Perbedaan Antara Badan Keuangan Tradisional dan Fintech

TRADISIONAL

Input Decision
Analisa
• Akun Historis

FINTECH

Input Decision
Advanced
• Akun Historis Analysis
• Exotic Data

1 Big Data Analytics for FinTech

 Exotic Data dan Advance Analytic dalam Industri Fintech

Exotic data merupakan Advance Analytic

sekumpulan data yang tidak lazim Beberapa contoh advance analytic dalam industry
untuk disimpan dan dimanipulasi fintech diantaranya:
untuk kepentingan analisis.
Beberapa contoh exotic data
diantaranya data geografi, gambar,
video, spasial data, dan audio. Quantitative Financial Credit Scoring
trading Prediction

Customer Debt Fraud

retention Collection Detection

Pricing Marketing

Sumber: Beberapa sumber

2 Big Data Analytics for FinTech
 Pemanfaatan BIG Data Analytics, AI, dan Machine
Learning dalam FinTech
Marketing
Investment
Credit Scoring Risk Management
Customer Customer Retention Management
Acquisition and Loyalty
• Mengukur aspek • Dari hasil analisis perilaku • Predictive analytics • Munculnya robo-
kualitatif seperti pelanggan, channel digital menjadi faktor advisory sebagai
perilaku, willingnesss difokuskan untuk menjangkau pendorong utama untuk pengganti
to pay, dan lain-lain. pelanggan manajemen risiko dalam manajer
• P2P Lending, SME • Penawaran – penawaran iklan yang hal fraud dan autentikasi keuangan
Financing merupakan relevan disediakan melalui digital dengan memanfaatkan
hasil scoring model • Mengurangi biaya akuisisi device identification,
yang inovatif pelanggan biometrics, behavior
analytics, dll.

3 Big Data Analytics for FinTech

 Aplikasi Machine Learning dalam FinTech
Terdapat beberapa aplikasi machine learning yang digunakan oleh
FinTech di berbagai aspek, diantaranya adalah:

Predictive Analysis
Accurate Decision- Content/Information
untuk Skor Kredit
Making Extraction
dan Kredit Macet

Fraud Detection dan

Building Trading
Identity
Algorithm
Management

4 Big Data Analytics for FinTech

 Predictive Analysis untuk Skor Kredit dan Kredit Macet

Machine learning yang digunakan dalam penilaian skor kredit dan kredit macet dapat
meringkas beberapa proses yang sehingga dapat dilakukan dalam satu hari.

Day Day Day Day Day Day Day Day

1 1 1 1 2 3 4 5

Rate check Pengumpulan Penawaran Pengumpulan Pinjaman Pinjaman Validasi Dana

Informasi Pinjaman yang Informasi dirimkan didanai rekening disetorkan
Awal Disesuaikan dan Akhir kepada bank dan
Pinjaman Alternatif Lain investor email

Perusahaan yang menggunakan aplikasi Predictive Analysis:

• Bekerja sama dengan • Mengandalkan predictive modelling • Algoritma machine

Credit Karma untuk untuk mengelola data yang learning menentukan 15%
menghasilkan credit dikumpulkan berupa data rekening, teratas yang paling
score. penjualan online/offline, data mungkin untuk
akuntasi Intuit, pembayaran Paypal, membayar pinjamannya.
dll untuk mitigasi risiko.
5 Big Data Analytics for FinTech
 Accurate Decision-Making

Proses finansial dan decision-making dapat diperkaya dengan teknologi machine learning
yang memungkinkan komputer untuk memproses data dan membuat keputusan (seperti
hal yang berkaitan dengan pinjaman) lebih cepat dan efisien.
Perusahaan yang menggunakan aplikasi Accurate Decision-Making:

• Affirm mengumpulkan
data nomor telepon,
nama, tanggal lahir, dan
4 digit terakhir dari
nomor social security
untuk melakukan
underwriting decision.
Keseluruhan proses
terpenuhi dalam 2 menit
atau kurang
6 Big Data Analytics for FinTech
• Zestfinance mengklaim • BillGuard mendeteksi aktivitas
bahwa dalam membuat kartu setiap hari dan pengguna
keputusan kredit dapat akan diperingati mengenai biaya
dilakukan dalam waktu tersembunyi, kesalahan
kurang dari 10 detik penagihan, langganan yang
menyesatkan, dan scam yang
ditemukan oleh orang lain
• Melalui aplikasi iOS dan
androidnya, akan memberikan
push warning ke device ketika ada
sesuatu yang salah.
 Content/Information Extraction

Information Extraction merupakan aplikasi utama dalam machine learning. Aplikasi ini
mengekstrak konten web seperti artikel, publikasi, dokumen, dll.
Perusahaan yang menggunakan aplikasi Content/Information Extraction:

• Dataminr mengembangkan produk • Alphasense menggunakan algortima

desktop dan API yang menyediakan pencarian yang canggih dan NLP untuk
custom signal creation, integrasi dataset, memungkinkan pengguna untuk mencari,
dan layanan back-testing. menavigasi, set alert, dan menganalisa
• Dataminr mengubah data real time dari pengajuan, penelitian, berita, dan
twitter dan sumber publik lainnya ke dalam pengungkapan lainnya untuk critical data
bentuk actionable signals. points
• Dengan parsing twitter firehose secara real
time, Dataminr menghasilkan satu “crowd
sentiment” dataset pertama yang dijual ke
bank investasi dan hedge fund.
7 Big Data Analytics for FinTech
 Fraud Detection and Identity Management
Solusi untuk fraud detection dibangun dengan analisa histori data transaksi sehingga dapat
mendeteksi pola kecurangan. Selain itu, beberapa perusahaan juga menggunakan machine
learning untuk autentikasi biometric.
Perusahaan yang menggunakan aplikasi Fraud Detection and Identity Management:

• Menggunakan analisis big data
dan machine learning untuk
mencegah penipuan
• Memproses fraud score dalam 25
milidetik
• Data yang dikumpulkan untuk
mengukur fraud score:
Data internal (contoh:
transaction history), Data public
(contoh: facebook), Data Feedzai
(contoh: disposable email), Data
Purchased (contoh: ENCAP)
• Nymi merupakan • EyeVerify • Untuk pendeteksi fraud,
authenticator yang menyediakan BioCatch menggunakan
aman dan dapat Eyeprint ID, sebuah behavioral biometric
dipakai terus menerus solusi software untuk mendeteksi
berdasarkan pada biometric untuk eye fraudster.
electrocardiogram recognition • Software BioCatch
(ECG) melalui menggunakan berbasis cloud
teknologi eksklusif biometric pembuluh mengumpulkan dan
yang disebut HeartID. darah mata. menganalisa lebih dari
500 parameter kognitif
untuk mengghasilkan
unique user profile.

8 Big Data Analytics for FinTech

 Aplikasi Machine Learning dalam FinTech (10)
Building Trading Algorithm

Machine learning juga dapat digunakan dalam menciptakan algortima untuk keputusan
trading. Algorithmic trading, yang juga disebut high-frequency trading, adalah penggunaan
sistem otomatis untuk engidentifikasi sinyal trading yang benar di antara sejumlah besar
data yang menangkap dinamika pasar saham.
Perusahaan yang menggunakan aplikasi trading algorithm:

• KFL membuat prediksi pada time-series • Binatix menngembangkan Hierarchical Deep

financial data.
• Live financial data disajikan ke Krystal
beberapa kali sehari dan dalam hitungan
detik sebuah prediksi dibuat pada arah dan
besarnya perubahan harga di pasar yang
dipilih.
Recurrent Neural Network, HD-RNN, software toolkit
yang fleksibel, versatile, dan mudah digunakan pada
deep-learning neural network framework
• Dengan bantuan expert atau knowledge yang sudah
ada dapat menemukenali sendiri pola yang sering
terjadi sehingga dapat digunakan untuk pengambilan
keputusan.

9 Big Data Analytics for FinTech

 Artificial Intelligence Dalam Fintech

Artificial Intelligence (AI) adalah simulasi proses intelijensi melalui mesin, terutama sistem
komputer.
Walaupun umumya artificial intelligence digunakan
Proses AI untuk platform multi-purpose tanpa tujuan spesifik,
Learning dalam hal fintech sedikit berbeda. Fintech memiliki
Akuisisi informasi dan dasar kemajuan teknologi yang mendukung
rules untuk penggunaan AI pada usecase yang memiliki nilai tinggi.
menggunakan informasi
Tren AI dalam Fintech:
Reasoning
Menggunakan rule untuk
mencapai kesimpulan
aproksimasi atau definit.

Financial analysis Human Interaction

Self-Correction (misal: Trading (misal: Chatbot dan
dan Lending) Personal Banking)
10 Big Data Analytics for FinTech
41 FinTech telah menggunakan AI dalam teknologi finansial
Penggunaan AI dalam financial service telah terlihat sejak 2014. Teknologi AI dapat digunakan
untuk aplikasi mulai dari perdagangan dan sentiment analysis hingga deteksi dan analisis risiko.

Quantitative AI Assistants/ Credit Scoring

General Purpose/Predictive Analytics
Trading Bots

Market Research & Sentiment Analysis

Blockchain
Personal
Search Engine Banking
Fraud Detection
Debt Collection

Sumber: https://www.cbinsights.com/blog/artificial-intelligence-fintech-market-map-company-list/
11 Big Data Analytics for FinTech
 Raw Machine
Data Log Data Big Data Analytic
Data Business
Storage Apps
• b Social Docs
Data analytic (DA)
adalah ilmu terkait
Media
Public pengamatan data
Web mentah untuk
Media Result & menarik kesimpulan
Sensor Decision mengenai informasi Advanced/Predic
Data pada data. tive Analysis
Archives

Business
Intelligent
Statistic
Machine
Model Microsoft Excel
(Manual)
Process

Big Data analytic

12 Big Data Analytics for FinTech
 Prinsip dasar implementasi big data adalah 3A. Predictive
analytics membangun aktifitas analysis .

