Data Flywheel วงล้อข้อมูลที่กำลังเปลี่ยนเกมการแข่งขันของธุรกิจธนาคาร

ในโลกการเงินยุค AI-First เรากำลังเห็นปรากฏการณ์หนึ่งที่เกิดขึ้นกับสถาบันการเงิน นั่นคือวงจรที่เรียกว่า Data Flywheel หรือวงล้อข้อมูล

วงจรที่เริ่มต้นจาก “ข้อมูล” สถาบันการเงินที่มีฐานข้อมูลลูกค้ามหาศาล ย่อมสามารถนำข้อมูลเหล่านั้นไปใช้ร่วมกับ AI ให้มีความอัจฉริยะและแม่นยำยิ่งขึ้น เมื่อ AI ฉลาดขึ้น ผลิตภัณฑ์และบริการทางการเงินก็ตอบโจทย์ได้ตรงใจผู้ใช้บริการ ส่งผลให้ Customer Engagement สูงขึ้น ลูกค้าใช้งานบ่อยขึ้นและอยู่กับแพลตฟอร์มนานขึ้น และเมื่อเกิดการใช้งานที่ถี่ขึ้น สถาบันการเงินก็จะได้ข้อมูลชุดใหม่กลับมาเติมเต็ม AI ให้ฉลาดขึ้นไปอีกขั้น วงล้อนี้จึงหมุนวนไปข้างหน้าด้วยความเร็วที่เพิ่มขึ้นเรื่อย ๆ แบบทวีคูณ

เมื่อ Data คือแต้มต่อสำคัญในโลกธุรกิจการเงิน 

การแข่งขันทางธุรกิจของสถาบันการเงิน ในอดีต สิ่งที่คู่แข่งลอกเลียนแบบได้ยาก อาจเป็นเครือข่ายสาขา ขนาดของเงินทุน หรือความแข็งแกร่งของ Brand ทว่าในยุคดิจิทัล ปัจจัยเหล่านี้สามารถไล่กวดกันได้ทันด้วยเม็ดเงินลงทุนและการพัฒนาผลิตภัณฑ์ที่รวดเร็วขึ้น

แต่การถือครองข้อมูลสร้างความได้เปรียบที่แตกต่างออกไป เพราะข้อมูลที่มีคุณภาพไม่ได้เกิดขึ้นจากการลงทุนเพียงอย่างเดียวแต่ต้องแลกมาด้วยเวลา ความไว้วางใจจากลูกค้าและประสบการณ์จากการให้บริการจริง ต่อให้เป็น Big Tech ที่มีเงินทุนมหาศาลก็ไม่สามารถซื้อประวัติพฤติกรรมทางการเงินย้อนหลังของลูกค้าจากผู้ให้บริการรายอื่นได้ ทำให้ธนาคารที่สะสมข้อมูลได้ก่อนและมี Ecosystem ที่แข็งแกร่งกว่า มีโอกาสต่อยอดข้อมูลเหล่านั้นให้กลายเป็นความได้เปรียบทางการแข่งขันในระยะยาว ในขณะที่ผู้เล่นหน้าใหม่ที่เพิ่งกระโดดเข้ามา ต่อให้มีเทคโนโลยี AI ที่ล้ำสมัยที่สุดในโลก แต่ถ้าไม่มี Data ที่ลึกและกว้างพอมาป้อนให้ AI เรียนรู้ ก็มีโอกาสชนะในสมรภูมินี้ยากขึ้นไปอีก

คำถามสำคัญคือ เหตุใด Data Flywheel จึงกลายเป็นหัวใจของการแข่งขันในธุรกิจธนาคารเวลานี้ 

เพราะโลกธุรกิจธนาคารกำลังเผชิญกับความไม่แน่นอนจากหลากมิติที่เข้ามารุมล้อมมากขึ้นเรื่อย ๆ  การตัดสินใจทางธุรกิจจึงต้องอาศัยข้อมูลที่ครอบคลุม แม่นยำ และประมวลผลได้แบบเรียลไทม์มากกว่าที่เคย

