ในยุคที่ปัญญาประดิษฐ์ (AI) ได้กลายเป็นเครื่องมือสำคัญในการแข่งขันทางธุรกิจ ธนาคารกสิกรไทย (KBank) ได้แสดงให้เห็นถึงศักยภาพของการนำเทคโนโลยีมาแก้ปัญหาคลาสสิกของวงการธนาคารอย่าง การติดตามหนี้ ได้อย่างเป็นรูปธรรม โดยโครงการนี้ไม่เพียงเพิ่มประสิทธิภาพการทำงาน แต่สามารถลดอัตราการไหลของหนี้ไปสู่การเป็นหนี้เสีย (Roll Rate) ได้ถึง 20% คิดเป็นมูลค่าที่ส่งผลดีต่อสถานะการเงินของธนาคารหลายพันล้านบาท
ดร.ธีรวัฒน์ อัศวโภคี Executive Vice President, Data Intelligence and IT Integration Division Head ธนาคารกสิกรไทย ได้เปิดเผยเบื้องหลังแนวคิดและกระบวนการที่นำไปสู่ความสำเร็จนี้ ซึ่งชี้ให้เห็นว่าหัวใจสำคัญไม่ได้อยู่ที่การมีเทคโนโลยีที่ล้ำสมัยที่สุด แต่อยู่ที่การนำเทคโนโลยีนั้นไปใช้แก้ปัญหาที่ถูกต้อง
กรอบแนวคิดเบื้องหลัง AI 3 คลื่นของ KBank
ดร.ธีรวัฒน์ กล่าวว่า KBank แบ่งประเภทและมองการใช้งาน AI ออกเป็น 3 คลื่น (Waves) ซึ่งการเข้าใจความสามารถและข้อจำกัดของ AI แต่ละประเภท คือหัวใจสำคัญในการนำไปประยุกต์ใช้แก้ปัญหาทางธุรกิจได้ถูกต้อง
คลื่นแรกคือ AI สายวิทย์ (Predictive AI) ซึ่งมีความสามารถในการคำนวณและวิเคราะห์ข้อมูลเพื่อคาดการณ์ (Predict) สิ่งต่าง ๆ เช่น การประเมินว่าลูกค้าคนไหนอาจเป็นการทุจริต (Fraud) มีระดับความเสี่ยง (Risk Level) อย่างไร หรือการนำเสนอผลิตภัณฑ์ที่ใช่ในเวลาที่เหมาะสม แต่ AI ประเภทนี้มีจุดอ่อนคือสื่อสารไม่เก่งและใช้งานยาก
ถัดมาคือ AI สายศิลป์ (Generative AI) ที่เราคุ้นเคยกันดีจาก Gemini หรือ ChatGPT ซึ่งเก่งด้านภาษาและการสื่อสาร แต่มีจุดอ่อนคือไม่เชี่ยวชาญด้านการคำนวณที่แม่นยำ และมีสิ่งที่น่ากังวลคือ มันจะพยายามตอบเพื่อเอาใจผู้ใช้เสมอ แม้ข้อมูลอาจไม่ถูกต้อง ซึ่งอันตรายหากนำไปใช้ตอบคำถามที่ต้องการความแม่นยยำสูง
และคลื่นลูกใหม่ล่าสุดคือ AI เชิงปฏิบัติการ (Agentic AI) ซึ่งเป็นการรวมพลังของ AI ทั้งสองประเภทแรกเพื่อให้สามารถลงมือปฏิบัติงาน (Take Action) และทำงานร่วมกับ Workflow อัตโนมัติได้อย่างครบวงจร โดยทั้งหมดนี้อยู่ภายใต้หลักการสำคัญว่า Data และ AI จะไม่มีความหมายเลย ถ้าไม่ได้ถูกนำไปใช้แก้ปัญหาทางธุรกิจที่ถูกต้อง
เจาะลึก 3 ปัญหาหลัก (Pain Points) ของกระบวนการติดตามหนี้
ทีมงานของ KBank ไม่ได้เริ่มต้นโครงการจากเทคโนโลยี แต่เริ่มจากการเข้าไปพูดคุยกับแผนกติดตามหนี้เพื่อทำความเข้าใจปัญหาที่แท้จริง ซึ่งโดยทั่วไปจะแบ่งความรุนแรงของการค้างชำระเป็นช่วงเวลา เช่น 1-30 วัน, 30-60 วัน และเกิน 90 วันซึ่งจะกลายเป็นหนี้เสีย (NPL)
จากการพูดคุยทำให้สรุปปัญหาหลักออกมาเป็น 3 ประเด็น ปัญหาประการแรกคือ อัตราการติดต่อลูกค้าต่ำ (Low Contact Rate) เนื่องจากข้อมูลเบอร์โทรศัพท์ที่ลูกค้าให้ไว้อาจไม่เป็นปัจจุบัน ทำให้ไม่สามารถติดต่อลูกค้าได้ หรืออัตราการติดต่อสำเร็จลดลงเรื่อย ๆ
ตามมาด้วยปัญหาที่สองคือ ทรัพยากรบุคคลมีจำกัด จำนวนพนักงานมีไม่เพียงพอเมื่อเทียบกับจำนวนลูกค้าทั้งหมด ทำให้เกิดคำถามเชิงกลยุทธ์ว่าควรจะโทรหาใครก่อน และเมื่อโทรแล้วควรจะเสนอยา (Treatment) อะไรที่เหมาะสมกับคนคนนั้น เพื่อให้พวกเขากลับมาชำระหนี้