ACQUISITION ANALYZE ANSWER

Bagaimana cara mengambil Pemrosesan data untuk Output, Tampilan dan
data dari RAW DATA diperoleh output yang Dashboard
diharapkan

Collecting Data Analytic

User Friendly
Cleaning Biz Analytic
Meaningful
Pre-Processing Predictive Analytic
Decisions Support
Quality Control Machine Learning

Menghasilkan DATA yang

BERKUALITAS Precision, Accuracy Precision, Accuracy

Sumber: Sharing Vision, 2016

13 Big Data Analytics for FinTech

 Predictive Analytic

Predictive Analytic membantu untuk menghubungkan data dengan aksi yang

prediktif dengan menarik garis mengenai kesimpulan mengenai kondisi saat
ini dengan kondisi (event) di masa depan.

‘Matematika’ Proses pada Predictive Analytic:

berinteraksi dengan
‘data’
Capture
Data Act
Predictive Analytic harus
mampu menangkap Hasil prediksi akan
data berikut: Source of Data percuma jika tidak
• Traditional (XL, CSV, RDB) dilakukan suatu
• Big Data (Hadoop, NoSQL)
Data
tindakan
Type Triangle Forms
• Structure (20%) • Data at rest
• Unstructured (80%) • Data in motion
Predict
• Machine Learning
• Advance Analytics
14 Big Data Analytics for FinTech
 Machine Learning

MACHINE LEARNING

Algoritma yang memungkinkan sistem komputer membantu analisa dan

pengambilan didasarkan pada data empiris.

Supervised Learning Unsupervised Learning Reinforcement Learning

“Mempelajari data berlabel” “Mempelajari data tanpa “Aksi predictive tanpa label”
label”
Naïve Bayes Random Forrest K-Means Artificial Neural
Clustering Network (ANN)
Support Vector K- Nearest
Machine (SVM) Neighbor (KNN) Apriori
Linear
Decision Tree
Regression
Logistic
Regression
Sumber: berbagai sumber
15 Big Data Analytics for FinTech
 Removing Friction from the Customer Journey
Sebanyak 32% responden Top 10 Tren dan Prediksi untuk Institusi Finansial 2017
memilih open banking API Menghilangkan friction dari customer journey 54%
sebagai salah satu tren
finansial Menggunakan big data, AI, advance analytics 53%
dan cognitive computing
Peningkatan dalam integrated multichannel 45%
delivery
Open banking API hanya Open APIs 32%
digunakan oleh sedikit
industry leader tahun lalu Membangun kerjasama antara bank dan fintech 29%

Expansi pembayaran digital 29%

Sisanya yaitu bekerja sama dengan
fintech 29%, ekspansi pembayaran digital
29%, merespon regulasi 18%,
mengeksplor teknologi maju (11%),
kemunculan bank tandingan 10%, dan
investasi dalam inovasi 9%
16 Big Data Analytics for FinTech
Merespon perubahan regulatory 18%
Mengeksplor teknologi maju (IoT, voice) 11%
Kemunculan bank tandingan baru 10%
Investasi dalam innovation accelerator
9%
atau accelerator program
n=760
Sumber: DBR Research, Desember 2016, The Financial Brand
 Removing Friction from the Customer Journey

Kebanyakan lembaga keuangan tidak dapat Pengalaman digital yang baik

membuka rekening baru melalui online secara dapat menaikkan kepuasan,
keseluruhan atau mobile device kesetiaan, dan nilai referral

Menyediakan tablet untuk membantu

16% pembukaan rekening di kantor cabang
Pengalaman digital yang buruk dapat
mengakibatkan pembiaran akun rekening baru

Bank dan serikat kredit

Pembukaan rekening
digital multichannel
kebanyakan tidak
didukung oleh kebanyakan
lembaga keuangan
Abandonment rate untuk
pembukaan rekening baru
terbilang tinggi untuk
lembaga yang menawarkan
pembukaan rekening
melalui online atau mobile
55% memilili proses orientasi Jika lembaga keuangan menyediakan aplikasi mobile
yang ‘terstruktur’ yang spesifik untuk membuka rekening, dapatkah
seluruh proses diselesaikan melalui channel ini?
Lembaga keuangan
22% yang medapatkan Yes, currently have
17%
pelanggan baru dengan 35% Plan to have within 1 year
komunikasi yang
Plan to have within 3 years
optimal
29% No plans at this time
Produk pasar dari bank
30% dan serikat kredit dalam
19% n=262
aplikasi mobile banking

Big Data Analytics for FinTech Sumber: Digital Banking Report, September 2016, The Financial Brand
17
 Use of Data, AI and Advanced Analytics
Komputasi kognitif memungkinkan bank untuk mengeksploitasi manfaat dari data yang tersedia
dengan cata :
1 2 3
Memberikan customer Mendukung keputusan Mempercepat
insight yang lebih dalam yang lebih berbobot di efisiensi operasional
dan lebih personal seluruh bank dan organisasi

Teknologi kognitif menyediakan kemampuan pencarian real time

Cognitive
Kedalaman wawasan

Prescriptive Pilihan apa yang

Predictive Apa yang paling sesuai dalam
Apa yang dapat seharusnya konteks?
Descriptive - Learning models
terjadi? terjadi?
Apa yang terjadi? - Experienced-based
- Model Predictive - Aturan
- Laporan - Mekanisme
- Skor - Model optimisasi
- Dashboard Feedback
- Forecasts - Rekomendasi
- Visualisai