รายงาน Global Risks Report ของ World Economic Forum ที่ชี้ว่า โลกกำลังเผชิญกับภาวะ Polycrisis หรือวิกฤตหลายด้านที่เกิดขึ้นพร้อมกัน ทั้งเศรษฐกิจ ภูมิรัฐศาสตร์ การเปลี่ยนแปลงสภาพภูมิอากาศ และภัยไซเบอร์ ซึ่งล้วนเชื่อมโยงและส่งผลกระทบต่อกันอย่างซับซ้อน ความเสี่ยงเหล่านี้ทำให้การประเมินสถานการณ์ด้วยข้อมูลย้อนหลังเพียงอย่างเดียวไม่เพียงพออีกต่อไป สถาบันการเงินจึงต้องอาศัยขีดความสามารถด้านข้อมูลและ AI เพื่อวิเคราะห์ข้อมูลจำนวนมหาศาล คาดการณ์แนวโน้ม และสนับสนุนการประเมินสถานการณ์ได้อย่างแม่นยำและทันท่วงที

Data Flywheel จึงไม่ใช่เพียงการแข่งขันด้านเทคโนโลยี แต่คือความสามารถในการเปลี่ยนข้อมูลให้กลายเป็นเข็มทิศธุรกิจ ช่วยธนาคารในการประเมินสถานการณ์ที่แม่นยำ การบริหารความเสี่ยงรอบด้านอย่างมีประสิทธิภาพ และการสร้างบริการทางการเงินที่ตอบโจทย์ผู้ใช้บริการได้ดียิ่งขึ้น ซึ่งกำลังกลายเป็นปัจจัยสำคัญของการดำรงความสามารถในการแข่งขันของธุรกิจธนาคารในระยะยาว

ตัวเลขสถิติล่าสุดชี้ให้เห็นว่า เม็ดเงินที่สถาบันการเงินทั่วโลกเทลงไปในสมรภูมินี้สูงลิ่วจนน่าตกใจ ด้าน Gartner ระบุว่า งบลงทุนด้าน IT ของอุตสาหกรรมธนาคารและบริการการลงทุนทั่วโลกในปี 2025 อยู่ที่ราว 760,000 ล้านดอลลาร์สหรัฐฯ และมีการคาดการณ์ว่าจะพุ่งทะลุ 1.1 ล้านล้านดอลลาร์สหรัฐฯภายในปี 2029 ขณะที่ McKinsey ประเมินว่า ลำพังเพียงแค่เทคโนโลยี Generative AI อย่างเดียว ก็สามารถสร้างมูลค่าทางเศรษฐกิจให้ภาคธนาคารโลกได้สูงถึง 200,000 - 340,000 ล้านดอลลาร์ต่อปี (คิดเป็นเกือบ 5% ของรายได้ทั้งอุตสาหกรรม)

เม็ดเงินมหาศาลระดับนี้กำลังผลักดันให้อุตสาหกรรมเกิดพลวัตแบบ Winner-Take-Most หรือผู้ชนะกินรวบ ที่อาจทำให้เกิดการแยกกลุ่มธนาคารออกเป็น 2 สายพันธุ์คือ

• Data-Rich คือกลุ่มสถาบันการเงินที่มีฐานข้อมูลลูกค้ามหาศาลและสั่งสมมาอย่างยาวนาน จนสามารถนำไปฝึกฝน AI ให้ประมวลผลได้อย่างแม่นยำ เกิดเป็นวงล้อข้อมูลที่หมุนขับเคลื่อนนวัตกรรม พัฒนาบริการได้ตรงใจ และสร้างความได้เปรียบทางการแข่งขันอย่างก้าวกระโดด
• Data-Poor คือกลุ่มสถาบันการเงินที่ขาดแคลนทั้งปริมาณข้อมูลและโครงสร้างพื้นฐานในการจัดเก็บ ส่งผลให้วงล้อการพัฒนาทางการเงินยังคงฝืดเคือง และต้องแบกรับต้นทุนมหาศาลในการเร่งลงทุนเพื่อไล่ตามคู่แข่งให้ทัน

สถาบันการเงินสายพันธุ์ Data-Rich หน้าตาเป็นแบบไหน?

