Dari Bankers Almanac ke AI: 180 Tahun Evolusi Data

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

Dari Bankers Almanac 1845 ke model AI 2025, evolusi data jadi penentu kejayaan bank, insurans dan fintech Malaysia. Begini cara sediakan data untuk AI.

AI kewanganperbankan Malaysiainsuransfintechdata kewanganKYC dan AML
Share:

Dari buku tebal ke model AI: tulang belakang kewangan sudah berubah

Pada tahun 1845, seorang pegawai bank di London perlu membuka buku rujukan tebal – Bankers Almanac and Directory – setiap kali mahu menyemak butiran bank di negara lain. Hari ini, perkara yang sama berlaku dalam milisaat melalui API, data lake dan model AI.

Perbezaannya bukan sekadar fizikal vs digital. Cara data dikumpul, disahkan, disimpan dan digunakan telah membentuk bagaimana bank, insurans dan fintech beroperasi. Dan sekarang, dalam gelombang baharu AI dalam perkhidmatan kewangan, evolusi data selama 180 tahun ini tiba di satu titik kritikal: siapa yang urus data dengan betul, akan menang.

Artikel ini gunakan kisah Bankers Almanac sebagai latar sejarah – daripada data bercetak kepada data digital – untuk jawab soalan yang ramai pengamal industri di Malaysia sedang fikirkan pada hujung 2025:

  • Kenapa data adalah prasyarat sebenar untuk AI dalam bank, insurans dan fintech?
  • Apa yang boleh kita belajar daripada 180 tahun pengurusan data global?
  • Bagaimana pemain kewangan di Malaysia patut bergerak dalam 12–24 bulan akan datang?

180 tahun Bankers Almanac: apa sebenarnya yang berubah pada data?

Intinya: bentuk data berubah (kertas ke digital ke AI-ready), tetapi fungsi asasnya kekal – membina kepercayaan dan mengurangkan risiko.

Bankers Almanac bermula sebagai buku fizikal yang menyenaraikan maklumat penting tentang bank di seluruh dunia: nama, alamat, identiti koresponden, dan butiran operasi lain. Pada abad ke-19, inilah “single source of truth” untuk urus transaksi rentas sempadan.

Hari ini, fungsi yang sama wujud dalam bentuk:

  • pangkalan data digital (contoh: reference data untuk SWIFT, IBAN, BIC)
  • platform KYC / AML
  • sistem pemantauan transaksi masa nyata
  • enjin pemarkahan risiko dan pematuhan (compliance)

Bezanya:

  1. Skala

    • Dulu: ribuan rekod dalam buku tebal.
    • Sekarang: berjuta-juta entiti, akaun dan transaksi setiap saat.

  2. Kelajuan

    • Dulu: semak manual, e-mel atau telex, ambil masa hari.
    • Sekarang: milisaat melalui API, integrasi core banking, dan pipeline data.

  3. Kecerdasan

    • Dulu: manusia interpret sendiri.
    • Sekarang: model AI menganalisis corak, meramal risiko dan mengesan penipuan.

Scott Manson dari LexisNexis Risk Solutions tunjuk salinan Bankers Almanac 1845 di Sibos Frankfurt sebagai simbol: data sentiasa jadi asas perbankan – cuma sekarang ia jauh lebih hidup, terkini, dan boleh diajar kepada AI.

Dari data statik ke data pintar: asas sebenar AI kewangan moden

AI hanya sebaik data yang diberi. Evolusi data dari fizikal ke digital membuka jalan untuk AI dalam KYC, AML, fraud, kredit dan pematuhan.

Dalam konteks Malaysia, hampir semua bank besar dan insurer kini ada bajet khas AI. Tetapi saya sering nampak satu corak: projek AI gagal bukan kerana model, tapi kerana asas datanya lemah.

1. KYC & pematuhan: dari senarai kertas ke pemprofilan dinamik

Dulu, proses Know Your Customer (KYC) bergantung pada:

  • borang fizikal
  • fotokopi IC / pasport
  • semakan manual senarai sekatan dan senarai hitam

Kini, KYC digital bergantung pada:

  • data pelanggan berstruktur (profil, hubungan, sejarah akaun)
  • data pihak ketiga (PEP, sanksi, beneficial ownership)
  • rekod tingkah laku (corak transaksi, lokasi log masuk, peranti)

AI digunakan untuk:

  • memprofilkan risiko pelanggan secara berterusan, bukan sekali semasa onboarding
  • mengesan hubungan tersembunyi antara individu dan entiti
  • membezakan antara aktiviti luar biasa yang sah vs aktiviti berisiko tinggi

Realitinya, model hanya boleh buat semua ini jika:

  • data KYC sentiasa dikemas kini
  • sistem lama (legacy) dan baharu bercakap bahasa data yang sama
  • ada reference data yang konsisten seperti yang dibuat Bankers Almanac dahulu, tapi dalam versi digital.

