Dari Data Bertimbun ke Kecerdasan Data untuk Bank

Mengapa Bank Penuh Data Masih Gagal Menjadi ‘Data-Intelligent’

Kebanyakan bank di Malaysia hari ini kaya dengan data — transaksi, log peranti, rekod panggilan, media sosial, laporan kredit, you name it. Tapi bila tanya soalan ringkas seperti, “Pelanggan mana paling berisiko jadi mangsa penipuan bulan depan?” atau “Segmen mana paling sesuai untuk produk insurans mikro baru?” — tiba-tiba semua senyap.

Inilah jurang antara data-rich dan data-intelligent yang dibangkitkan oleh Sivakumar Chidambarathanu, CIO Nationwide, di SBS Summit 2025 di Paris. Banyak organisasi bukan kekurangan data, tapi kekurangan struktur, kepimpinan dan strategi untuk menjadikan data itu benar‑benar memacu keputusan, terutamanya dalam konteks AI kewangan: pengesanan penipuan, pemarkahan kredit, pemodelan risiko, dan pematuhan.

Artikel ini fokus pada realiti bank, insurans dan fintech di Malaysia yang sedang agresif melabur dalam AI. Kita akan lihat mengapa data intelligence sukar dicapai, bagaimana aliran data bersepadu jadi asas utama, dan lima langkah praktikal untuk menukar data bertimbun kepada kecerdasan data yang boleh bertindak.

---

Data-Rich vs Data-Intelligent dalam Perkhidmatan Kewangan

Organisasi ‘data-rich’ menyimpan data. Organisasi ‘data-intelligent’ guna data untuk membuat keputusan setiap hari.

Dalam konteks bank dan fintech, beza ini nampak jelas dalam beberapa situasi:

• Sistem pengesanan penipuan AI hanya bergantung pada transaksi kad, tapi tak “nampak” data aduan pelanggan atau corak log masuk luar biasa.
• Model pemarkahan kredit digital tak dihubungkan dengan data tingkah laku akaun semasa, jadi risiko ‘approve & menyesal’ masih tinggi.
• Pasukan risiko guna satu set laporan, pasukan pemasaran guna set lain, regulator minta data versi berbeza.

Organisasi data-intelligent biasanya ada tiga ciri utama:

1. Satu pandangan pelanggan (single customer view) – profil yang menggabungkan akaun, pinjaman, insurans, channel digital, dan sejarah interaksi.
2. Data governance yang hidup, bukan sekadar dokumen – definisi data jelas, pemilik data (data owner) diketahui, dan kualiti data diukur.
3. Model AI yang sentiasa “memberi balik” ke perniagaan – hasil model diterjemah kepada tindakan: alert penipuan, had kredit dinamik, segmentasi kempen, atau isyarat risiko awal.

Di Malaysia, ramai bank berada di tengah‑tengah spektrum ini: sudah mula dengan AI, tapi belum sampai tahap di mana data benar‑benar menjadi bahasa bersama antara IT, risiko, pematuhan dan bisnes.

---

Kenapa Banyak Bank Masih Tersangkut pada Data Silo

Masalah utama bukan kekurangan teknologi, tapi kewujudan silo data dan silo organisasi.

Beberapa punca klasik di institusi kewangan:

1. Sistem Legasi yang Tak Bercakap Antara Satu Sama Lain

Ramai bank masih guna sistem teras perbankan lama, di samping pelbagai sistem baru untuk e-wallet, pembayaran pantas, BNPL, insurans digital dan sebagainya. Akhirnya:

• Data pelanggan berulang-ulang dan bercanggah.
• Setiap projek AI perlu buat kerja integrasi dari kosong.
• Masa dan bajet habis untuk “mengemas” data, bukan membina model yang bernilai.

2. Tiada ‘Single Source of Truth’ untuk Data Penting

Terutamanya untuk:

• Data rujukan pelanggan (nama, nombor pengenalan, status akaun)
• Senarai produk dan harga
• Struktur organisasi dan cawangan

Tanpa repositori data rujukan yang dipersetujui, pasukan berbeza guna versi data berbeza. Bila sampai masa audit atau pemeriksaan regulator, barulah isu ketara.

3. Peranan Data Officer Masih Lemah atau Simbolik

Seperti yang disebut di SBS Summit, bilangan Chief Data Officer (CDO) dan Data Protection Officer memang meningkat. Tapi di banyak organisasi, mereka:

• Tak ada mandat jelas atas bajet dan keutamaan data.
• Terperangkap di bawah IT tanpa sokongan kuat daripada bisnes.
• Terlalu fokus pematuhan semata‑mata, kurang fokus pada nilai komersial data.