Level interaksi manusia

18 Big Data Analytics for FinTech Sumber: Digital Banking Report, September 2016, The Financial Brand
 Supporting Integrated Multichannel Delivery
Persentase individual menggunakan channel
Dalam pembukaan rekening, melalui berbagai interaksi
paling banyak memilih dikerjakan
Membuka
oleh orang (73%) rekening
33% 19% 73% 0% 10%
penyimpanan
Untuk menguangkan cek,
paling banyak memilih untuk
dikerjakan oleh orang (94%) Menguangkan
0% 0% 94% 2% 0%
cek
Untuk deposit cek, paling
banyak memilih untuk
Deposit cek
dikerjakan oleh orang (60%) 5% 17% 60% 30% 0%

Untuk mendapatkan saran

keuangan, paling banyak Mencari saran 31% 15% 59% 0% 32%
memilih dikerjakan oleh orang keuangan
(59%) Komputer Mobile Orang ATM Surat

19 Big Data Analytics for FinTech

Sumber: Nielsen, September 2016, The Financial Brand
 Testing Open Banking APIs
• Di Eropa, revolusi API yang besar sejalan dengan PSD2.
• Bank tandingan dan FinTech paling banyak berfokus pada single high-value financial offering. Hal ini
memungkinkan untuk penetapan harga pasti atau perbedaan kualitas dari bank komersil.
• Kemunculan API Economy dapat memungkinkan akses ke data yang dikumpulkan oleh aplikasi lain atau
monitoring aktivitas pelanggan yang patut diamati.
Jumlah API dalam sektor yang berbeda
Investing &
Lending

Lainnya Payment Gateway

and Processing

Payment Finance API’s Remittance

Acceptance

Bitcoin Authentication
and Verification
Accounting
20 Big Data Analytics for FinTech Sumber: Letstalkpayment.com, 2016
 FinTech API’s User
Payment Gateways & Processing Accounting Payment Acceptance

Authenticaion & Verification

Financial

Bitcoin
Trading

Investing & Lending

Remittance B2B Payments Billing Payments

Sumber: Letstalkpayment.com, 2016

21 Big Data Analytics for FinTech
 Model Open Banking
Bank Channel App Market Distributor Aggregator Banking as a Platform
Description Menggunakan API Membuka layanan bank Integrasi/bundle Agregasi multiple API Menawarkan platform
sebagai channel melalui API ke layanan keuangan dari financial service open banking termasuk
untuk produk milik pengembang pihak external dengan providers kedalam API ke lembaga
bank ketiga penawaran sendiri single API keuangan lainnya

Value Pengembangan Menciptakan ekosistem Deliver produk Penawaran multibank; Memungkinkan bank
lebih cepat, UX seputar layanan bank terbaik dengan solusi standar untuk untuk mengaselerasi
lebih baik mitra third-party providers strategi digitalnya

Business Tradisional Charge API call; atau Revenue share dari Service and Biayan lisensi
Model revenue share jika third service provider; transaction fees maintenance, revenue
party membawa klien pelanggan baru share

Examples Banyak bank yang BBVA api_market, N26 Figo; many (non-bank) Fidor, CBW/Yantra,
menjadi bagian Credit Agricole API CA personal financial Open banking Platform
dari strategi digital Store, Capital One management (PFM)
Devexchange providers (Yodiee,
Strands, Treefin)

Sumber: Alte Group, Desember 2016, The Financial Brand

22 Big Data Analytics for FinTech

 Metode Pembayaran Cashless dari GO-JEK (1)

GO-PAY (sebelumnya GO-JEK Wallet) adalah dompet virtual untuk menyimpan GO-JEK Credit yang bisa
digunakan untuk membayar transaksi di dalam aplikasi GO-JEK.
Verifikasi akun GO-PAY:
Mendukung partial payment, dimana
sisa biaya yang tidak tercover saldo GO- Fitur terbaru dari GO-PAY dapat digunakan
PAY dapat dibayar dengan uang tunai. pengguna setelah melakukan verifikasi akun.
Foto Identitas
Persyaratan:
Pengguna Pengguna

Cara top up GO-PAY:

ATM Mobile Internet

Banking Banking Driver

GO-PAY difasilitasi oleh PT Dompet Anak Bangsa, sebuah

Limit maksimum GO-PAY
• Rp1.000.000 (unverified)
• Rp10.000.000 (Verified)
23 Big Data Analytics for FinTech
perseroan terbatas yang didirikan dan beroperasi secara sah
berdasarkan hukum dan berdomisili di Jakarta.
Sumber: http://www.go-pay.co.id/
 Metode Pembayaran Cashless dari GO-JEK (2)
Inovasi terbaru dalam GO-PAY adalah adanya fitur untuk mentransfer saldo, menerima saldo, withdraw,
dan melihat histori transaksi.
Saldo GO-PAY Untuk mentransfer saldo ke
akun GO-PAY lain dengan
Berisi petunjuk top-up memasukkan:
melalui driver dan • nomor telepon tujuan,
berbagai channel bank • nominal transfer,
• catatan (optional)
Untuk mengambil gambar QR code
Berisi gambar QR code dari akun GO-PAY lain
untuk menerima GO-PAY Untuk melakukan penarikan uang yang
ditransfer ke rekening yang telah
didaftarkan dengan memasukkan:
Untuk memasukkan kode
• Nominal withdraw
voucher saldo GO-PAY
• Nama pemilik rekening bank
• Nomor rekening
• Nama bank
Berisi daftar history transaksi yang
dilakukan dalam aplikasi GO-JEK
24 Big Data Analytics for FinTech
 Potensi Pemanfaatan Dataset GO-PAY

