3RISK
3RISK
Selama dekade berikutnya, pergeseran ekspektasi dan teknologi pelanggan diperkirakan akan terjadi
perubahan besar dalam perbankan dan memberikannya profil yang sama sekali berbeda. Yang mengerti
teknologi saat ini akan menjadi kontributor pendapatan utama bagi bank pada tahun 2025, karena bank
menghasilkan paling banyak uang dengan pelanggan di atas 40. Secara bersamaan, nasabah bank yang
lebih tua diharapkan untuk mengadopsi teknologi pada tingkat yang jauh lebih tinggi. Penggunaan
teknologi oleh pelanggan perbankan sudah meledak di pasar negara berkembang dan negara
berkembang (Gambar 1).
Selama dua tahun terakhir, jumlah inovasi telah meningkat di seluruh sektor, dan
investasi dalam teknologi keuangan (fin-tech) baru saja tumbuh dengan cepat. Inovasi mempengaruhi
setiap bagian dari rantai nilai, tetapi gangguan paling penting mungkin akan terjadi di bank ' proses
originasi dan penjualan. Penyerang perusahaan teknologi dan perusahaan teknologi tidak mau menjadi
bank; sebaliknya, mereka ingin mengambil alih hubungan pelanggan langsung dan memanfaatkan
sebagian besar bagian rantai nilai yang menguntungkan: asal, penjualan, dan distribusi.
Pemeriksaan model bisnis dasar bank membuat ekonomi ini jelas (Bukti
2). Hampir 60 persen keuntungan bank berasal dari sumber, penjualan, distribusi, dan lainnya kegiatan
yang dihadapi pelanggan. Mereka mendapatkan laba atas ekuitas (ROE) 22 persen yang menarik dari
ini, jauh lebih tinggi dari apa yang mereka dapatkan dari penyediaan neraca dan pemenuhan, yang
hanya menghasilkan ROE 6 persen.
Perusahaan pemula dengan teknologi canggih menawarkan penawaran yang sangat kompetitif dan
tanpa batas. Salah satu strategi terpenting yang mereka gunakan adalah yang mereka tanyakan
pelanggan hanya mentransfer sebagian dari bisnis keuangan mereka pada satu waktu.
Beberapa platform,
seperti NerdWallet, perusahaan baru di AS, dan BankBazaar.com di India, menggabungkan banyak bank '
penawaran dalam bentuk pinjaman, kartu kredit, deposito, asuransi, dll. Lainnya, seperti
fxcompared.com, mengkhususkan diri dalam satu produk. Namun yang lain, seperti
moneysupermarket.com, mulai dengan satu
produk tetapi telah memperluas layanan mereka menjadi keseluruhan penuh produk keuangan dan
bahkan
lebih lanjut (mis., energi, telekomunikasi, dan perjalanan). Layanan baru ini membuatnya luar biasa
sederhana bagi pelanggan untuk membuka akun; begitu mereka memiliki akun, pelanggan dapat beralih
di antara penyedia dengan satu klik.
Jika bank ingin memenangkan pertarungan untuk hubungan pelanggan mereka, banyak hal yang perlu
terjadi.
Pelanggan kemungkinan akan mengharapkan pengalaman intuitif, akses ke layanan kapan saja di
perangkat apa pun,
bank mungkin akan perlu mendesain ulang seluruh organisasi dari pengalaman pelanggan perspektif dan
digitalisasi pada skala. Untuk mencapai ini, fungsi risiko harus menjadi inti
kontributor dan berkolaborasi erat dengan bisnis di seluruh. Kemungkinan besar akan fokus pada dua
prioritas:
permintaan (mis., aplikasi pinjaman, pembukaan rekening) dengan proses yang disesuaikan.
Untuk mencapai jawaban real time yang cepat, fungsi risiko perlu menemukan cara untuk membantu
bank menilai risiko dan
membuat keputusan tanpa campur tangan manusia. hal tersebut sering menggunakan banyak desain
ulang proses berbasis nol dan penggunaan lebih banyak data nontradisional.
solusi di Amerika Serikat dan Inggris, adalah contohnya. Kabbage menyediakan aplikasi pinjaman online
yang cepat dan nyaman di mana pendaftar tidak perlu mengirimkan dokumen yang panjang. Sebagai
gantinya, Kabbage menilai berbagai sumber data (mis., PayPal
transaksi, informasi perdagangan Amazon dan eBay, dan volume pengiriman UPS). Dalam kasus seperti
itu, tantangan fungsi risiko adalah untuk mengaktifkan yang aman
✅“Segmen satu.”
kemungkinan akan membatasi bank dalam upaya untuk melindungi konsumen dari penetapan harga
yang tidak tepat
dan keputusan persetujuan. Fungsi risiko akan diharapkan untuk bekerja dengan operasi dan lainnya
fungsi untuk menemukan cara untuk mengelola masalah yang muncul ini sambil tetap memberikan yang
tinggi
solusi khusus.