2. Fraud & AML: dari “rules-based” ke “pattern-based”

Banyak bank di Malaysia masih bergantung kepada enjin peraturan (rule-based) seperti:

  • "jika transaksi > RM50,000 merentas sempadan, tandakan sebagai mencurigakan"

AI mengubah pendekatan ini kepada analisis corak (pattern-based):

  • mempelajari tingkah laku biasa pelanggan dan mengesan penyimpangan halus
  • menggabung data pelbagai sumber (kadar transaksi, geolokasi, jenis merchant, peranti)
  • mengurangkan false positive, yang selama ini membebankan pasukan AML

Sekali lagi, semua ini memerlukan:

  • data transaksi yang bersih dan terstruktur
  • sejarah data yang cukup panjang untuk melatih model
  • metadata yang konsisten (masa, lokasi, kategori, saluran)

Tanpa evolusi data ini, AI kekal sebagai demo cantik dalam slaid, bukan sistem sebenar dalam production.

Kenapa 2025 jadi “tahun kritikal” untuk AI kewangan di Malaysia

Malaysia sedang masuk fasa di mana transformasi data bukan lagi projek IT, tapi keperluan perniagaan.

Beberapa faktor yang menekan institusi kewangan:

  1. Regulasi makin ketat & kompleks

    • Keperluan pematuhan KYC/AML, kawalan risiko, pelaporan prudential dan garis panduan AI yang mula muncul.
    • Bank dan insurer perlukan data yang boleh diaudit (audit trail) dan model yang boleh dijelaskan (explainability).

  2. Persaingan fintech & pemain digital

    • Fintech dan bank digital bergerak pantas dengan seni bina data moden, microservices, cloud-native.
    • Mereka boleh melancar produk baharu dan algoritma harga dengan cepat kerana data sudah tersusun.

  3. Ekspektasi pelanggan

    • Pelanggan mahukan keputusan pantas: kelulusan kad kredit, pinjaman, polisi insurans.
    • Mereka juga jangka pengalaman yang lebih peribadi, bukan produk "satu saiz untuk semua".
  1. Kos operasi
    • Tanpa automasi pintar, kos pematuhan dan operasi akan terus naik setiap tahun.
    • AI yang dilatih atas data yang baik boleh mengurangkan beban manual review, reconciliation dan pelaporan.

Jika Bankers Almanac melambangkan era di mana siapa ada buku rujukan paling lengkap, dia menang, kini masuk era di mana siapa ada data digital yang paling bersih, paling kaya dan paling mudah diajar kepada AI, dia menang.

5 langkah praktikal: jadikan data anda “AI-ready” seperti Bankers Almanac versi digital

Ramai organisasi cuba mula terus dari model AI. Itu silap. Langkah pertama ialah menjadikan data anda sekuat Bankers Almanac – lengkap, konsisten, dipercayai – dalam bentuk digital moden.

Berikut pendekatan yang saya lihat berkesan untuk bank, insurans dan fintech di Malaysia:

1. Mulakan dengan satu use case bernilai tinggi

Jangan cuba selesaikan semua masalah sekaligus. Pilih satu kes guna yang:

  • impak kewangan jelas (contoh: pengurangan fraud, peningkatan approval rate pinjaman)
  • skop data terkawal
  • ada pemilik perniagaan yang komited

Contoh praktikal:

  • bank: pengesanan transaksi mencurigakan untuk SME cross-border
  • insurans: pemarkahan risiko tuntutan motor
  • fintech: pemarkahan kredit pelanggan gig economy

2. Peta dan bersihkan data rujukan (reference data)

Belajar daripada semangat Bankers Almanac: reference data adalah asas segala analitik.

