Dari Data-Rich ke Data-Intelligent dalam Kewangan

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

Banyak bank dan insurans Malaysia kaya data tetapi miskin kecerdasan data. Artikel ini tunjuk langkah praktikal membina asas data untuk AI kewangan moden.

AI kewangandata intelligenceperbankan Malaysiainsuransfintechdata governancefraud detection
Share:

Mengapa Bank & Insurans Malaysia Masih “Buta Data”

Kebanyakan bank, insurans dan fintech di Malaysia hari ini tidak kekurangan data. Transaksi kad setiap saat, log aplikasi mudah alih, rekod tuntutan insurans, skor kredit, data e-KYC – semua masuk tanpa henti. Ada bank besar yang memproses jutaan transaksi sehari, tetapi bila tanya soalan mudah seperti:

“Berapa ramai pelanggan gaji RM8,000 ke atas yang berisiko churn dalam 90 hari?”

Jawapannya selalunya: “Kena minta IT buat report dulu.”

Di SBS Summit 2025 di Paris, CIO Nationwide, Sivakumar Chidambarathanu, menyentuh isu ini: banyak organisasi data-rich tetapi tidak data-intelligent. Mereka kaya dengan data, tapi miskin keupayaan menggunakan data untuk keputusan masa nyata dan AI lanjutan.

Artikel ini menyambung idea tersebut, tetapi dari lensa institusi kewangan Malaysia – bank, insurans dan fintech. Fokusnya: cara praktikal untuk menukar longgokan data sedia ada kepada kecerdasan data yang menyokong AI untuk pengesanan fraud, analitik pelanggan, pemarkahan kredit dan pemodelan risiko.

Data-Rich vs Data-Intelligent dalam Institusi Kewangan

Perbezaan utama: data-rich bermaksud banyak rekod; data-intelligent bermaksud data itu memandu tindakan yang jelas dan cepat.

Dalam konteks kewangan:

  • Bank data-rich: ada sistem core banking, kad, trade finance, mobile banking, CRM, contact centre, laporan BNM, semuanya berasingan.
  • Bank data-intelligent: ada pandangan 360° pelanggan, risiko dan transaksi yang digunakan secara aktif dalam model AI dan keputusan harian.

Tanda Anda Data-Rich, Bukan Data-Intelligent

Kalau organisasi anda mengalami perkara berikut, anda berada di zon data-rich:

  1. Masa tunggu report terlalu lama
    Business nak analisis kempen kad kredit, kena tunggu 2 minggu sebab data warehouse penuh data “sampah” dan pipeline ETL rumit.

  2. Model AI sukar di-deploy
    Pasukan data science boleh bina model penipuan yang hebat di laptop, tapi gagal masuk produksi kerana data di produksi tak konsisten dengan data latihan.

  3. Angka tak sama antara jabatan
    Risk, Finance dan Marketing gunakan definisi pelanggan yang berbeza, menyebabkan “satu pelanggan, tiga nombor”.

  4. Fraud dan NPL dikesan terlalu lewat
    Alert hanya datang dalam bentuk laporan hujung bulan, bukan skor risiko masa nyata.

Jika 2 atau lebih daripada senarai ini berlaku, isu sebenar anda bukan “kurang AI”, tetapi kurang kecerdasan data.

Langkah 1: Gabungkan Data ke Satu Aliran Konsolidasi

Cara terpantas untuk bergerak dari data-rich ke data-intelligent ialah membina aliran data konsolidasi (consolidated data stream) sebagai tulang belakang AI.

“A consolidated data stream is a strong starting point.” – Sivakumar Chidambarathanu, CIO, Nationwide

Apa Maksud Aliran Data Konsolidasi dalam Kewangan?

Untuk bank atau insurans Malaysia, ini biasanya bermakna:

  • Satu platform data terpusat (data warehouse / lakehouse) yang menyatukan:
    • transaksi core banking & kad
    • data akaun dan produk
    • interaksi digital (app, web, chatbot)
    • data tuntutan insurans & polisi
    • data kredit, CCRIS, CTOS (di mana relevan)
  • Data distream secara hampir masa nyata ke platform tersebut.
  • Data ditakrif dengan model data rujukan (reference data) yang konsisten – maksud “pelanggan aktif”, “akaun dorman”, “fraud case”, semua jelas dan seragam.

Contoh Situasi Malaysia

Bayangkan sebuah bank runcit tempatan:

  • Sistem kad berada di vendor A, core banking di platform lama, mobile app di cloud lain.
  • Pasukan fraud guna data kad saja, tanpa melihat corak login aplikasi atau lokasi transaksi.