Teknologi tidak hanya akan mengubah perilaku pelanggan, tetapi juga memungkinkan manajemen risiko
yang baru
menyediakan daya komputasi yang lebih murah, lebih cepat dan penyimpanan data, yang
memungkinkan pengambilan keputusan risiko yang lebih baik
dukungan dan integrasi proses. Sementara banyak inovasi yang tidak diketahui akan muncul selanjutnya
dalam jangka waktu
sepuluh tahun, kita sudah mengalami efek dari beberapa inovasi yang memiliki implikasi penting bagi
manajemen risiko, termasuk sebagai berikut:
a. Data besar.
Saat ini, sejumlah besar data pelanggan tersedia dan dapat diakses oleh bank.
Daya komputasi yang lebih cepat dan lebih murah memungkinkan bank untuk meningkatkan informasi
baru — misalnya,
granular pembayaran pelanggan dan perilaku pengeluaran, kehadiran media sosial, dan online- aktivitas
penelusuran — dalam pengambilan keputusan berisiko. Mengakses penawaran data eksternal dan tidak
terstruktur menjadi keuntungan besar yang tidak hanya untuk keputusan risiko-kredit yang lebih baik,
tetapi juga untuk pemantauan portofolio
dan peringatan dini, deteksi kejahatan keuangan, dan prediksi kerugian operasional.
Bank hanya mulai memanfaatkan potensi ini, dan masih banyak tantangan. Utama
pertanyaannya adalah apakah bank dapat memperoleh persetujuan regulasi dan pelanggan untuk
model
yang menggunakan data sosial, dan jika demikian, penggunaan data apa yang sah dan dapat diterima.
ƒ Pembelajaran mesin.
wawasan data. Pembelajaran mesin mengidentifikasi pola yang kompleks dan nonlinier dalam data
besar
menetapkan dan memungkinkan model risiko yang lebih akurat mungkin (Tampilan 3).
setiap bit informasi baru yang mereka peroleh, meningkatkan daya prediksi mereka dari waktu ke
waktu.
Banyak sektor sudah menggunakan teknik pembelajaran mesin; contohnya termasuk cuaca perkiraan,
rekomendasi produk Amazon, pengenalan spam email Google, dan
Saran Netflix. Beberapa bank sudah mulai bereksperimen dengan mereka dalam koleksi atau deteksi
penipuan kartu kredit, dengan hasil yang sangat menggembirakan. Namun, adopsi model pembelajaran
mandiri mungkin menghadapi tantangan regulasi, karena model seperti itu tidak dapat divalidasi dengan
cara tradisional.
Bahkan jika regulator tidak menyetujui model seperti itu untuk tujuan modal-peraturan, kami masih
mengharapkan bank untuk menggunakannya untuk tujuan lain, mengingat keunggulan akurasi yang
signifikan.
perusahaan, menjadi tuan rumah tantangan bagi para ilmuwan data untuk crowdsource algoritma untuk
mobil
klaim asuransi kecelakaan. dalam tiga bulan, mereka meningkatkan daya prediksi mereka
Banyak dari inovasi teknologi ini dapat mengurangi biaya risiko dan denda. Bank yang berlaku teknik-
teknik ini sejak dini dan dengan berani dapat memperoleh keunggulan kompetitif. Namun, privasi data
lebih jauh lagi, karena tren peraturan yang dibahas sebelumnya dan mengingat kenaikan yang
diharapkan di
Seolah-olah ini tidak cukup, jenis risiko penting lainnya telah muncul. Contohnya termasuk
berikut:
perusahaan, dan bank lebih rentan terhadap penularan keuangan. Pasar negatif
perkembangan dapat menyebar ke bagian lain dari bank, pasar lain, atau pihak yang terlibat dan dapat
menyebabkan lingkungan operasi bank memburuk dengan cepat dan signifikan. Ini dapat terjadi di
dalam negeri dan lintas batas, berdasarkan arus modal internasional danglobalisasi keuangan.4
menyebar. Meskipun bank sentral adalah entitas utama yang khawatir tentang risiko penularan, individu
bank perlu memahami bagaimana mereka bisa terkena itu. Bank harus mengukur dan melacak.
