Krisis Data Bank: Pra-Syarat Sebenar Kejayaan AI

Bank Nak Menang Dengan AI? Mula Dengan Data, Bukan Model

Dalam beberapa tahun terakhir, bank-bank di Malaysia mengumumkan bajet jutaan ringgit untuk AI, analitik, chatbot dan transformasi digital. Tapi bila masuk mesyuarat risiko atau kredit, keputusan besar masih bergantung pada laporan Excel yang ditarik semalam, daripada sistem yang berumur lebih 20 tahun.

Di sinilah ramai institusi kewangan tersilap. Masalah utama bukan model AI yang tak cukup hebat. Masalah sebenar: senibina data yang berpecah-belah dan ketinggalan zaman. AI tak boleh bantu kalau data anda sendiri “rosak” — lambat, terasing dan tak lengkap.

Artikel ini kupas kenapa senibina data tradisional bank gagal menyokong AI, dan bagaimana satu senibina empat lapis boleh menjadikan bank, insurans dan fintech di Malaysia benar‑benar bersedia untuk 2026 dan seterusnya.

---

1. Krisis Senibina Data Dalam Bank: Kenapa AI Tak Menjadi

Jika data pelanggan anda tersebar di 15–20 sistem berbeza, AI yang paling canggih pun hanya akan menghasilkan keputusan separuh masak.

Tiga kesan besar data berpecah

Dalam kebanyakan bank, situasinya begini:

• Transaksi akaun simpanan di satu sistem
• Kad kredit di sistem lain
• Pinjaman dan cagaran di sistem teras
• Rekod insurans di platform berbeza
• Data e-wallet dan aplikasi mudah alih di sistem fintech berasingan

Akibatnya:

1. Keputusan buta (decision blindness)
Model skor kredit hanya nampak apa yang ada dalam sistem kredit. Ia tak nampak:

• aliran tunai yang makin susut dalam akaun semasa,
• pola pembayaran bil yang mula lewat,
• aktiviti pelaburan yang semakin agresif.

Bank sebenarnya ada data amaran awal, tapi tersembunyi dalam silo. Default rate naik, walaupun semua orang rasa model dah “ok”.

2. Tindak balas risiko terlalu lambat
Ramai bank masih proses pengesanan fraud secara batch — setiap 5–10 minit, malah ada yang hanya jalankan semalaman. Dalam dunia di mana pemindahan rentas sempadan boleh selesai dalam beberapa saat, kelewatan beberapa minit bermakna duit sudah hilang keluar sistem.

3. Tiada personalisasi sebenar
Bank cakap tentang “segment of one”, tapi penawaran produk masih sama: kad kredit generik, pinjaman peribadi generik, pelan takaful generik. Bila tak nampak konteks penuh pelanggan secara masa nyata, sukar untuk:

• cadang produk ikut tingkah laku belanja,
• sesuaikan had kredit ikut risiko semasa,
• tawar intervensi sebelum pelanggan beralih ke aplikasi digital lain.

Ini semua terus menghauskan pelanggan kepada pemain digital-native — neobank dan fintech — yang memang dibina atas data unified dari hari pertama.

---

2. Senibina Empat Lapis: Asas Sebenar AI Dalam Kewangan

Untuk AI benar‑benar memberi impak dalam sektor kewangan, anda perlukan senibina data yang direka dari perspektif perniagaan, bukan dari kekangan sistem lama. Rangka yang praktikal biasanya ada empat lapis:

1. Lapis 1: Asas Data Bersatu (Unified Data Foundation)
2. Lapis 2: Pemprosesan Pintar masa nyata (AI/ML & streaming)
3. Lapis 3: Aplikasi Perniagaan & Pengalaman Pelanggan
4. Lapis 4: Tatakelola, Kepercayaan & Etika AI

Untuk kempen “AI in Financial Services”, tiga perkara penting berlaku di sini:

• Tanpa lapis 1 & 2, projek AI seperti fraud detection atau skor kredit masa nyata takkan stabil.
• Lapis 3 menentukan sama ada AI dirasai pelanggan atau hanya duduk cantik dalam dashboard.
• Lapis 4 memastikan bank tak “dibom” oleh regulator atau media bila bias dan salah guna data berlaku.