DATASET GO-PAY
Akun DataTransaksi
GO-JEK
GO-PAY GO-RIDE GO-CAR GO-FOOD
• Email Data
• Nama Data Driver
GO-MART GO-SHOP GO-SEND GO-PULSA Merchant
• No. Telp
• Password GO-TIX GO-MED GO-BUSWAY

Penjualan Sentiment Predictive Analysis

Data Analysis
Credit Market Underwriting Marketing Pricing
Descriptive Statistic Analysis
Scoring (P2P Basket Fraud Customer
Market Research Lending) Analysis Cross Sell
Detection Retention

POTENSI PEMANFAATAN DATASET

25 Big Data Analytics for FinTech

 Data Transaksi GO-PAY
Customer
GO-PAY GO-RIDE GO-CAR GO-FOOD GO-MART
• Saldo GO-PAY • Nama pemesan • Nama pemesan • Nama pemesan • Nama pemesan
• Verifikasi akun (Foto dan KTP) • Nomor telepon • Nomor telepon • Nomor telepon • Nomor telepon
• Akun rekening bank • Histori perjalanan • Histori perjalanan • Jarak • Alamat pengantaran
• History transaksi (Order, top • Lokasi jempput dan tujuan • Lokasi jemput dan tujuan • Alamat pengantaran • Total harga pembelian
up, transfer, receive, • Total harga perjalanan • Total harga perjalanan • Total harga pembelian • Barang yang dibeli
withdraw) • Jarak • Jarak • Daftar Menu • Lokasi pembelian
• Metode Pembayaran • Metode Pembayaran • Menu favorit • Metode Pembayaran
• Saldo GO-PAY • Saldo GO-PAY • Akun facebook untuk menu • Saldo GO-PAY
• ID Order • ID Order rekomendasi • ID Order
• Nama driver • Nama driver • Metode Pembayaran • Nama driver
• Plat nomor • Plat nomor • Saldo GO-PAY • Plat nomor
• Nomor telepon driver • Nomor telepon driver • ID Order • Nomor telepon driver
GO-PULSA • Rating • Rating • Nama driver • Rating
• Comments • Comments • Plat nomor • Comments
• Nama pemesan • Nominal tips • Nominal tips • Nomor telepon driver • Nominal tips
• Nomor telepon • Rating
• Nomor tujuan • Comments
• Nominal pulsa GO-MED GO-SEND
• Nominal tips
• Saldo GO-PAY
GO-SHOP
• Nama pemesan • Nama pemesan
• ID Order • Nomor telepon • Nomor telepon • Nama pemesan
• Histori perjalanan • Alamat pengantaran • Nomor telepon
GO-BUSWAY • Alamat pengantaran • Total harga pengantaran • Alamat pengantaran
• Foto resep dokter • Deskripsi barang • Total harga pembelian
• Nama pemesan • Jenis obat • Nama dan nomor telepon • Barang yang dibeli
• Nomor telepon • Jenis kelamin, pengirim dan penerima GO-TIX • Lokasi pembelian
• Nama halte penjemputan • Tanggal lahir • Metode Pembayaran • Metode Pembayaran
• Saldo GO-PAY • Saldo GO-PAY • Saldo GO-PAY • Nama pemesan • Saldo GO-PAY
• ID Order • ID Order • ID Order • Nomor telepon • ID Order
• Nama driver • Nama driver • Nama driver • Jenis Tiket (Event/Movies) • Nama driver
• Plat nomor • Plat nomor • Plat nomor • Lokasi dan waktu acara • Plat nomor
• Nomor telepon driver • Nomor telepon driver • Nomor telepon driver • Total harga • Nomor telepon driver
• Rating 26 • Rating for FinTech
Big Data Analytics • Rating • Metode Pembayaran • Rating
• Comments • Comments • Comments • Saldo GO-PAY • Comments
• Nominal tips • Nominal tips • Nominal tips • ID Order • Nominal tips
 Data Transaksi GO-PAY
Driver Merchant GO-FOOD
Variabel Requirement Driver Variabel pada aplikasi Variabel Requirement Merchant GO-FOOD
• Nama • ID Order • Alamat
• Email • Jenis Order • Nama restoran
• Nomor telepon • Lokasi Pick-up customer • Nama pemilik
• Domisili • Lokasi Pick-up order • Email
• Infromasi dari manakah mengetahui gojek • Lokasi Drop-off customer • No telepon
• Informasi bekerja di transportasi online • Lokasi Drop-off order • Jenis restoran
lain • Jarak transportasi • Apakah restoran memiliki delivery service
• Nomor polisi kendaraan • Biaya transportasi customer • KTP
• Surat keterangan dari RT yang • Biaya transportasi order • NPWP
menyatakan bahwa benar sebagai Ojek • Biaya belanja order • Foto menu
pangkalan didaerah tersebut dan minimal • Biaya total • Harga menu
harus ada 5 anggota opang yang ikut • Nama customer • 1 Foto makanan atau restoran sebagai header
melamar • No. Telepon customer • Materai
• STNK kendaraan • Status driver
• SIM • Status order
• KTP • GPS
• KK • Metode pembayaran customer
• Untuk alamat antara KTP dan KK yang • Uang tunai yang dipegang driver
berbeda, wajib membuat surat keterangan • Saldo deposit driver
domisili dari RT/RW • Pendapatan driver
• Nomor telepon orang dapat dihubungi • Persentase performa
• Nama istri dan anak (jika ada) • Order yang dilakukan
• Jaminan asli BPKB • Order yang ditolak
• Ijazah terakhir • Poin driver
• Akta Lahir • Target poin
• Buku nikah (jika ada)