Mengurangi risiko ini dapat mengurangi total risiko bank dan menurunkan persyaratan modalnya,
karena eksposur bank terhadap risiko penularan adalah salah satu pendorong utama yang mendasari
klasifikasinya sebagai bank global penting secara sistemik (G-SIB) dan untuk modal G-SIB biaya
tambahan.
🤝Risiko model. Meningkatnya ketergantungan bank pada model mengharuskan manajer risiko lebih baik
memahami dan mengelola risiko model. Peningkatan ketersediaan data dan kemajuan dalam
komputasi,
pemodelan, dan algoritma telah memperluas penggunaan model. Namun, kesalahan dari suboptimal
model dapat menyebabkan pengambilan keputusan yang buruk dan meningkatkan risiko bank.
Kesalahan model berasal dari masalah dengan kualitas data, soliditas konseptual, teknis atau kesalahan
implementasi, korelasi atau inkonsistensi waktu, dan ketidakpastian tentang volatilitas.
Ada beberapa strategi mitigasi, yang berpusat pada yang lebih ketat, canggih
pengembangan model, pelaksanaan yang lebih baik (dengan data berkualitas tinggi), validasi
menyeluruh, dan
🤝 Serangan cyber
Sebagian besar bank telah membuat perlindungan terhadap serangan cyber atas
prioritas strategis, karena serangan ini dapat memiliki konsekuensi yang menghancurkan. Ini sebagian
karena
untuk ketergantungan berat bank pada perangkat lunak, sistem, teknologi informasi (TI), dan data,
tetapi juga fakta bahwa serangan-serangan ini akan mengambil risiko tidak hanya operasi bank tetapi
juga
data pelanggan rahasia. Mengingat konteks geopolitik saat ini dan kemungkinan evolusi,
kami berharap cybersecurity hanya untuk meningkatkan pentingnya dan membutuhkan yang lebih besar
penyebaran sumber daya di tingkat individu-lembaga, serta lintas-jauh lebih besar kolaborasi industri
dan industri-pemerintah.
Risiko lain adalah membuat keputusan yang salah karena bias yang tidak diakui. Selama 30 tahun
terakhir, langkah besar telah dibuat dalam memahami bagaimana manusia nyata, bukan Homo
economicus dari teori ekonomi tradisional, membuat keputusan ekonomi. Kami telah mempelajarinya
bahkan ketika orang berusaha untuk mendekati masalah secara rasional dan tekun, keputusan mereka
adalah
sering suboptimal, karena berbagai bias sadar dan tidak sadar. Orang-orang terlalu percaya diri.
(mis., 93 persen pengemudi mobil di Amerika Serikat menempatkan diri dalam 50 persen teratas semua
pengemudi; 87 persen dari siswa MBA Stanford menilai diri mereka di atas rata-rata dalam percobaan).
Bisnis tidak terkecuali untuk ini. Misalnya, kasus bisnis hampir selalu meningkat. Dalam konteks
manajemen risiko bank, permohonan kredit untuk
pinjaman perusahaan A yang berbunyi, “Sementara tim manajemen baru saja bergabung dengan
perusahaan, itu
sangat berpengalaman. ”Dalam hal ini, petugas kredit tampaknya telah mengambil keputusan, ingin
kredit disetujui, dan menempatkan bukti keseimbangan dalam narasi yang menetralisir bukti yang
berpotensi negatif. Ini hanyalah beberapa bias yang paling penting. 6 ilmuwan dan praktisi terkemuka
telah menerjemahkan wawasan ini menjadi teknik untuk mengatasi bias semacam itu, dan berbagai
industri mulai menerapkannya dengan menjanjikan hasil. Beberapa sektor ini jauh lebih maju di bidang
ini daripada perbankan. Sebagai contoh, beberapa utilitas energi yang harus melakukan investasi
miliaran dolar yang dapat membuat atau menghancurkan
perusahaan (mis., membangun pembangkit listrik tenaga nuklir) telah sepenuhnya mendesain ulang
jurusan mereka
proses pengambilan keputusan investasi dengan bantuan teknik-teknik ini. Ini sangat relevan untuk
bank, yang membuat ribuan keputusan risiko setiap hari; setiap bias yang memengaruhi setiap
keputusan dapat menyebabkan keputusan underwriting yang salah atau harga yang buruk. Bukan hanya
itu, tetapi sebuah kaskade efek dapat ditetapkan, dengan beberapa keputusan bias memiliki efek
kumulatif pada keseluruhan bank
tingkat risiko.