Dengan aliran data konsolidasi:

  • Semua transaksi kad + login app + lokasi + device ID masuk ke stream pusat.
  • Model AI fraud boleh nampak pelanggan log masuk dari Kuala Lumpur, tetapi transaksi berlaku di benua lain dalam masa 2 minit.
  • Sistem terus beri skor risiko tinggi dan tahan transaksi sebelum kerugian berlaku.

Inilah perbezaan antara memadam kebakaran dengan laporan hujung bulan, berbanding mencegah sebelum api marak.

Langkah 2: Jadikan Data “Bersih, Boleh Dipercaya dan Boleh Diulang Pakai”

AI yang baik memerlukan data yang konsisten. Isunya, banyak organisasi hanya fokus pada “kumpul semua data”, tetapi tak melabur cukup pada kualiti dan governans data.

Tiga Tiang Kecerdasan Data

  1. Data Governance yang jelas
    Tubuhkan jawatankuasa atau fungsi Chief Data Officer (CDO) yang ada mandat sebenar, bukan sekadar gelaran. Tugas utama:

    • mendefinisikan istilah data penting (pelanggan, transaksi kritikal, akaun aktif)
    • menetapkan standard kualiti data
    • menyelaras keperluan BNM, PIDM, IRB dan polisi dalaman.

  2. Data Quality sebagai proses berterusan
    Bukan projek sekali siap. Bank dan insurans perlu:

    • pantau metrik seperti missing values, duplicate accounts, invalid IDs
    • ada proses pembersihan automatik dan semakan manual untuk data kritikal (contoh: nombor IC, nombor akaun).

  3. Reference Data & Master Data
    Tanpa reference data yang kukuh, AI akan keliru. Contohnya:

    • satu pelanggan ada 5 ID berbeza di sistem berlainan
    • kod cawangan tidak diseragamkan
    • kategori produk tidak selari antara sistem.

Dengan master data management (MDM) yang baik, anda boleh membina:

  • golden record pelanggan
  • senarai produk standard
  • struktur organisasi dan saluran jualan yang konsisten.

Hasilnya: model AI untuk pemarkahan kredit, pricing insurans atau risiko operasi dapat input yang stabil dan boleh dipercayai.

Langkah 3: Gunakan AI di Tempat yang Menghasilkan Nilai Paling Cepat

Banyak organisasi lompat terus ke “AI generatif untuk semua benda” tanpa asas data dan tanpa keutamaan yang jelas. Strategi yang lebih bijak ialah fokus pada beberapa kes guna bernilai tinggi dahulu, khususnya dalam kewangan Malaysia.

1. Pengesanan Fraud Masa Nyata

Ini biasanya kes guna paling mudah diukur ROI-nya.

  • Gabungkan data kad, transaksi FPX, DuitNow, perbankan internet, dan corak login.
  • Guna model machine learning / deep learning untuk:
    • mengesan corak “social engineering scam”
    • mengesan akaun mule melalui rangkaian transaksi
    • membezakan pelanggan sebenar dan penipu berdasarkan tingkah laku digital.

Kecerdasan data membantu di sini kerana model hanya berkesan jika:

  • ID pelanggan konsisten antara saluran
  • timestamp tepat
  • lokasi dan device ID boleh dihubungkan kepada profil pelanggan.

2. Pemarkahan Kredit & “Credit Decisioning” Pintar

Bank dan fintech pinjaman mikro di Malaysia semakin bergantung kepada AI untuk credit scoring:

  • menggabungkan data tradisional (gaji, CCRIS) dengan data tingkah laku (pola pembayaran bil, corak cash flow akaun).
  • menggunakan model risk-based pricing untuk menentukan kadar faedah atau limit kad.

Tanpa kecerdasan data:

  • model sukar dikemas kini dengan data terkini
  • proses reject/approve kekal manual dan perlahan
  • sukar menjelaskan keputusan kredit kepada regulator.

3. Analitik Pelanggan & Personalisation

Dalam persaingan antara bank tradisional dan fintech, pengalaman pelanggan jadi pembeza utama.

Dengan data-intelligent platform, organisasi boleh:

  • mengesan pelanggan yang berisiko churn dalam 30–60 hari
  • mencadangkan produk seterusnya (next best product) berdasarkan tingkah laku sebenar, bukan hanya segmen demografik kasar
  • membina kempen yang mematuhi garis panduan BNM mengenai pemasaran bertanggungjawab.

Contoh: pelanggan yang kerap guna e-wallet untuk runcit tetapi jarang guna kad kredit mungkin sesuai untuk pelan mata ganjaran tertentu atau had kredit yang dikaji semula.