Tanya soalan mudah tapi kritikal:

  • Apa definisi konsisten untuk "pelanggan aktif" di seluruh sistem?
  • Kod produk, kod cawangan, dan segmentasi pelanggan – adakah sama di core banking, CRM dan sistem risiko?
  • Adakah terdapat satu sumber kebenaran untuk senarai bank, negara, mata wang, dan entiti penting lain?

Langkah yang biasanya diperlukan:

  • standardkan kod dan nama (contoh: nama syarikat, nama bank, kod negara)
  • wujudkan data dictionary yang boleh difahami IT dan bisnes
  • gunakan data provider luaran berwibawa untuk melengkapkan dan mengesahkan data

3. Bentuk “data layer” moden – bukan patchwork integrasi

Kebanyakan institusi kewangan lama ada ratusan integrasi point-to-point. Ini mimpi ngeri untuk AI.

Pendekatan lebih sihat:

  • bina lapisan data berpusat (data lake atau data warehouse moden)
  • gunakan pipeline data yang teratur (ETL/ELT) dengan kawalan kualiti
  • sediakan akses data melalui API / semantic layer untuk pasukan AI dan analitik

Matlamatnya: sekali data dibersihkan di hulu (upstream), ramai pengguna boleh manfaat di hilir (downstream) – dari BI sehinggalah generative AI.

4. Gabungkan data tradisional dengan data tingkah laku & tidak berstruktur

AI bernilai tinggi datang bila anda menggabungkan pelbagai jenis data:

  • data tradisional: demografik, pendapatan, produk, baki akaun
  • data tingkah laku: corak transaksi, log aplikasi, klik, lokasi
  • data tidak berstruktur: nota pegawai, e-mel pelanggan, dokumen sokongan, call transcript

Contoh:

  • model risiko kredit yang bukan sahaja tengok CCRIS, tapi juga konsistensi bayaran e-wallet dan tingkah laku perbelanjaan
  • pemantauan AML yang menggabungkan hubungan sosial korporat (beneficial ownership) dengan rantaian transaksi global

Ini sambungan semula semangat Bankers Almanac: bukan sekadar menyenaraikan bank, tetapi memahami hubungan antara bank-bank itu. Kini hubungan itu jauh lebih kompleks – dan AI perlukan data yang kaya untuk nampak gambaran sebenar.

5. Pastikan governance, explainability dan pematuhan bergerak seiring

Untuk sektor kewangan Malaysia yang dikawal selia ketat, AI tak boleh jadi “black box”.

Beberapa amalan yang semakin jadi standard:

  • simpan versi data dan model yang digunakan untuk setiap keputusan penting (contoh: kelulusan pinjaman, flag AML)
  • wujudkan jawatankuasa dalaman untuk model risiko & AI, melibatkan risiko, pematuhan, IT dan bisnes
  • dokumentasikan ciri-ciri utama (features) yang mempengaruhi keputusan model

Regulator tak menolak AI, tapi mereka mahu jejak yang jelas – sama seperti auditor dulu boleh jejak rujukan maklumat dalam Bankers Almanac.

Dari sejarah ke masa depan: apa langkah seterusnya untuk pemain kewangan Malaysia?

Evolusi daripada Bankers Almanac fizikal 1845 kepada data digital hari ini menunjukkan satu pola yang konsisten:

Sesiapa yang menguasai data rujukan yang tepat, terkini dan dipercayai, akan jadi rujukan industri.

AI hanyalah bab terkini dalam cerita panjang ini. Bezanya, kali ini kadar perubahan jauh lebih laju – dan pelanggan serta regulator sama-sama menekan agar industri bergerak.

Bagi organisasi kewangan di Malaysia yang serius tentang AI dalam perbankan, insurans dan fintech, langkah seterusnya agak jelas:

  • lihat kembali senibina data anda: adakah ia warisan era "buku tebal", atau sudah bersedia untuk era "model AI"?
  • pilih 1–2 kes guna AI yang kritikal dan bina data foundation serius di sekelilingnya
  • anggap pelaburan dalam data bukan kos IT, tetapi aset strategik yang akan membezakan anda dalam 3–5 tahun akan datang

Realitinya, masa depan kewangan tak bermula dengan AI. Ia bermula dengan data yang betul, yang kemudian memberi makan kepada AI. Seperti Bankers Almanac pernah jadi rujukan utama selama lebih satu abad, organisasi yang membina “Bankers Almanac versi digital dan AI-ready” mereka sendiri hari ini berpotensi jadi peneraju serantau untuk tahun-tahun akan datang.