จากแนวโน้มข้างต้น เราจึงได้เห็นสถาบันการเงินชั้นนำทั่วโลกมุ่งสู่การเป็น Data-Rich เร่งลงทุนด้าน โครงสร้างพื้นฐานข้อมูล เทคโนโลยี AI และระบบวิเคราะห์ข้อมูล ไม่ใช่เพียงเพื่อเพิ่มประสิทธิภาพการดำเนินงาน แต่เพื่อยกระดับการตัดสินใจในทุกมิติ ตั้งแต่การประเมินความเสี่ยง การพิจารณาสินเชื่อ การตรวจจับการทุจริต ไปจนถึงการพัฒนาผลิตภัณฑ์และบริการที่ตอบโจทย์ผู้ใช้บริการได้ดียิ่งขึ้น 

ผลสำรวจล่าสุดจาก Bank of England ร่วมกับ FCA พบข้อมูลที่น่าสนใจว่า สถาบันการเงินในอังกฤษถึง 75% ได้นำ AI เข้ามาใช้งานจริงแล้ว (เพิ่มขึ้นอย่างก้าวกระโดดจาก 58% ในปี 2022) และอีก 10% กำลังอยู่ในช่วงเตรียมแผนเปิดตัวภายใน 3 ปีข้างหน้า ขยับมาทางฝั่งยุโรป ธนาคารกลางยุโรป (ECB) ก็รายงานไปในทิศทางเดียวกันว่า การขับเคลื่อนเทคโนโลยี AI ในภาคธนาคารเติบโตขึ้นอย่างชัดเจน โดยเฉพาะงานให้คะแนนเครดิตและการตรวจจับการฉ้อโกง

แต่ก่อนจะไปดูว่าสถาบันการเงินเหล่านี้เอา Data ไปใช้ทำอะไร เราต้องเข้าใจก่อนว่าวัตถุดิบข้อมูลที่ป้อนเข้า Data Flywheel มาจากไหน เพราะวงล้อนี้ไม่ได้ขับเคลื่อนด้วยข้อมูลเพียงประเภทเดียว แต่เกิดจากการรวบรวมข้อมูลของลูกค้าในหลากหลายมิติ ทั้งข้อมูลทางการเงินและพฤติกรรมการใช้งานที่เกิดขึ้นผ่านทุก Touchpoint ของธนาคาร ไม่ว่าจะเป็นการแตะจ่าย โอนเงิน เปิดแอปพลิเคชัน ใช้บริการผ่านช่องทางดิจิทัล หรือแม้แต่การติดต่อ Call Center ทุกปฏิสัมพันธ์ล้วนทิ้งร่องรอยข้อมูลไว้ทั้งสิ้น

สำหรับธนาคารสายพันธุ์ Data-Rich ข้อมูลที่กระจัดกระจายเหล่านี้จะถูกเชื่อมโยงและหลอมรวมจนกลายเป็นภาพรวมของลูกค้าแต่ละราย โดยสามารถแบ่งออกเป็น 4 มิติหลัก ได้แก่

• ข้อมูลธุรกรรม (Transactional Data) เช่น รายการใช้จ่าย การชำระเงิน การโอนเงิน และประวัติการชำระคืนสินเชื่อ
• ข้อมูลพฤติกรรม (Behavioral Data) เช่น การใช้งานแอปพลิเคชัน การเข้าใช้สาขา และการติดต่อผ่าน Call Center
• ข้อมูลส่วนบุคคลและโปรไฟล์ (Demographic & Profile Data) เช่น ข้อมูลพื้นฐาน รายได้ ประวัติเครดิต และข้อมูลด้านสินทรัพย์
• ข้อมูลความสัมพันธ์ (Relationship Data) เช่น บัญชีร่วม ความสัมพันธ์ทางธุรกิจ หรือเครือข่ายความเชื่อมโยงทางการเงิน

เมื่อ AI นำข้อมูลทั้ง 4 มิตินี้มาต่อกัน สิ่งที่สถาบันการเงินจะสามารถมองเห็นได้ ไม่ใช่เพียงตัวเลขหรือยอดเงินในระบบอีกต่อไป แต่เห็นเป็นภาพของชีวิตคนที่มีนิสัย มีจังหวะชีวิต และมีความสนใจในด้านต่าง ๆ ลากเส้นจากอดีตไปสู่สิ่งที่กำลังจะเกิดขึ้นในอนาคต นี่คือวัตถุดิบตั้งต้นที่ทำให้ทุกเกมต่อจากนี้เกิดขึ้นได้จริง และหากลองแกะรอยดูวิธีคิดของสถาบันการเงินเหล่านี้ เราจะพบว่าพวกเขานำ Data มาฝังไว้ในทุกอณูของกลยุทธ์ธุรกิจ