Mari pecahkan satu per satu.

---

3. Lapis 1: Asas Data Bersatu – Dari Silo Kepada Real-Time View

Bank yang serius tentang AI perlu anggap data sebagai aset strategik, bukan isu IT.

Data lake moden, bukan gudang data 2005

Pendekatan yang semakin menjadi standard ialah membina data lake berasaskan awan yang:

• menggabungkan data transaksi, kredit, saluran digital, call centre dan kad,
• menyokong storan skala petabait,
• memberikan kebolehan kueri dalam beberapa saat, bukan jam.

Bila ini dilakukan dengan betul, penganalisis kredit atau model AI boleh nampak:

• sejarah transaksi penuh,
• trend kecairan beberapa bulan,
• pola tingkah laku yang biasanya muncul sebelum pelanggan “stress”,
• nilai keseluruhan pelanggan merentas produk (total relationship value).

Di beberapa institusi yang berpindah dari data silo ke data lake bersatu, ketepatan ramalan default meningkat 15–25% dalam tahun pertama. Itu bukan teori — itu terus memberi kesan kepada keperluan modal dan NPL ratio.

Ingest data masa nyata, bukan laporan esok pagi

Data historikal penting, tapi AI bernilai bila ia melihat perubahan yang berlaku hari ini, bukan semalam.

Contoh:

• Deposit bulanan pelanggan jatuh 40% dalam masa dua minggu.
• Transaksi luar negara tiba‑tiba melonjak pada akaun yang biasanya pasif.
• Volatiliti pasaran naik mendadak; portfoli risiko tinggi pelanggan terdedah.

Dengan platform streaming seperti Kafka atau perkhidmatan awan setara, bank boleh:

• ambil alih data transaksi dan event aplikasi secara masa nyata,
• hantar ke enjin AI untuk skor risiko serta‑merta,
• memicu tindakan automatik (contoh: tahan transaksi, minta pengesahan, cadang had baharu).

Di sinilah ramai projek AI di Malaysia tersekat — model hebat, tetapi data masuk secara batch. Hasilnya: insight sampai lewat, pelanggan sudah rugi atau duit sudah hilang.

Integrasi data alternatif secara terkawal

Untuk bank dan insurans yang aktif dalam pasaran modal, data alternatif mampu memberi kelebihan 2–4 minggu berbanding pasaran:

• imejan satelit untuk pantau aktiviti komoditi atau pembinaan,
• data IoT untuk penggunaan kenderaan atau mesin (insurans motor & komersial),
• sentimen media sosial untuk risiko reputasi.

Tetapi data alternatif datang dengan cabaran:

• kualiti tak seragam,
• sumber luaran yang mungkin berhenti bila‑bila masa,
• isu privasi dan kebenaran.

Jadi, ia mesti dilindungi oleh polisi tatakelola data yang jelas — kita akan sentuh di lapis 4.

---

4. Lapis 2: Pemprosesan Pintar – Dari Analitik Statik Ke AI Masa Nyata

Bila asas data sudah bersatu dan masa nyata, barulah AI dan machine learning boleh menunjukkan nilai sebenar.

Keputusan kredit dalam minit, bukan hari

Di Malaysia, ramai pelanggan SME dan individu masih menunggu hari atau minggu untuk kelulusan:

• bank perlu tarik data daripada beberapa sistem,
• analisis manual oleh pegawai,
• proses kredit yang bertingkat.

Dengan lapis data yang betul, bank boleh:

• bina model ML yang menilai risiko kredit berdasarkan gambaran menyeluruh pelanggan,
• jalankan skor secara automatik setiap kali permohonan diterima,
• berikan keputusan awal dalam beberapa minit, tertakluk kepada pengesahan dokumen.

