Print:

‘Cognitieve Automatisering’, een logisch vervolg op Robotics in het hypotheekbedrijf

Kees Wim van den Herik, Director Operational Excellence

LinkedIn profiel

Afgelopen jaren heeft de hypotheeksector veel succes geboekt in automatisering van handmatige, repetitieve administratieve processen met Robotic Process Automation (RPA). Zo kunnen robots in het hypotheekproces de datastroom tussen de veelheid van gebruikte applicaties automatiseren zonder dat complexe interfaces tussen applicaties te bouwen of kostbare software wijzigingen via regulier change processen te realiseren.

Om RPA toe te passen is echter digitale en gestructureerde data nodig. Ook taken die menselijke besluitvorming vereisen zoals kredietacceptatie kunnen moeilijk worden geautomatiseerd als ze niet tot in detail gepreciseerd kunnen worden in beslisregels. Toepassing van ‘Cognitieve Automatisering’ (CA) maakt het mogelijk taken met ongestructureerde data of besluitvorming te automatiseren. In combinatie met RPA kan zo het gehele end-to-end bedrijfsproces worden geautomatiseerd.

In dit artikel schetsen we de ontwikkeling van RPA naar cognitieve automatisering, beschrijven we vervolgens een aantal toepassingsmogelijkheden van cognitieve automatisering en benoemen tenslotte een aantal concrete cases in het hypotheekbedrijf.

1. Robotic Process Automation

RPA maakt het mogelijk om handmatige handelingen van gebruikers in software te automatiseren door direct die handelingen na te bootsen. RPA robotiseert de invoer van data, kopiëren in de ene en plakken in de andere applicatie en de bewerking van data. Hiermee wordt het mogelijk om standaard taken zoals de administratieve verwerking van een aflossing op een lening te automatiseren. De taken van een robot laten zich beschrijven in zeven generieke taken, zie onderstaande overzicht.

Mortgage Tech | IIR

Robotisering wordt inmiddels op uitgebreide schaal geïmplementeerd, niet alleen in ondersteunende finan­ciële, IT of HR processen, maar ook in kernprocessen van hypotheekverstrekkers zoals acceptatie en beheer.

2. Cognitieve Automatisering, een logische vervolgstap

Een belangrijke randvoorwaarde voor toepassing van robotisering is dat data digitaal en gestructu­reerd aanwezig is en de taken volledig gestandaardiseerd/ routinematig. Zo kan een robot niet overweg met data uit handgeschreven papieren documenten, ingescande PDF documenten of free-format e-mailbericht van een klant. Daarom is menselijke tussenkomst nodig om de data over te zetten in een hypotheeksysteem of spreadsheet, óf het bericht te interpreteren en daarop actie te ondernemen.

Met cognitieve automatisering wordt het ook mogelijk om ‘hoofdwerk’ te automatiseren zoals het extraheren van ongestructureerde data. De inzet van Artificial Intelligence maakt een nieuw set van taken met ‘analoge’, ongestructureerde data en subjectieve besluitvorming automatiseerbaar. Wij maken onderscheid in drie typen taken die met de huidige stand van de techniek ondersteund kunnen worden:
A. Vastlegging van ongestructureerde data,
B. Classificatie van berichten en
C. Ondersteuning van besluitvorming.

Door cognitieve automatisering te combineren met RPA kan een veel groter deel van het klant-tot-klant proces worden geautomatiseerd. Hieronder een toelichting voor de verschillende typen taak.

Mortgage Tech | IIR

A. Vastlegging van ongestructureerde data

Wanneer de positie van de data in een document bekend is kan ‘eenvoudig’ RPA worden gebruikt om de data te herkennen. Maar vaak is de data niet digitaal beschikbaar maar alleen bijvoorbeeld in scans of images, of is de data ongestructureerd zoals bij een verzoek van een klant via e-mail. Digitalisering van archieven in het verleden heeft op grote schaal heeft geleid tot digitaal beschikbare data, echter in de vorm van scans en images. Als gevolg hiervan is veel archief data op grote schaal niet te ontsluiten. Bovendien is het nog steeds noodzakelijk is bij aanvraag veel diverse documenten in te leveren zoals taxatie rapport, saldo opgaven, salarisoverzicht en werkgeversverklaring.

Door toepassing van Machine Learning (ML) kan een programma worden getraind om standaard data in nog niet gedigitaliseerde of vrije tekstdocumenten te herkennen, voorbeelden hiervan zijn hypotheeknemer, geboortedatum, polisnummer of bedrag. Het ML algoritme kan de data herkennen door naast de positie van de data in het document ook de de syntax, de context en de vorm te analyseren.