27 Big Data Analytics for FinTech

 Big Data Strategy

Biz
Case

Decision

t
dge

HR
Analytic
Bu

Data

Environment

28 Big Data Analytics for FinTech

 Klarna
https://www.klarna.com/
Lokasi: Stockholm, Swedia
Klarna merupakan perusahaan e-commerce yang menyediakan layanan pembayaran bagi toko online. Sekitar
40% penjualan e-commerce di Swedia terjadi melalui Klarna.
Klarna Payment System
Total Equity Funding: $296.44 Juta
dalam 8 round dari 15 Investor - Saat ini menangani lebih dari 1.5 juta
transaksi/bulan
- Rata-rata <0.6/s, namun terdapat puncak
Capaian Bisnis:
baik di penghujung hari maupun tahun
• Terdapat 55.000 merchant di 18
negara berbeda di Eropa Untuk menilai risiko Klarna menggunakan
• Pada 2016, Klarna dihargai lebih dari 140 variable, diantaranya:
€2 Milyar
- lokasi geografis - aktivitas pada situs
• Revenue tahun 2016 diperkirakan
pelanggan e-commerce
mecapai $463 Juta
- IP number - produk yang dibeli
• Pada 2014, telah menangani sekitar
- machine ID - web cookies
$10 Milyar dalam penjualan online
- e-mail - waktu pembelian,
Layanan yang diberikan: - alamat pengiriman dll.
Layanan inti Klarna adalah sistem yang dapat
menangani pembayaran pelanggan dan menanggung
klaim dari, sehingga dapat menghilangkan risiko untuk Menggunakan bahasa pemrograman
penjual maupun
29 pembeli.
Big Data Analytics for FinTech Erlang/OTP

Sumber: Diolah dari berbagai sumber

 Ayasdi (1)
https://www.ayasdi.com/
Lokasi: Menlo Park, California
Ayasdi merupakan perusahaan machine intelligence software yang dapat digunakan untuk menganalisa dan
membangun predictive model dengan mengunakan big data.
Ayasdi Platform
Total Equity Funding: $106.35 Juta
dalam 7 round dari 8 Investor - Waktu pemodelan CCAR hanya memerlukan
6 person month, dibandingkan sebelumnya
dapat mencapai 1800 person month
Capaian Bisnis:
- Waktu pemodelan risiko hanya 10 menit
• Revenue yang dihasilkan $10-
dibandingkan sebelumnya mencapai 300
$25/tahun (glassdoor.com)
person hours

Telah menganalisa lebih dari 600,000

transaksi dengan lebih dari 600 variable
untuk fraud model

Layanan yang diberikan:

Ayasdi menawarkan platform machine intelligence yang
menggabungkan scalable computing dan big data
infrastructure dengan machine learning, algortima
statistikal
30 dan geometris, sertafor
Big Data Analytics topoligocal
FinTech data analysis Output: Risk modelling.
untuk membangun risk modelling.
Sumber: Diolah dari berbagai sumber
 Ayasdi (2)
https://www.ayasdi.com/
Healthcare Financial Service

Ayasdi machine intelligence

platform dapat digunakan
pada infrastruktur cloud
baik public maupun private.
Atau dapat menggunakan
Intel-based server dan
infrastruktur Hadoop.

31 Big Data Analytics for FinTech

Sumber: https://www.ayasdi.com/platform/
 WealthFront
https://www.wealthfront.com/
Lokasi: California, Amerika Serikat
Wealthfront merupakan perusahaan start-up yang menyediakan layanan Robo Advisor.