Untuk AI dalam kewangan – sama ada pengesanan penipuan, pemodelan risiko atau analytics kekayaan – semua ini jadi penghalang besar.

---

Mengapa Aliran Data Bersepadu Jadi Titik Mula AI yang Sihat

Aliran data yang bersepadu ialah asas kepada semua inisiatif AI kewangan yang serius. Tanpa asas ini, projek AI cenderung jadi POC cantik di slide, tapi tak pernah berskala.

Apa maksud aliran data bersepadu (consolidated data stream) untuk bank?

1. Satu pipeline yang mengumpulkan data utama

   • Transaksi kad, FPX, DuitNow, e-wallet
   • Data kredit: CCRIS, CTOS, rekod pinjaman dalaman
   • Data insurans dan tuntutan
   • Log aplikasi mudah alih dan laman web
   • Data risiko & pematuhan (AML, sanction screening)

2. Standard data yang konsisten di seluruh organisasi

   • ID pelanggan yang sama di semua sistem
   • Tarikh/masa dalam format seragam
   • Kod produk dan saluran diseragamkan

3. Infrastruktur yang menyokong real-time dan batch

   • Real-time untuk pengesanan penipuan, AML alerts, kawalan had transaksi
   • Batch untuk laporan risiko, stress testing, dan model kredit berkala

Bila aliran data ini stabil, pasukan AI boleh tumpu pada perkara bernilai tinggi: reka bentuk model, ciri (features) yang kaya, dan pemantauan prestasi model – bukan lagi bergaduh dengan data kotor setiap minggu.

---

5 Langkah Praktikal: Dari Data Bertimbun ke Kecerdasan Data

Berikut panduan praktikal yang saya nampak berkesan untuk bank, insurans dan fintech di Malaysia yang serius tentang AI.

1. Tetapkan Visi Data & AI yang Jelas di Peringkat Lembaga

Kecerdasan data bukan projek IT, ia mandat strategik.

Beberapa soalan yang lembaga dan pengurusan perlu jawab secara jujur:

• 3–5 tahun lagi, bagaimana kita mahu guna AI dalam pengesanan penipuan, pemarkahan kredit dan pemodelan risiko?
• Apa KPI yang jelas? Contoh: mengurangkan kerugian fraud sebanyak 30%, mempercepatkan kelulusan pinjaman runcit dari 24 jam ke 15 minit, atau meningkatkan ketepatan model risiko PD/LGD sebanyak 10–15%.
• Adakah kita sanggup menyatukan data dan mematikan sistem yang bertindih, walaupun ada sensitiviti politik dalaman?

Tanpa visi seperti ini, projek data akan kekal kecil dan terpecah.

2. Bentuk Struktur Kepimpinan Data yang Kuat

CDO atau Head of Data perlu diberi mandat sebenar, bukan sekadar gelaran.

Beberapa ciri struktur yang berfungsi:

• CDO melapor terus kepada CEO atau COO, bukan hanya CIO.
• Jawatankuasa Data yang dianggotai oleh Risiko, Pematuhan, IT, Perniagaan, dan Audit.
• “Data steward” di setiap unit – orang yang bertanggungjawab pada kualiti dan definisi data di domain masing‑masing.

Ini penting bila berurusan dengan regulator seperti BNM, terutamanya bila model AI mula digunakan dalam keputusan kritikal seperti had kredit, harga premium insurans atau blok transaksi mencurigakan.

3. Bina Platform Data Terpusat untuk Penggunaan AI

Data warehouse dan data lake bukan sekadar projek IT, tetapi platform untuk seluruh ekosistem AI kewangan anda.

Keupayaan minimum yang patut ada:

• Repositori terpusat untuk data transaksi, data pelanggan, data rujukan dan data risiko.
• Integrasi dengan sumber luaran (contoh: data kredit pihak ketiga, data geolokasi, atau data ekonomi makro).
• Kawalan akses berbutir halus (role-based access control) supaya pasukan risiko, pemasaran, dan data sains boleh guna data dengan selamat.

Bila asas ini betul, anda boleh menyokong pelbagai kes penggunaan:

• AI pengesanan penipuan dengan gabungan data transaksi, peranti dan tingkah laku login.
• AI pemarkahan kredit alternatif menggunakan data akaun simpanan, corak gaji, dan data digital.
• Wealth analytics yang memadankan tingkah laku transaksi dengan tawaran pelaburan.

4. Prioritikan Kes Penggunaan AI yang Memberi ‘Quick Win’ Bisnes

Jangan mulakan dengan projek AI paling glamor; mulakan dengan yang paling:

• Jelas nilai kewangan
• Mudah diterangkan kepada regulator
• Bergantung kepada set data yang sudah agak kukuh

Contoh yang sesuai untuk institusi kewangan di Malaysia:

1. Pengesanan penipuan kad & pemindahan dana masa nyata

   • Gabungkan transaksi, lokasi, dan tingkah laku peranti.
   • Ukur impak dari segi kerugian dicegah dan pengurangan false positive.