และประการสุดท้ายคือ ไม่สามารถวัดผลกลยุทธ์ได้อย่างมีประสิทธิภาพ ทีมงานได้ทดลองใช้กลยุทธ์หลายรูปแบบ แต่ไม่สามารถระบุได้อย่างชัดเจนว่ากลยุทธ์ใดที่ได้ผลดีกับลูกค้ากลุ่มใด และเพราะอะไร ทำให้การปรับปรุงกระบวนการเป็นไปอย่างไม่มีทิศทาง
โซลูชันที่ขับเคลื่อนด้วย AI เพื่อตอบโจทย์แต่ละปัญหา
เพื่อแก้ปัญหาเหล่านี้ ทีมงานได้พัฒนาโซลูชันโดยใช้แพลตฟอร์มของ DataBricks เป็นเครื่องมือสำคัญในการพัฒนา AI สายวิทย์ ในการแก้ปัญหาการติดต่อลูกค้า ทีมได้ใช้ AI วิเคราะห์รอยเท้าดิจิทัล (Digital Footprint) ของลูกค้าจากหลากหลายแหล่งข้อมูล เช่น เบอร์ที่ผูกกับ K PLUS, OTP หรือ PromptPay โดยใช้หลักการของความใหม่ (Recency) และความถี่ในการใช้งาน (Frequency) เพื่อสร้าง Phone Confidence Score สำหรับจัดลำดับเบอร์โทรศัพท์ที่มีโอกาสติดต่อสำเร็จสูงสุด
ระบบนี้จะทำงานทุกวันเพื่อสแกนข้อมูลและส่งเบอร์โทรที่จัดลำดับแล้วเข้าสู่ระบบของทีม Collection โดยอัตโนมัติ พร้อมกันนั้นยังสามารถคาดการณ์ช่วงเวลาที่เหมาะสมที่สุดในการโทร (Best Time to Call) ได้อีกด้วย
สำหรับการจัดลำดับความสำคัญ ทีมได้สร้าง Collection Score ที่ประเมินจากความสามารถในการจ่าย (Ability to Pay) และความตั้งใจที่จะจ่าย (Willingness to Pay) ของลูกค้า คะแนนนี้ช่วยให้สามารถแบ่งลูกค้าเป็นกลุ่มสีต่าง ๆ ซึ่งเห็นผลลัพธ์ชัดเจน เช่น กลุ่มสีเขียว (มีแนวโน้มจ่ายสูง) จะชำระหนี้เองถึง 92% ภายใน 12 วัน และ 99% ภายใน 30 วัน ขณะที่กลุ่มสีแดง (มีแนวโน้มจ่ายต่ำ) จะชำระหนี้เพียงประมาณ 30% ใน 12 วันแรก ข้อมูลนี้ทำให้ทีมสามารถวางกลยุทธ์ได้ว่าในช่วง 12 วันแรกไม่จำเป็นต้องโทรหาลูกค้ากลุ่มสีเขียว แต่ให้มุ่งทรัพยากรไปที่กลุ่มสีแดงและสีเหลืองก่อน
สุดท้าย KBank ได้สร้าง Dashboard เพื่อติดตามและมอนิเตอร์ประสิทธิภาพของกลยุทธ์ต่าง ๆ แบบเรียลไทม์ ซึ่งช่วยให้สามารถปรับเปลี่ยนกลยุทธ์ได้อย่างรวดเร็วเมื่อพบความผิดปกติ ตัวอย่างที่เห็นได้ชัดคือการตรวจพบว่าลูกค้ากลุ่มที่เพิ่งออกจากมาตรการช่วยเหลือมีอัตราหนี้เสียพุ่งสูงขึ้นผิดปกติ เนื่องจากภาระค่าใช้จ่ายเพิ่มขึ้นจากเดิม 5-7 เท่า การมีข้อมูลนี้ทำให้ทีมสามารถเข้าไปปรับกลยุทธ์และวิธีการช่วยเหลือลูกค้ากลุ่มนี้ได้ทันท่วงที ก่อนที่ปัญหาจะลุกลาม
จากผลงานที่เกิดขึ้นจริงนี้เอง ทำให้โครงการของ KBank ได้รับรางวัลจากสถาบันการเงินระดับโลกอย่าง Retail Banker และ The Asian Banker ระดับภูมิภาคเอเชียแปซิฟิก
ความสำเร็จไม่ได้เกิดจากตัวเทคโนโลยี AI เพียงอย่างเดียว แต่เกิดจากการทำความเข้าใจปัญหาทางธุรกิจอย่างลึกซึ้งเป็นอันดับแรก แล้วจึงเลือกใช้เครื่องมือที่ทรงพลังเข้ามาจัดการกับ ‘ปัญหาที่ถูกต้อง’ ซึ่งนับเป็นแนวทางที่เปลี่ยนโครงการเทคโนโลยีให้กลายเป็นการสร้างความเปลี่ยนแปลงทางธุรกิจที่สามารถวัดผลได้จริง และเป็นต้นแบบที่น่าสนใจสำหรับองค์กรอื่นที่กำลังมองหาแนวทางในการนำ AI มาใช้งานให้เกิดประโยชน์สูงสุด
ข่าวอื่น ๆ ที่น่าสนใจ
Qualcomm จับมือ Green IO สร้าง AI Ecosystem ขับเคลื่อนโดยนักพัฒนาไทย
AWS เผย AI ไทยโตพุ่ง แต่เสี่ยงโตกระจุก สกิลคนยังเป็น ‘คอขวด’