Voorbeelden van slimme dataverwerking die hiermee mogelijk wordt in het hypotheekdomein:

  • Inlezen van verzekeringspolis om verpanding in het systeem te controleren of muteren
  • Inlezen van bouwdepot declaraties om na controles klanten vervolgens automatisch te betalen
  • Ondertekende hypotheekaktes verwerken in het hypotheeksysteem

De gebruiker leert de CA toepassing door in de documenten de data-elementen te markeren (‘tagging’). Hierna leert het ML algoritme de data steeds beter herkennen met deze gelabelde data sets. Dit noemt men ‘supervised learning’.

Case Intelligente Automatisering in het kredietproces

Bij een Nederlandse grootbank hebben we Robotisering en CA gecombineerd tot een end-to-end intelligente automatisering. In het grootzakelijk proces moeten voor kredietverlening veel stappen uitgevoerd worden waaronder een uitgebreide financiële kwantitatieve analyse van de kredietaanvragers standaard. De analyse van gegevens uit balansen en verlies- en winstrekeningen van klanten die werden aangeleverd in diverse formaten was daarbij een tijdrovend, kostbaar en foutgevoelig proces.

Ons cognitief automatiseringsteam heeft dit proces verregaand geautomatiseerd inclusief het inlezen en verwerken van financiële data. Met behulp van Optical Character Recognition (OCR) kunnen nu balansen en verlies- en winstrekeningen (PDF) worden ingelezen en omgezet in tekst. Vervolgens wordt met behulp van de Artificial Intelligence tool de output van ieder OCR bestand geclassificeerd naar de behorende balanspost. Items die bij klanten verschillende namen kunnen hebben of zijn uitgespreid over meerdere balansposten worden geaggregeerd tot de juiste balanspost. De match wordt getoetst aan de hand van een aantal kwaliteits­criteria en bij twijfel voorgelegd aan een specialist van de bank voor handmatige verwerking.

Na deze CA stap pakt de robot de gecureerde data op en laadt deze in de kredietapplicatie, waarin de beoordeling van de kredietapplicatie wordt gedaan. Het originele document wordt door de robot automatisch ingeladen in het document management systeem van de bank.

B. Classificatie middels RPA

Een andere bekende opgave voor hypotheekverstrekkers is om (pieken in) vragen van klanten of intermediairs via e-mail of social media tijdig te beantwoorden. Routering van klantvragen naar de juiste afdeling of persoon is saai en tijdrovend. Er zijn wel eenvoudige applicaties in gebruik die verzoeken routeren aan de hand van key words in de tekst, maar hiermee kan maar een beperkte betrouwbaarheid bereikt worden. Cognitieve Automatisering kan ingezet worden om e-mails nauwkeuriger te herkennen en af te handelen.

Denk hierbij aan drie typen berichten:

  • Frequently asked questions over bijvoorbeeld de hoogte van de rente worden automatisch beantwoord vanuit een kennisbank
  • Specifieke behandelverzoeken worden automatisch naar de juiste afdeling doorgestuurd
  • Complexere vragen worden als uitval aangeboden aan de juiste afdeling voor handmatige verwerking

In het onderstaande processchema kunnen alle groen gemarkeerde activiteiten worden geautomatiseerd.

Mortgage Tech | IIR

Inmiddels hebben wij in een Proof of Concept een case uitgewerkt waarin klantberichten voor 99.3% juist geclassificeerd werden en juist afgehandeld c.q. gerouteerd naar de juiste afdeling.

C. Besluitvormingsondersteuning

De laatste categorie van ‘Cognitieve Automatisering’ heeft betrekking op ondersteuning van besluitvorming zoals bij acceptatie van hypotheekaanvragen. Acceptatiebesluiten worden aan de hand van vaste ‘business rules’ beoordeeld, zoals de woonquote of ‘loan to value’, maar deze beoordeling schiet veelal te kort. De aanvraag is net iets afwijkend en in het grijze gebied is een genuanceerde en handmatige beoordeling nodig. Bij deze beoordeling wordt de aanvraag in al zijn aspecten (aanvraag, onderpand of historie) beoordeeld. Dit is een complexe afweging van een groot aantal datapunten. Dit kan oplopen tot 40% van alle aanvragen.

Machine Learning (ML) kan op basis van een historie aan beslissingen getraind worden om met grote mate van betrouwbaarheid ook in nieuwe cases de juiste beslissingen te nemen. Hiertoe wordt een voorspellend model (‘predictive model’) ontwikkeld dat veelal gebruik maakt van het neuraal netwerk, een specifiek type van machine learning modellen met grote voorspelkracht. De beoordeling wordt tevens verrijkt door feit dat– naast de beoordeling van de specifieke klant op basis van statische informatie – het ook mogelijk is om meer dynamisch naar een klant te kijken en deze te vergelijken met klanten die op hem/ haar lijken.