2. Pemarkahan kredit untuk pinjaman peribadi digital

   • Guna data akaun dalaman tambahan untuk melengkapkan data biro kredit.
   • Pantau bias dan fairness mengikut garis panduan BNM.

3. Pemodelan risiko awal (early warning signals)

   • Kenal pasti akaun yang menunjukkan tanda tekanan kewangan (contoh: bayaran minimum berterusan, penurunan gaji yang masuk, penggunaan had kredit maksimum).

Bila beberapa projek seperti ini menunjukkan ROI yang jelas, senang untuk mendapatkan bajet tambahan dan menyatukan lebih banyak data ke dalam platform.

5. Jadikan Kualiti Data & Pematuhan Sebahagian daripada Rutin Harian

AI yang hebat tak berguna jika datanya kotor atau tidak patuh.

Apa yang organisasi matang lakukan:

• Mempunyai metrik kualiti data (kelengkapan, ketepatan, ketekalan) yang dipantau setiap bulan.
• Menyepadukan keperluan pematuhan (AML/CFT, PDPA, garis panduan AI bertanggungjawab) terus dalam reka bentuk pipeline data.
• Menjalankan model risk management untuk model AI utama – dokumentasi, pengujian semula berkala, dan validasi bebas.

Dalam konteks Malaysia yang semakin menitikberatkan AI yang telus dan boleh diterangkan, ini bukan pilihan, ia satu keperluan.

---

Soalan Lazim: Apa Halangan Sebenar untuk Bank Malaysia?

Beberapa soalan yang sering saya dengar bila bercakap dengan pasukan bank dan fintech:

“Adakah kita perlu buang semua sistem lama untuk jadi data-intelligent?”
Tidak semestinya. Fokus pada lapisan integrasi dan konsolidasi data. Sistem legasi boleh kekal, asalkan data pentingnya dipaparkan ke platform data terpusat dengan standard yang jelas.

“AI untuk fraud dan risiko perlukan data masa nyata. Adakah itu wajib dari hari pertama?”
Tidak. Banyak organisasi bermula dengan model batch (contoh: pengesanan penipuan near real-time setiap beberapa minit) sebelum bergerak ke streaming sepenuhnya. Yang penting, struktur data dan logik model direka dengan masa nyata sebagai arah jangka panjang.

“Macam mana nak yakinkan pengurusan untuk labur besar dalam data?”
Tunjukkan angka:

• Anggarkan kerugian fraud semasa dan berapa yang boleh dikurangkan.
• Tunjukkan potensi peningkatan kelulusan kredit yang sihat tanpa naikkan NPL.
• Kaitkan langsung dengan KPI strategik: pertumbuhan buku pinjaman, kos risiko, dan keperluan pematuhan.

---

Masa untuk Bank Malaysia Beralih Daripada ‘Data Collectors’ kepada ‘Data Thinkers’

Bank dan fintech di Malaysia sudah pun melabur besar dalam AI – daripada chatbot, pemarkahan kredit automatik, pengesanan penipuan, hinggalah analytics kekayaan. Namun tanpa kecerdasan data yang kukuh, semua ini mudah menjadi projek berasingan yang sukar berskala dan sukar dipertahankan dari sudut pematuhan.

Realitinya, kecerdasan data bukan isu teknologi semata‑mata. Ia tentang kepimpinan, struktur organisasi, dan keberanian membuat keputusan sukar terhadap sistem legasi dan silo data. Seperti yang ditekankan di SBS Summit, pertumbuhan peranan data officer di seluruh dunia menunjukkan satu perkara: data kini bukan sokongan, ia teras.

Jika anda berada di bank, syarikat insurans atau fintech di Malaysia, ini masa yang sesuai — hujung tahun 2025 menuju 2026 — untuk menilai semula:

• Adakah data dan AI anda benar‑benar menyokong pengesanan penipuan, pematuhan dan risiko?
• Adakah wujud aliran data bersepadu yang menjadi asas kepada semua projek AI, bukan hanya satu pasukan atau satu produk?
• Adakah struktur kepimpinan data anda cukup kuat untuk membawa transformasi beberapa tahun, bukan hanya satu kitaran bajet?

Mereka yang berani menyusun semula asas data hari ini akan jadi institusi kewangan yang lebih pantas, lebih telus dan lebih dipercayai pelanggan esok. Yang lain akan kekal kaya dengan data – tetapi miskin dengan kecerdasan.