ในมุมของการบริหารความเสี่ยง HSBC ธนาคารระดับโลกที่มีเครือข่ายครอบคลุมกว่า 60 ประเทศ เลือกนำข้อมูลธุรกรรมจำนวนมหาศาลมาประมวลผลด้วย AI ผ่านระบบประเมินความเสี่ยงแบบเรียลไทม์ เพื่อช่วยตรวจจับความผิดปกติของธุรกรรมได้แม่นยำยิ่งขึ้น ลดการแจ้งเตือนที่ผิดพลาด (False Positive) และเพิ่มความแม่นยำในการตรวจจับการฟอกเงินและการฉ้อโกง สะท้อนให้เห็นว่าการใช้ AI บนฐานข้อมูลธุรกรรมจำนวนมหาศาลไม่ได้ช่วยเพียงเพิ่มประสิทธิภาพการดำเนินงาน แต่ยังช่วยให้การบริหารความเสี่ยงและการตัดสินใจด้านความปลอดภัยมีความแม่นยำมากขึ้น

สำหรับฝั่งเอเชีย DBS ธนาคารชั้นนำของสิงคโปร์ เป็นอีกตัวอย่างขององค์กรที่นำข้อมูลลูกค้าจำนวนมหาศาลมาผสานกับ AI ในการขับเคลื่อนธุรกิจอย่างจริงจัง โดยนำข้อมูลพฤติกรรมของลูกค้ามาวิเคราะห์เพื่อนำเสนอผลิตภัณฑ์ คำแนะนำ และการสื่อสารที่เหมาะสมกับแต่ละบุคคล ส่งผลให้สามารถยกระดับประสบการณ์ของลูกค้า พร้อมสร้างมูลค่าทางธุรกิจจากข้อมูลได้อย่างเป็นรูปธรรม

การเปลี่ยนแปลงทั้งหมดนี้แสดงให้เห็นว่า ข้อมูลได้กลายเป็นรากฐานของการตัดสินใจในธุรกิจธนาคาร ขณะที่ AI คือเครื่องมือสำคัญที่ช่วยเปลี่ยนข้อมูลเหล่านั้นให้เป็นคุณค่าทางธุรกิจ จากเดิมที่ใช้ข้อมูลเพียงเพื่อสนับสนุนการดำเนินงาน สู่การใช้ข้อมูลเป็นรากฐานของการตัดสินใจและการสร้างความได้เปรียบทางการแข่งขัน กลายเป็นโครงสร้างพื้นฐานสำคัญที่ช่วยให้สถาบันการเงินสามารถตัดสินใจได้อย่างแม่นยำ บริหารความเสี่ยงได้อย่างมีประสิทธิภาพ และสร้างบริการที่ตอบโจทย์ผู้ใช้บริการมากยิ่งขึ้น ซึ่งเป็นเหตุผลสำคัญที่ Financial Stability Board (FSB) หน่วยงานกำกับเสถียรภาพการเงินระดับโลก ระบุว่า ขีดความสามารถด้าน AI และการวิเคราะห์ข้อมูลได้หลอมรวมเป็นหนึ่งในองค์ประกอบสำคัญของภาคการเงินยุคใหม่เรียบร้อยแล้ว 

หากมองในภาพใหญ่ สิ่งที่เกิดขึ้นทั่วโลกกำลังยืนยันว่า Data Flywheel กำลังก้าวข้ามจากแนวคิดเชิงเทคโนโลยี ไปสู่การเป็นโมเดลการแข่งขันใหม่ของอุตสาหกรรมการเงิน

ในวันที่ Data คือหัวใจของการแข่งขัน นโยบายและโครงสร้างพื้นฐานจึงเป็นรากฐานของระบบนิเวศที่ปลอดภัย

ในประเทศไทย สัดส่วนค่าใช้จ่ายด้านเทคโนโลยีสารสนเทศต่อค่าใช้จ่ายในการดำเนินงานของธนาคารพาณิชย์มีแนวโน้มสูงขึ้น เพื่อรองรับการพัฒนาแพลตฟอร์มดิจิทัล โครงสร้างพื้นฐานด้านข้อมูล ระบบคลาวด์ ความมั่นคงปลอดภัยทางไซเบอร์ ตลอดจนการนำระบบอัตโนมัติและ AI มาเพิ่มประสิทธิภาพการดำเนินงาน เพื่อเสริมศักยภาพการแข่งขันของธนาคารในระยะยาว