Pesaing fintech sudah buat ini. Bezanya, bank tradisional ada lebih banyak data dan kepercayaan, cuma perlu senibina yang menyokong.

Pengesanan fraud dalam milisaat

Enjin peraturan tradisional boleh mengesan pattern asas, tapi mudah tewas dengan teknik fraud baharu. Model ML yang dilatih atas berjuta-juta transaksi boleh:

• mengenalpasti kelainan mikro (contoh: lokasi, jenis pedagang, masa, corak belanja),
• membuat keputusan approve / decline / challenge dalam milisaat,
• mengurangkan false positive 40–50% berbanding sistem berasaskan peraturan semata‑mata.

Kurang transaksi sah yang ditolak, kurang panggilan marah ke call centre. Kos operasi turun, pengalaman pelanggan naik.

Quantum & blockchain: fokus pada kes guna bernilai tinggi

Saya pro‑realiti bila sebut dua benda ini:

• Blockchain masuk akal untuk:

  • bayaran rentas sempadan yang hari ini ambil 2–3 hari,
  • trade finance yang masih bergantung pada kertas dan manual checking.

  Bila dipilih dengan betul, blockchain boleh mengecilkan tempoh penyelesaian kepada jam, malah minit — kurang risiko rakan niaga dan modal terapung.

• Pengkomputeran kuantum pula lebih kepada pelaburan strategik 3–5 tahun.
  Kegunaan yang paling logik dalam kewangan:

  • pengoptimuman portfolio skala besar,
  • penentuan harga derivatif kompleks,
  • simulasi Monte Carlo yang kini ambil berjam-jam.

Bank yang mula bina kepakaran kuantum hari ini — walaupun kecil — akan jauh di depan bila teknologi ini matang. Yang tunggu “masa sesuai” biasanya akan terpaksa mengejar.

---

5. Lapis 3 & 4: Menukar AI Menjadi Nilai Sebenar, Secara Beretika

AI hanya memberi nilai bila bertemu pelanggan dan operasi sebenar, dan ia hanya mampan bila diikat dengan tatakelola yang jelas.

Dari model ke produk: di mana nilai tercipta

Beberapa aplikasi praktikal yang relevan untuk bank, insurans dan fintech di Malaysia:

• Peribadikan tawaran secara masa nyata
  Aplikasi mudah alih boleh:

  • cadang pelarasan had kad kredit bila pendapatan meningkat konsisten,
  • tawar pelan takaful keluarga bila pola perbelanjaan menunjukkan anak baru lahir,
  • beri amaran kewangan proaktif bila corak belanja mula menghakis simpanan.

• Pengurusan risiko berterusan
  Daripada semakan berkala manual, AI memantau akaun dan pelanggan 24/7.
  Pegawai risiko hanya fokus pada kes yang betul‑betul kritikal, bukannya tenggelam dalam senarai panjang amaran palsu.

• Pemantauan pematuhan automatik
  Transaksi yang mencurigakan ditandakan secara automatik, dengan justifikasi yang jelas. Laporan kepada pengawal selia boleh dijana lebih pantas, dengan jejak audit yang lengkap.

AI boleh jelaskan diri: keperluan, bukan pilihan

Pengawal selia di seluruh dunia makin lantang tentang explainable AI. Bila model menolak permohonan pembiayaan rumah, pelanggan berhak tahu sebabnya.

Pendekatan praktikal:

• gunapakai model yang lebih telus bila sesuai (seperti regresi, gradient boosting),
• bila perlu guna model black box (deep learning, random forest), lapisi dengan teknik seperti SHAP atau LIME untuk menghasilkan penjelasan per-keputusan,
• reka semula proses kredit supaya pegawai boleh terangkan keputusan AI dengan bahasa manusia.

Ini bukan sahaja isu pematuhan. Ini yang membezakan AI yang orang percaya dengan AI yang orang takut.