ƒ Pengakuan Bias.
Langkah pertama adalah penilaian keputusan risiko di bank yang tunduk pada bias. Setelah ini dipahami,
lebih mudah untuk mengidentifikasi dan menguranginya
dampaknya. Model regresi tradisional dimulai dengan hipotesis pemodel tentang faktor-faktor apa yang
dimiliki
kekuatan prediksi dan harus dimasukkan. Menjelajahi pembelajaran mesin menawarkan alternatif
pendekatan, di mana algoritma itu sendiri menentukan driver risiko.
ƒ Teknik eliminasi. Bank dapat menggunakan tiga teknik untuk mengurangi atau menghindari keputusan
yang biasa. Tindakan analitis memberi para pembuat keputusan masukan yang lebih berdasarkan fakta;
perdebatan
teknik membantu menghilangkan bias dari percakapan dan keputusan; dan menjadi langkah bagi
organisasi untuk menanamkan cara baru dalam pengambilan keputusan ke dalam perusahaan (Tampilan
4).
Salah satu contoh metode analitik adalah penilaian kredit kualitatif (QCA). Beberapa
bank di seluruh dunia telah menerapkan QCA untuk penjaminan pinjaman UKM di negara berkembang
pasar, di mana data keuangan seringkali tidak tersedia, tidak mencukupi, atau tidak dapat diandalkan.
Bank biasanya mengandalkan penilaian ahli dalam kasus ini. Meskipun ini tidak dapat dihindari, banyak
yang bisa dilakukan untuk meningkatkan kualitas pengambilan keputusan ini. QCA mengidentifikasi
daftar panjang faktor prediktif potensial dalam lokakarya dengan petugas kredit terbaik, lalu
menyaringnya dengan menguji kembali terhadap riwayat kerugian yang kemudian diterjemahkan ke
dalam struktur
kuesioner, yang mengurangi bias (mis., dengan deskripsi kualitatif tentang apa yang dimaksud baik atau
buruk, atau penggunaan empat nilai untuk setiap faktor untuk menghindari opsi tengah, karena
Teknik debat tertentu menerapkan aturan diskusi yang ketat untuk komite kredit,
aturan yang menghilangkan diskusi yang beralasan dan mempromosikan pencarian fakta. Setelah semua
orang melakukannya
membaca koran dan presenter merangkum kasus ini, peserta hanya diperbolehkan
ajukan pertanyaan faktual kepada presenter; kasus ini kemudian dimasukkan ke suara anonim (untuk
menghindari jangkar bias). Jika pemungutan suara tidak jelas, kasus ini dibahas dan berpotensi diajukan
kembali.
Sistem perbankan mengalami penurunan margin yang lambat namun konstan di sebagian besar wilayah
geografis
dan kategori produk. Bank telah bekerja sangat keras dan menggunakan biaya operasional perbaikan
untuk mengkompensasi penurunan ini, menghasilkan laba atas ekuitas yang konstan di ujung bawah
dari rata-rata jangka panjang, yang berada di digit tunggal atas (Gambar 5).
Meskipun mungkin akan ada perbedaan regional yang substansial, tekanan ke bawah terus berlanjut
yang nantinya margin diperkirakan akan terus berlanjut di semua geografi. Misalnya, pada tahun 2025,
hingga 40 persen dari pendapatan dapat
beresiko dalam kategori produk tertentu jika bank tidak bertindak (Bukti 6) .7
Sebagai akibat dari gangguan ini, bank mungkin perlu memikirkan kembali biaya operasinya dapat
memberikan nilai lebih dengan biaya lebih rendah. Setelah bank mengeksploitasi tradisional dan
bertahap
pendekatan pemotongan biaya seperti penganggaran berbasis nol, analisis nilai tambah (yaitu,
permintaan
manajemen), dan outsourcing, kami percaya bahwa penyederhanaan, standardisasi, dan digitalisasi
kemungkinan akan menjadi satu-satunya jalan yang cukup besar yang tersisa untuk penghematan biaya
besar.
Fungsi risiko tidak bisa dalam jangka panjang dibebaskan dari kontribusi penghematan biaya ini.
Pada saat yang sama, mereka perlu berinvestasi secara substansial untuk mengatasi banyak tren
struktural
dijelaskan sebelumnya. Tidak ada solusi mudah untuk tantangan di bawah industri saat ini dan
konstruksi peraturan, dan kami percaya bank akan perlu menguji kembali keputusan ini atas dekade
berikutnya.