อย่างไรก็ตาม การลงทุนของสถาบันการเงินเพียงอย่างเดียวอาจไม่เพียงพอ หากขาดรากฐานระบบนิเวศที่เอื้อต่อการใช้นวัตกรรมอย่างปลอดภัยและมีมาตรฐาน ซึ่งในประเทศไทย บทบาทสำคัญนี้ถูกขับเคลื่อนโดย ธนาคารแห่งประเทศไทย (ธปท.) ที่เข้ามาวางรากฐานของระบบนิเวศทางการเงินดิจิทัล เพื่อส่งเสริมการใช้ข้อมูลและ AI ควบคู่ไปกับการกำกับดูแลให้เกิดการใช้งานอย่างเหมาะสม โปร่งใส และปลอดภัย การลงทุนของภาคธนาคาร ประกอบกับบทบาทของ ธปท. ในการวางโครงสร้างพื้นฐานและกลไกกำกับดูแล จึงกลายเป็นแรงขับเคลื่อนสำคัญที่ทำให้ Data Flywheel ของภาคธนาคารไทยเริ่มหมุนอย่างเป็นรูปธรรม ผ่านกลไกสำคัญ เช่น

1. Regulatory Sandbox เปิดพื้นที่ให้นวัตกรรมทางการเงินเกิดขึ้นจริง

หนึ่งในกลไกสำคัญคือ Regulatory Sandbox หรือสนามทดลองนวัตกรรมทางการเงิน ที่เปิดโอกาสให้ผู้ให้บริการสามารถทดลองนวัตกรรมทางการเงินภายใต้กรอบการกำกับดูแลที่เหมาะสม ก่อนนำไปให้บริการจริง ช่วยลดข้อจำกัดในการพัฒนาเทคโนโลยีใหม่ พร้อมสร้างความมั่นใจทั้งในด้านความพร้อมและความปลอดภัย

นวัตกรรมหลายอย่างที่ผู้ใช้บริการคุ้นเคยในปัจจุบัน ไม่ว่าจะเป็น Biometrics และ Facial Recognition สำหรับ e-KYC, ระบบ NDID, e-Letter of Guarantee (e-LG) รวมถึง สินเชื่อส่วนบุคคลดิจิทัล ต่างเป็นตัวอย่างของนวัตกรรมที่ได้รับการพัฒนาและทดสอบผ่าน Regulatory Sandbox ก่อนนำมาให้บริการจริง

2. Your Data ส่งต่อข้อมูล เพื่อยกระดับบริการทางการเงิน

อีกหนึ่งกลไกสำคัญคือโครงการ Your Data ซึ่งเปิดโอกาสให้ผู้ใช้บริการสามารถส่งต่อข้อมูลทางการเงินของตนเองไปยังผู้ให้บริการทางการเงินรายอื่นผ่านช่องทางดิจิทัลได้อย่างสะดวก ปลอดภัย และเป็นมาตรฐาน โดยมีกำหนดทยอยเปิดให้บริการตั้งแต่ปลายปี 2569 เริ่มจากข้อมูลเงินฝากของบุคคลธรรมดา ก่อนขยายไปสู่ข้อมูลสินเชื่อและข้อมูลการชำระเงินในระยะต่อไป

กลไกดังกล่าวจะช่วยให้สถาบันการเงินสามารถใช้ข้อมูลที่ได้รับความยินยอมจากผู้ใช้บริการเพื่อพัฒนาผลิตภัณฑ์และบริการทางการเงินที่ตอบโจทย์ได้ดียิ่งขึ้น รวมถึงเป็นรากฐานของการเชื่อมโยงข้อมูลจากภาคส่วนต่าง ๆ เช่น ประวัติการใช้และการชำระค่าน้ำ–ค่าไฟ เพื่อสนับสนุนการเข้าถึงบริการทางการเงินได้อย่างทั่วถึงมากยิ่งขึ้น

3. Data Governance วางมาตรฐานการใช้ข้อมูลและ AI อย่างมีความรับผิดชอบ

นอกเหนือจากการส่งเสริมนวัตกรรม ธปท. ยังได้กำหนดหลักเกณฑ์ด้านการบริหารความเสี่ยงและความมั่นคงปลอดภัยทางเทคโนโลยีสารสนเทศ ซึ่งครอบคลุมการใช้ Big Data และ AI เพื่อให้มั่นใจว่าการวิเคราะห์ข้อมูลทางการเงินและข้อมูลลูกค้าที่มีความอ่อนไหวสูง (Sensitive Data) จะดำเนินไปอย่างเหมาะสม โปร่งใส และรักษาความเชื่อมั่นของลูกค้า นักลงทุน และระบบการเงินโดยรวมได้ในระยะยาว