Algoritma WealthFront
Total Equity Funding: $129,5 Juta
dalam 5 round dari 34 Investor Mean-Variance Optimization digunakan untuk
menentukan ETF dengan rasio pengeluaran
tahunan terendah, kesalahan pelacakan
Capaian Bisnis:
terkecil, dan likuiditas yang mencukupi.
• WealthFront mengelola lebih dari
USD 2 milyar aset klien lebih besar Untuk menilai user risk tolerance,
dibanding 1 tahun lalu (USD 500 WealthFront melakukan kuesioner:
juta).
- Alasan investasi tangga
• Menghemat biaya bagi klien dengan
- Hal yang dicari dari - Nilai total investasi
total mencapai sekitar USD 10 juta.
financial advisor cash dan liquid
- Usia'pre-tax - Preferensi investasi
income - Perilaku pada
Layanan yang diberikan: - Pemasukan rumah market downturn
Layanan inti WealtFront adalah Robo-advisor atau
layanan manajemen kekayaan yang memberi masukan
Menggunakan bahasa pemrograman R.
manajemen portfolio berbasis algoritma secara
otomatis32tanpa Big
menggunakan perencana
Data Analytics for FinTech finansial
manusia. Output: portfolio investasi.
Sumber: Diolah dari berbagai sumber
 WealthFront
https://www.wealthfront.com/

Arsitektur Robo-Advisor WealthFront:

33 Big Data Analytics for FinTech

 Aire
https://www.aire.io/
Lokasi: London, UK
Aire merupakan start up yang membawa model credit scoring alternatif yang dapat membantu orang – orang
baik yang memiliki atu tidak memiliki riwayat pinjaman untuk mendapatkan pinjaman.
Aire Credit Score Model
Total Equity Funding: $7 Juta dalam 4
round dari 13 Investor Pemrosesan hanya membutuhkan waktu 3 menit
User
Profession Finance Cognitive Lifestyle Documents supplied
Capaian Bisnis:
data
• Memiliki 8 daerah pangsa pasar Verifikasi
(UK, US, Kanada, Spanyol, VeritasTM
Australia, Hong Kong, Afrika Affordability ü Indeks kemampuan bayar (0-100%)
Selatan, dan Turki) Menilai kemampuan bayar A ü Indeks stabilitas pemasukan (0-100%)
terhadap produk ü Disposable income / exposure ratio
Identity ü Cek nama (True/False)
Mengidentifikasi risiko dan bukti
asli pemohon
I ü Tanggal lahir (True/False)
ü Alamat (True/False)
Credit Risk ü Indeks keinginan bayar (0-100%)
Credit behavior terhadap
Layanan yang diberikan: willingness to pay
R ü Indesk kecenderungan risiko (0-100%)
ü Fraud intent rating (beta)
Aire menawarkan teknologi pemodelan credit scoring Education
Pengetahuan atas keuangan dan
yang dapat terintegrasi dengan workflow pemberi pinjaman
E ü Indeks kematangan keuangan (0-100%)
pinjaman secara online.
34 Big Data Analytics for FinTech
Output: Credit score. (0-1000)
Sumber: Diolah dari berbagai sumber
 Centrifuge Systems (1)
https://www.centrifugrsystems.com
Lokasi: Mclean, Virginia
Centrifuge Systems menyediakan interactive analytics technology untuk analisis untuk mengeksplor dan
berbagi data melalui collaborative analysis
Centrifuge Financial Fraud
Total Equity Funding: $6.5 Juta dalam 2
round dari 1 Investor Arsitektur dari Centrifuge 100% browser
based (HTML5)
Capaian Bisnis:
• Revenue Centrifuge diperkirakan
mencapai $1 - $5 juta per tahun Hasil yang Centrifuge Analytics ini dapat
(glassdoor.com) berupa visualisasi, seperti:
• Relationship Graphs
• Heat Maps
• Charts (Bar, Pie, Line, Area, Bubble)
• Time Player Animation
• Dashboard Views
Layanan yang diberikan: • GeoSpatial
Centrifuge menyediakan analytics technology yang
dapat digunakan untuk fraud detection Berbasis Java, memiliki easy interface dengan
program lain.
35 Big Data Analytics for FinTech Output: Fraud score.
Sumber: Diolah dari berbagai sumber
 Centrifuge Systems (1)
https://www.centrifugrsystems.com

System Requirement:
Client:
• Windows Browsers
(Explorer, Chrome,
Firefox)
Server:
• Windows
• Linux
Small Configuration
• Single dual-core CPU
• 8GB RAM/250GB Disk
Large Configuration
• 4-CPU Quad-Core
• 32GB RAM/2TB Disk

36 Big Data Analytics for FinTech


Lokasi: California, Amerika Serikat
Feedzai, sebuah perusahaan data science, menawarkan software yang menggunakan analisis big data dan
machine learning untuk mencegah penipuan dalam transaksi e-commerce.
Total Equity Funding: $26,13 Juta dalam
5 round dari 8 Investor
Capaian Bisnis:
• Pada 2014, Feedzai telah
menganalisa lebih dari 18 juta
transaksi yang setara dengan
volume pembayaran sebesar $760
milyar.
• Pada 2016, pertumbuhanY-O-Y
mencapai 300% dan telah
menangani volume pembayaran
sebesar $1 milyar per hari.
Layanan yang diberikan:
Layanan solusi pencegahan penipuan yang berupa
pemblokiran transaksi penipuan dan kapabilitas
monitoring.
37 Big Data Analytics for FinTech
FeedZai
https://www.feedzai.com/
Feedzai Fraud Detection
• Mendeteksi 61% lebih banyak fraud lebih
dahulu tanpa meningkatkan false alarm.
• Memproses fraud score dalam 25
milidetik dari sejumlah besar dataset
(persentil 99).
• Memberikan 92% perlindungan penipuan
lebih tinggi dibanding produk "neural
network" di pasar dalam nilai false
positive yang sama.
Untuk mengukur fraud score, Feedzai
mengumpulkan data berupa:
- Data internal - Data Feedzai
(contoh: (contoh: disposable
transaction history) email)
- Data public - Data Purchased
(contoh: facebook) (contoh: ENCAP)
Output: Fraud Score
Sumber: Diolah dari berbagai sumber
 FeedZai
https://www.feedzai.com/