4. Pemodelan Risiko & Pematuhan (Compliance)

Untuk fungsi risk dan compliance, kecerdasan data membantu:

  • menyatukan data untuk stress testing, IFRS 9, ICAAP
  • memudahkan pemantauan AML/CFT dengan profil pelanggan yang lebih jelas
  • menghasilkan laporan regulator yang konsisten dan mudah diaudit.

Di sinilah kehadiran Chief Data Officer dan pasukan data risk menjadi sangat kritikal – mereka merapatkan jurang antara IT, risk dan business.

Struktur Organisasi: Dari IT-Centric ke Data-Centric

Satu poin penting daripada perbincangan di SBS Summit 2025 ialah bagaimana peranan data officer semakin berkembang. Ini kena tepat pada masanya dengan apa yang berlaku di bank dan insurans Malaysia.

Kenapa CDO Bukan Sekadar “Title Baru”

Jika hanya IT yang menguasai agenda data, keutamaan biasanya:

  • kestabilan sistem
  • kos infrastruktur
  • SLA operasi.

Bila ada Chief Data Officer (CDO) yang mempunyai mandat di peringkat pengurusan tertinggi:

  • data dilihat sebagai aset strategik, bukan kos IT
  • pelaburan dalam data platform, AI dan talent lebih terarah
  • standard data diselaraskan merentas semua unit – retail, corporate, wealth, takaful, general insurance.

Model Operasi Data yang Praktikal

Untuk organisasi kewangan Malaysia, model berikut selalunya berkesan:

  • Data Office pusat di bawah CDO
    • urus governance, standard, arkitektur data enterprise
  • Data squad / tribe di setiap unit perniagaan
    • fokus kes guna khusus: fraud, kredit, pemasaran, risk
  • Centre of Excellence AI & Analytics
    • menyediakan platform, tooling dan “template” model untuk seluruh organisasi.

Struktur sebegini memudahkan penyebaran kecerdasan data ke seluruh organisasi, bukan hanya terperangkap di satu pasukan kecil.

Cara Mulakan dalam 6–12 Bulan Akan Datang

Ramai pengurus di bank dan insurans tahu hala tuju besar, tapi buntu pada soalan: “Langkah praktikal 6–12 bulan pertama apa?”

Berikut satu pelan ringkas dan realistik:

  1. Audit data dan kes guna AI sedia ada (bulan 1–2)

    • senaraikan semua sumber data utama
    • kenal pasti 3–5 kes guna AI/analitik paling penting (fraud, kredit, churn, cross-sell).

  2. Bina pelan aliran data konsolidasi (bulan 2–4)

    • pilih platform data utama (on-prem, cloud atau hybrid)
    • tentukan data mana perlu near-real-time, mana yang cukup batch.

  3. Tetapkan standard reference data kritikal (bulan 3–6)

    • definisi pelanggan, akaun, produk, cawangan
    • jadikan ini “single source of truth” yang semua orang wajib guna.

  4. Laksanakan satu atau dua kes guna AI bernilai tinggi (bulan 4–9)

    • fraud masa nyata, atau
    • model kredit automatik untuk segmen terpilih.

  5. Bentuk Data Office ringkas & peranan CDO (bulan 6–12)

    • lantik pemilik data (data owner) mengikut domain
    • mula bina proses governans dan kualiti data secara formal.

  6. Ukur impak dan ulang

    • contohnya: penurunan kerugian fraud 30%, masa lulus pinjaman berkurang 40%, kos operasi pelaporan turun 25%.
    • gunakan angka ini untuk menyokong pelaburan seterusnya.

Menutup Jurang Antara Data & Tindakan dalam Kewangan Malaysia

Realitinya, kebanyakan institusi kewangan Malaysia tak perlu lebih banyak data. Mereka perlukan alur data yang betul, definisi yang konsisten, dan fokus pada kes guna AI yang jelas pulangan pelaburannya.

Bila organisasi bergerak dari data-rich ke data-intelligent:

  • pengesanan fraud jadi lebih proaktif
  • pemarkahan kredit jadi lebih adil dan tepat
  • pengalaman pelanggan jadi lebih peribadi dan relevan
  • pihak risk dan compliance lebih yakin dengan angka yang dibentangkan.

Langkah seterusnya bergantung pada kedudukan anda hari ini. Jika anda di pihak pengurusan bank, insurans atau fintech:

  • di mana hala tuju data dan AI didokumentasikan dengan jelas?
  • siapa yang sebenarnya bertanggungjawab ke atas definisi dan kualiti data teras?
  • kes guna AI mana yang patut diberi keutamaan 6–12 bulan akan datang?

Organisasi yang berani menyusun semula asas datanya sekarang akan masuk ke tahun 2026 dengan kelebihan yang sukar ditiru pesaing – bukan sekadar banyak data, tetapi keputusan yang lebih tepat, pantas dan dipercayai.