จากการวางรากฐาน...สู่การสร้าง Data Flywheel ของธนาคารไทย

ด้วยโครงสร้างพื้นฐานและกลไกสนับสนุนที่พร้อมมากขึ้น สถาบันการเงินไทยจึงสามารถขับเคลื่อน Data Flywheel ของตนเองได้อย่างต่อเนื่อง โดยนำข้อมูลและ AI มาต่อยอดเป็นผลิตภัณฑ์ บริการ และระบบบริหารความเสี่ยงที่มีความแม่นยำยิ่งขึ้น ซึ่งปัจจุบันเริ่มเห็นตัวอย่างจากการประยุกต์ใช้ในหลายด้านที่ส่งผลโดยตรงต่อทั้งผู้ใช้บริการและการดำเนินงานของธนาคาร ได้แก่

1. Financial Inclusion เปิดโอกาสทางการเงินผ่านข้อมูลทางเลือก

ในโลกการเงินดั้งเดิม กลุ่มผู้ประกอบการรายย่อย พ่อค้าแม่ค้าออนไลน์ หรือฟรีแลนซ์ที่ไม่มีสลิปเงินเดือน มักเผชิญข้อจำกัดในการเข้าถึงสินเชื่อเนื่องจากรูปแบบการประเมินสินเชื่อแบบเดิมอาจสะท้อนศักยภาพทางการเงินได้ไม่ครบถ้วน แต่ปัจจุบันเมื่อข้อมูลทางการเงินแบบเดิมไม่เพียงพอ ธนาคารจึงเริ่มนำ Alternative Data หรือข้อมูลทางเลือกเข้ามาเป็นอีกหนึ่งคำตอบสำคัญ ไม่ว่าจะเป็น ประวัติการจ่ายค่าน้ำค่าไฟ บิลค่าโทรศัพท์ หรือพฤติกรรมการซื้อขายบนแพลตฟอร์มอีคอมเมิร์ซ มาประมวลผลร่วมกับ AI เพื่อคำนวณ Credit Scoring และผล Pre-approval ช่วยเพิ่มอัตราการอนุมัติ (Approval Rate) และขยายโอกาสให้ผู้บริโภคเข้าถึงระบบสินเชื่อได้อย่างปลอดภัยและกว้างขวางขึ้น

2. Hyper-Personalization ส่งมอบบริการที่ตอบโจทย์รายบุคคล

จากเดิมที่ธนาคารสื่อสารกับลูกค้าเป็นกลุ่มใหญ่ (Mass Segmentation) ปัจจุบันข้อมูลที่เกิดขึ้นในแต่ละวันช่วยให้เข้าใจบริบทของลูกค้าแต่ละคนได้ละเอียดขึ้น ทำให้สามารถนำเสนอผลิตภัณฑ์ บริการ หรือคำแนะนำที่เหมาะสมในช่วงเวลาที่ใช่ ส่งผลให้ประสบการณ์ของผู้ใช้บริการเป็นธรรมชาติและตรงความต้องการมากยิ่งขึ้น 

3. Cyber Security และ Fraud Detection ยกระดับความมั่นคงปลอดภัยของระบบการเงิน

ในอีกด้านหนึ่ง Big Data และ AI ยังมีบทบาทสำคัญในการยกระดับความมั่นคงปลอดภัยของระบบการเงิน ผ่านการตรวจจับความผิดปกติของธุรกรรมแบบเรียลไทม์ การป้องกันการฉ้อโกง (Fraud Detection) และการสนับสนุนกระบวนการป้องกันการฟอกเงิน (AML) ช่วยลดความเสียหายที่อาจเกิดขึ้น พร้อมเสริมสร้างความเชื่อมั่นให้กับผู้ใช้บริการและระบบการเงินโดยรวม ขณะเดียวกัน ธนาคารแห่งประเทศไทยยังได้พัฒนาโครงสร้างพื้นฐานกลางอย่าง Central Fraud Registry (CFR) เพื่อสนับสนุนการเชื่อมโยงและแลกเปลี่ยนข้อมูลระหว่างสถาบันการเงิน ทำให้สามารถติดตามบัญชีม้าและธุรกรรมต้องสงสัยได้รวดเร็วยิ่งขึ้น ช่วยเพิ่มประสิทธิภาพในการป้องกันและรับมือภัยทุจริตทางการเงิน