Komponen Sistem:

38 Big Data Analytics for FinTech

 FeedZai
https://www.feedzai.com/

Arsitektur Machine Learning:

39 Big Data Analytics for FinTech

 FeedZai
https://www.feedzai.com/

Extensible Architecture:

40 Big Data Analytics for FinTech

 ZAFIN
https://zafin.com/
Lokasi: Vancouver, Kanada
Zafin merupakan penyedia solusi software relationship banking untuk industry layanan finansial.

ZAFIN Relationship Banking System

Total Equity Funding: $15 Juta dalam 1
round dari 2 Investor - ZAFIN memiliki retention rate sebesar
100%
Capaian Bisnis:
• Pada tahun 2016, ZAFIN masuk ke
dalam daftar Deloitte Technology
fast 50TM and fast 500TM, tiga tahun Untuk memberikan rekomendasi produk
berturut-turut. dan pricing ZAFIN menggunakan
• Pada tahun 2016, ZAFIN mengalami beberapa variabel, yaitu:
pertumbuhan capital sebesar USD
- Informasi nasabah
$10 juta setelah menyelesaikan
perjanjian dengan Vistara Capital - Informasi produk
- Infomasi pricing
Partner dan Beedie Capital Partner.
Layanan yang diberikan:
Layanan inti ZAFIN adalah platform miRevenue yang
membantu pihak bank untuk memperdalam customer
relationship dengan menyatukan nasabah, produk,
pricing, dan
41 billing yangAnalytics
Big Data serupafor
dalam solusi
FinTech
terintegrasi. Output: Rekomendasi produk dan pricing
Sumber: Diolah dari berbagai sumber
 ZAFIN
https://www.zafin.com/

Platform Teknologi:

42 Big Data Analytics for FinTech

 Cardlytics
http://www.cardlytics.com/
Lokasi: Atlanta, GA
Cardlytics merupakan sebuah perusahaan yang menawarkan data intelligence platform yang dapat
membantu pemasaran lebih relevan dan terukur.
Cardlytics Data Intelligence Platform
Total Equity Funding: $166 Juta dalam 5
round dari 7 Investor • Telah menangani 20 milyar transaksi

Capaian Bisnis:
• Cardlytics bekerja sama dengan
lebih dari 1500 lembaga keuangan
• Mengelola lebih dari 120 juta akun
bank
Data pembelian yang dianalisa:
- Lokasi transatinggal customer
- Frekuensi belanja
- Jumlah yang dibelanjakan

Output:
Data yang diolah akan
menghasilkan
keuntungan bagi
Layanan yang diberikan: pelanggan, lembaga
Layanan dari Cardlytics adalah data intelligence keuangan, dan tenaga
platform yang menganalisa data pembelian dari pemasaran
seseorang untuk menarik loyalty pelanggan.
43 Big Data Analytics for FinTech

Sumber: Diolah dari berbagai sumber

 Cardlytics
http://www.cardlytics.com/

Dengan tetap memperhatikan kerahasiaan data, maka setiap data pelanggan

yang keluar akan dibuat secara anonim

44 Big Data Analytics for FinTech


Open banking API
diprediksi menjadi salah satu
tren finansial di tahun 2017
Namun pembukaan rekening bank
secara digital masih terhitung rendah
Sebanyak 35% lembaga keuangan
belum memiliki rencana atas hal ini
Beberapa proses finansial paling banyak
diminta untuk dilakukan oleh orang
Bank dapat mengambil manfaat
sebesar-besarnya dari data yang telah
tersedia saat ini dengan adanya AI
serta advanced analytics.
45 Big Data Analytics for FinTech
Kesimpulan
Big data, AI, dan machine learning dijadikan
teknologi utama oleh FinTech untuk membangun
bisnisnya seiring dengan meningkatnya jumlah
data yang tidak memungkinkan untuk diolah
secara manual
FInTech memiliki keunggulan masing-masing
dengan algoritma yang digunakan pada machine
learning guna memaksimalkan keuntungan bagi
FinTech maupun klien
Algoritma machine learning secara garis besar terbagi
menjadi supervised learning, un-supervised learning, dan
reinforcement learning. Masing-masing memiliki kelebihan
dan kekurangan dalam kasus-kasus yang berbeda, sehingga
dalam perlu dilakukan penetapan algoritma yang sesuai per
kasus.
 Merci bien
ありがとう
Matur Nuwun
Hatur Nuhun
Obrigado
Dank
Thanks
Matur se Kelangkong

Syukron
Kheili Mamnun
ευχαριστίες
Danke
Grazias
谢谢
Terima Kasih

46 Big Data Analytics for FinTech