Pengesanan bias & privasi sebagai strategi, bukan kos

Model AI dilatih atas data sejarah. Kalau sejarah penuh bias, model pun ikut bias.

Contoh klasik:
Jika data lama menunjukkan kelompok tertentu mempunyai kadar default lebih tinggi disebabkan faktor sosial yang sudah berubah, model baru akan terus menghukum kelompok sama, walaupun realiti semasa tak lagi begitu.

Institusi yang matang dalam AI biasanya:

• menjalankan audit berkala untuk kesan disparate impact,
• melaras semula set ciri dan data latih untuk kurangkan bias tanpa mengorbankan ketepatan,
• mengamalkan prinsip privacy-by-design — kutip data minimum yang perlu, lindung akses, dan jelas kepada pelanggan tentang cara data digunakan.

Ini bukan sekadar “good PR”. Dalam era media sosial, satu kes bias kredit yang tular boleh memakan masa bertahun untuk dibaiki. Lebih murah mengelak dari awal.

---

6. Jalan Praktikal Untuk Bank & Fintech Malaysia Mulakan

Ramai pengurusan atasan setuju dengan visi ini, tapi persoalannya: di mana nak mula pada 15/12/2025, bukan tahun depan?

Pendekatan bertahap yang realistik:

Fasa 1 (0–6 bulan): Bina asas & bukti nilai

• Pilih satu kes guna kritikal:
  • bank: risiko kredit runcit atau SME,
  • insurans: underwriting atau fraud tuntutan,
  • fintech: skor risiko pelanggan baharu.
• Wujudkan data lake minimum viable yang satukan data utama untuk kes guna itu.
• Bangunkan model ML dan bandingkan prestasi dengan model sedia ada.
  Bila NPL atau kerugian fraud turun dengan jelas, mudah untuk meyakinkan lembaga untuk fasa seterusnya.

Fasa 2 (6–18 bulan): Skala ke risiko & pelanggan

• Luaskan ingest masa nyata merentas transaksi, aplikasi mudah alih dan data luar.
• Tambah kes guna:
  • pengesanan fraud masa nyata,
  • pemantauan pematuhan,
  • penawaran produk peribadi dalam aplikasi.
• Bentuk kerangka explainable AI dan pengurusan bias; mula engage pengawal selia dengan pendekatan yang telus.

Fasa 3 (18 bulan ke atas): Keupayaan strategik

• Integrasi blockchain di bidang bernilai tinggi seperti cross‑border dan trade finance.
• Bentuk pasukan kecil penyelidikan quantum bersama rakan teknologi.
• Bangunkan model nilai hayat pelanggan (customer lifetime value) dan personalisasi mendalam merentas semua saluran.

Bank atau fintech yang melangkah ke arah ini sekarang akan berada di kelompok teratas dalam 3–5 tahun — bukan sekadar dari segi teknologi, tetapi juga ROE, kos risiko dan kesetiaan pelanggan.

---

Penutup: AI Bukan Sihir, Ia Cuma Set Hebat Di Atas Data Yang Betul

Realitinya, AI dalam perkhidmatan kewangan hanya sekuat senibina data di belakangnya. Model hebat di atas data yang berpecah, lambat dan tidak dikawal hanya akan mempercepat kesilapan.

Institusi yang akan memimpin dekad akan datang di Malaysia bukan semestinya yang paling banyak cawangan atau bajet pemasaran, tetapi yang:

• menyatukan data merentas produk dan saluran,
• memprosesnya secara masa nyata dengan AI yang boleh dijelaskan,
• melindunginya dengan tatakelola dan etika yang jelas.

Kalau organisasi anda serius mahu menjadikan AI sebagai pemacu pertumbuhan, bukan sekadar projek percubaan, langkah pertama bukan beli lagi satu platform AI — tapi menyusun semula senibina data anda. Dari situ, hampir semua inovasi lain menjadi jauh lebih mudah.