalam pemilihan pembolehubah (features) dan reka bentuk model
  • Dokumentasikan model lineage dan data lineage sejak mula — ini menjimatkan banyak masa bila regulator meminta penjelasan

4.4 Pelbagaikan Data untuk AI Tanpa Mengabaikan Privasi

AI yang baik memerlukan data yang kaya konteks. Dalam kewangan, ini boleh termasuk:

  • Corak transaksi harian, mingguan, dan musim perayaan (Raya, Tahun Baru Cina, Deepavali)
  • Kelakuan penggunaan aplikasi (log masuk, lokasi, peranti)
  • Data alternatif seperti sejarah bayaran bil utiliti atau sewaan kedai untuk SME

Namun, semua ini mesti diimbangi dengan:

  • Keperluan privasi pelanggan dan kerahsiaan data
  • Peraturan BNM, Akta Perlindungan Data Peribadi, dan garis panduan dalaman

Pendekatan yang semakin popular ialah “privacy by design”: data intelligence dan AI direka dari awal dengan lapisan anonymisation, pseudonymisation, dan kawalan akses berperingkat.

5. Contoh Use Case: Bagaimana Data Intelligence Mengubah 3 Fungsi Utama

Untuk menggambarkan impak sebenar, lihat tiga contoh yang dekat dengan realiti bank dan fintech Malaysia.

5.1 Pengesanan Penipuan (Fraud Detection)

Dengan data terpecah dan berkualiti rendah, model fraud:

  • Lambat mengesan corak yang pelik
  • Tinggi false positive — banyak transaksi sah disekat, pelanggan marah

Bila data disatukan (kad, eWallet, perbankan internet, lokasi, peranti) dan dibersihkan dengan konsisten:

  • Model AI boleh mengurangkan false positive sambil meningkatkan kadar pengesanan, contohnya lebih 30–40% bergantung konteks
  • Pasukan fraud boleh fokus kepada kes bernilai tinggi, bukannya menyemak ribuan amaran lemah

5.2 Pemarkahan Kredit Automatik

Ramai pelanggan Malaysia — terutamanya pekerja gig dan usahawan mikro — tak punya sejarah kredit yang panjang. Kalau data hanya datang dari CCRIS dan core banking, banyak kes akan jatuh ke dalam kategori “tidak cukup data”.

Dengan data intelligence yang baik:

  • Institusi boleh menggabungkan data alternatif (contoh: corak bayaran bil, aliran tunai akaun, data transaksi eWallet)
  • AI boleh membina model risiko yang lebih adil dan inklusif

Hasilnya, lebih ramai pelanggan layak mendapat kredit formal, sambil risiko bank kekal terkawal.

5.3 Pematuhan & Pelaporan Regulatori

Regulator menuntut data yang konsisten dan boleh dijejak. Tanpa data governance dan repositori tunggal, pasukan pelaporan sering:

  • Menyusun semula data berulang kali setiap kali format pelaporan berubah
  • Berdepan jurang angka antara laporan dalaman dan luaran

Dengan satu sumber data terkawal dan data lineage yang jelas:

  • Pelaporan berkala boleh diagihkan sebahagiannya kepada automasi dan AI
  • Audit menjadi lebih pantas, kerana setiap angka boleh dijejak ke sumber dan peraturan pengiraannya

6. Strategi 2026: Jadikan Data Intelligence Asas Pelaburan AI

Banyak institusi kewangan di Malaysia memasuki 2026 dengan bajet AI yang besar — daripada chatbot generatif, co-pilot untuk pegawai bank, hinggalah pemodelan risiko yang lebih canggih. Namun saya berpendapat: pelaburan AI hanya wajar ditingkatkan bila asas data intelligence sudah jelas pelan dan halatujunya.

Untuk merangka pelan 12–18 bulan akan datang, anda boleh bermula dengan tiga soalan mudah tetapi tegas:

  1. Apakah 3–5 use case AI tertinggi nilai untuk organisasi (dari sudut hasil, kos, atau risiko)?
  2. Adakah arus data untuk use case tersebut sudah terkonsolidasi, bersih dan dipantau? Kalau belum, apakah jurang paling kritikal?
  3. Siapa pemilik data dan model yang bertanggungjawab — dari sudut kualiti, pematuhan, dan keberkesanan perniagaan?

Bila tiga soalan ini dijawab dengan yakin, barulah pelaburan AI memberikan impak sebenar.

Data intelligence bukan projek sekali siap. Ia satu disiplin organisasi. Namun bagi bank, insurans dan fintech di Malaysia, ia juga adalah tiket masuk untuk menggunakan AI secara berani, teratur, dan diyakini pelanggan serta regulator.

Langkah Seterusnya untuk Organisasi Anda

Kalau organisasi anda sudah “kaya data tapi miskin insight”, 2026 ialah masa yang sesuai untuk:

  • Menetapkan hala tuju jelas untuk konsolidasi data dan data governance
  • Melantik atau memperkukuh peranan Chief Data Officer dan data council
  • Memilih satu atau dua use case besar — seperti fraud atau kredit — sebagai medan pembuktian (proof of value) AI berasaskan data intelligence yang matang

AI dalam sektor kewangan bukan lagi soal mahu guna atau tidak. Soal sebenarnya: adakah data anda sudah cukup bijak untuk menyokong AI yang bertanggungjawab, menguntungkan, dan patuh regulasi?