ตัวอย่างเหล่านี้แสดงให้เห็นว่า ข้อมูลกำลังกลายเป็นรากฐานของการดำเนินงานในทุกมิติของธุรกิจธนาคาร ตั้งแต่การสร้างโอกาสในการเข้าถึงบริการทางการเงิน การยกระดับประสบการณ์ของผู้ใช้บริการ ไปจนถึงการบริหารความเสี่ยงและความปลอดภัยของระบบการเงิน และเปิดโอกาสให้เกิดนวัตกรรมทางการเงินรูปแบบใหม่อย่างต่อเนื่อง

พิมพ์เขียวสู่ธนาคารแห่งอนาคตบนโลก AI-First

การแข่งขันของธุรกิจธนาคารในยุค AI-First อาจไม่ได้วัดกันเพียงขนาดของเงินทุน จำนวนสาขา หรือแม้แต่ความสามารถของ AI เพียงอย่างเดียว แต่จะวัดกันที่ความสามารถในการเปลี่ยนข้อมูลให้กลายเป็น Insight ที่นำไปใช้ได้จริง และสร้างคุณค่าใหม่ให้กับผู้ใช้บริการได้อย่างต่อเนื่อง

สิ่งที่ผู้ใช้บริการมองเห็นอาจเป็นเพียงแอปที่ตอบสนองไวขึ้นหรือคำแนะนำที่ตรงใจขึ้น แต่เบื้องหลังคือโครงสร้างข้อมูลและการลงทุนมหาศาลที่ทำงานอยู่ตลอดเวลาโดยไม่มีใครมองเห็น ในอดีต ข้อมูลอาจเป็นเพียงผลลัพธ์จากการดำเนินธุรกิจ แต่ในโลกการเงินยุคใหม่ Data กำลังกลายเป็นโครงสร้างพื้นฐานสำคัญของธุรกิจธนาคารเอง ธนาคารแห่งอนาคตจึงจะขับเคลื่อนด้วยโครงสร้างข้อมูลที่แข็งแกร่ง แม่นยำ และเชื่อมโยงกันอย่างมีประสิทธิภาพ พร้อมอาศัยเทคโนโลยีในการรวบรวม ประมวลผล และวิเคราะห์ข้อมูลจำนวนมหาศาลแบบเรียลไทม์ เพื่อประเมินสถานการณ์ คาดการณ์แนวโน้มในอนาคต บริหารความเสี่ยง และส่งมอบผลิตภัณฑ์และบริการที่ตอบโจทย์ความต้องการของผู้ใช้บริการได้อย่างตรงจุด ปลอดภัย และน่าเชื่อถือยิ่งกว่าเดิม

ด้วยเหตุนี้ การลงทุนด้านเทคโนโลยี โครงสร้างพื้นฐานข้อมูล และขีดความสามารถด้านข้อมูล จึงไม่ได้เป็นเพียงต้นทุนของการดำเนินธุรกิจอีกต่อไป แต่คือการลงทุนเชิงกลยุทธ์ที่จะกำหนดความสามารถในการแข่งขันของสถาบันการเงินในระยะยาว และเป็นทิศทางที่อุตสาหกรรมการเงินทั่วโลกต่างกำลังมุ่งไป เพื่อสร้างระบบการเงินที่มีประสิทธิภาพ ยืดหยุ่น และตอบโจทย์ผู้ใช้บริการได้ดียิ่งขึ้นในอนาคต

ท้ายที่สุดแล้ว ในโลกการเงินยุค AI-First ผู้ชนะอาจไม่ใช่ผู้ที่มีข้อมูลมากที่สุด แต่คือผู้ที่สามารถทำให้ Data Flywheel หมุนได้อย่างมีประสิทธิภาพที่สุด จนเปลี่ยนข้อมูลให้กลายเป็นคุณค่าที่ส่งต่อถึงทั้งผู้ใช้บริการ ภาคธุรกิจ และระบบเศรษฐกิจโดยรวมได้อย่างต่อเนื่อง