Voor een hypotheekverstrekker hebben we een dergelijk model ontwikkeld dat allereerst gebruikt kan worden om de mid-office te ondersteunen met de kredietacceptatie. Toepassing van het acceptatiemodel in het digitale loket is voorzien om intermediairs direct inzicht te bieden of de aanvraag voor hun klant kansrijk is. Het predictive model behaalde na training op een eerste set een betrouwbaarheid van 96,4% wat betekent dat het model voor 96,4% van de aanvragen terecht voorspelde dat de aanvraag geaccepteerd zou worden. Om de score te verbeteren, wordt tijdens de implementatie van het model een feedback loop ingebouwd, waardoor het model kan blijven leren en de nauwkeurigheid van het model met de tijd zal toenemen.

3. Kansen in het hypotheekproces

De kansen voor Cognitieve Automatisering (CA) liggen breed verspreid in de waardeketen van het hypotheekbedrijf. Het onderstaande overzicht toont de waardeketen met de mogelijke toepassingen van CA.

Mortgage Tech | IIR

 

4. Een kwestie van de lange adem

Adoptie van ‘Cognitieve Automatisering’ is een kwestie van de lange adem. Waar RPA in feite in kort tijdsbestek van enkele weken getraind en gerealiseerd kan worden, vraagt de opleiding van data scientists meer tijd en inspanning. Het ontwerpen, bouwen, testen en trainen van cognitieve automatiseringstoepassingen is een langdurig proces.

Data scientists zijn momenteel schaars en de opleiding vraagt een behoorlijke basiskennis van modelbouw- en programmeervaardigheden. Tooling voor Cognitieve Automatisering wordt steeds eenvoudiger toepasbaar, maar zonder de juiste kennis en ervaring is er wel het risico dat de ontwikkelaar vroeg of laat vastloopt of onterechte conclusies trekt uit de resultaten. Het advies is om daarom tijdig te investeren in opbouw van expertise. Het is zaak om deze capability op te bouwen, omdat op korte termijn veel ontwikkeling in de technologie  is te verwachten en het van belang is hiervoor klaar te zijn.

Ontwikkeling van CA toepassingen kost eveneens tijd door de benodigde data. De ontsluiting en opschoning van de benodigde data kost veel tijd. Ook na initiële ontwikkeling van de cognitieve applicatie is tijd nodig om deze te trainen. Om een voor de business vereiste betrouwbaarheid te behalen is arbeidsintensieve labeling van nieuwe cases of (test)gevallen nodig en moeten resultaten met benodigde statistische berekening zorgvuldig worden beoordeeld.

Belangrijkste uitdagingen

Wij hebben recent onderzocht wat de belangrijkste randvoorwaarden zijn voor succesvolle adoptie bij 150 cognitieve technologie projecten. Ondanks de snel groeiende ervaring blijkt dat veel bedrijven flinke obstakels ervaren in de ontwikkeling en implementatie van AI. In het onderzoek komen een aantal obstakels steeds opnieuw naar voren, zie de onderstaande grafiek.

Mortgage Tech | IIR
Bron: Deloitte 2017, Artificial Intelligence for the Real World, Davenport en Ronanki

 

Vier stappen om uw AI ambities te realiseren

Op basis van dit onderzoek van Thomas Davenport en Rajeev Ronanki van Deloitte (gepubliceerd in de Harvard Business Review) is een aanpak met vier stappen ontwikkeld om de Artificial Intelligence (AI) ambities in een bedrijf te realiseren. Meer hierover vindt u op Deloitte’s webpagina over Artificial Intelligence voor hypotheekverstrekkers.

Meer weten?

Bent u er klaar voor om met AI aan de slag te gaan? Joep Arends, Innovation lead bij Deloitte vertelt u er meer over tijdens Mortgage Tech 2018.

Mortgage Tech Evenement banner

Meer informatie?

Laat uw e-mail achter en ontvang de brochure direct in uw mailbox.

Wij gebruiken cookies om IIR.nl gemakkelijk te maken. Bezoekt u onze website, dan gaat u akkoord met deze cookies meer informatie

De cookie-instellingen op deze website zijn ingesteld op 'toestaan cookies "om u de beste surfervaring mogelijk. Als u doorgaat met deze website te gebruiken zonder het wijzigen van uw cookie-instellingen of u klikt op "Accepteren" hieronder dan bent u akkoord met deze instellingen.

Sluiten