Gautam Singh, Kepala Unit Bisnis Global Analitik, Data, dan AI, WNS Analytics – Seri Wawancara

Gautam Singh adalah Kepala Unit Bisnis WNS Analytics dan Co-founder & CEO The Smart Cube, sebuah perusahaan WNS. Ia menghabiskan 20 tahun membangun dan mengembangkan The Smart Cube (sebuah pemimpin penelitian dan analitik) sebelum diakuisisi oleh WNS. Sebelumnya, ia bekerja selama 10 tahun di bidang konsultasi manajemen dan modal ventura di Eropa dan AS. Gautam telah menjabat berbagai posisi, termasuk di Coven Partners (London), A.T. Kearney (London), Mitsubishi Motors (India), dan Cummins Engines (AS). Ia memegang gelar MBA dari Universitas Michigan, Ann Arbor, AS dan gelar sarjana dalam Teknik Mesin dari IIT Bombay, India.

WNS Analytics membantu perusahaan mengubah data mereka menjadi nilai strategis melalui “kecerdasan keputusan”—menggabungkan infrastruktur data yang kuat, teknologi AI/GenAI/agentic-AI, dan keahlian domain-spesifik. Mereka menawarkan layanan di berbagai industri, termasuk asuransi, perbankan dan layanan keuangan, ritel, CPG, manufaktur, kesehatan, energi, dan logistik. Kapasitas mereka mencakup rekayasa data dan tata kelola, analitik deskriptif dan prediktif, alat AI/ML, dan visualisasi—semua dirancang untuk memungkinkan keputusan yang lebih cepat, lebih percaya diri, dan inovasi terus-menerus.

Anda memulai karir Anda di konsultasi manajemen tingkat atas, lalu mendirikan The Smart Cube dan memimpinnya selama lebih dari dua dekade sebelum diakuisisi oleh WNS. Apa yang memotivasi transisi Anda dari konsultasi ke kewirausahaan, dan kemudian menjadi pemimpin bisnis analitik data dan AI global?

Saya menghabiskan sepuluh tahun di konsultasi manajemen dan melihat kesenjangan pasar yang jelas: perusahaan duduk di atas gunung data tetapi tidak mengekstrak nilai penuhnya. Kembali pada tahun 2003, analitik masih dasar – kami bekerja dengan spreadsheet Excel.

Keputusan untuk meninggalkan kehidupan perusahaan datang ke keyakinan diri. Saya melihat kesempatan untuk membantu organisasi benar-benar memanfaatkan data mereka, jadi saya mendirikan The Smart Cube dengan visi itu.

Setelah 20 tahun membangun The Smart Cube, bergabung dengan WNS bukanlah keluar tetapi evolusi. Saya telah membawa kemajuan mindset kewirausahaan, tetapi sekarang dengan sumber daya dan jangkauan yang jauh lebih besar. Ini memungkinkan kami untuk menangani masalah pada skala yang tidak pernah saya bayangkan sebelumnya. Yang paling penting, saya mengakui kekuatan mengintegrasikan dan menginfuskan data dan analitik ke dalam proses bisnis inti daripada memperlakukannya sebagai intervensi terpisah. Integrasi yang mulus dari keahlian domain dan transformasi proses adalah pusat DNA WNS – dan itulah yang memotivasi saya untuk diakuisisi dan sekarang memimpin unit bisnis ini di WNS.

Dalam 20+ tahun bekerja di analitik, bagaimana Anda telah melihat peran data dan AI di layanan keuangan berkembang—dari adopsi awal hingga integrasi perusahaan besar saat ini?

Di akhir 90-an, analitik berarti melihat data historis dan membuat prakiraan statistik. Transformasi telah luar biasa.

Awal 2000-an membawa digitisasi dan model prediktif yang lebih maju. Pada 2010, analitik perdagangan waktu nyata telah menjadi standar. Hampir satu dekade yang lalu, pembelajaran mesin mulai mengemudi perubahan nyata, dan lebih baru-baru ini, AI Generatif (Gen AI) telah mengambil panggung tengah.

Saat ini, lembaga keuangan memperlakukan data sebagai aset strategis. Pertanyaan telah bergeser dari “apakah kita bisa menggunakan AI?” ke “bagaimana kita mengintegrasikan AI ke dalam setiap keputusan?”

Dampaknya nyata: pendaftaran pelanggan yang dulunya membutuhkan hari sekarang selesai dalam jam dengan verifikasi berbasis AI. Penilaian risiko kredit mengevaluasi ratusan poin data waktu nyata di luar skor tradisional. Perhitungan risiko yang membutuhkan batch malam sekarang instan. Dan deteksi penipuan tidak lagi bereaksi setelah kejadian – melainkan memblokir aktivitas mencurigakan secara waktu nyata.

Bagaimana perusahaan yang berorientasi ke depan menggunakan danau data AI yang didorong dan kerangka kerja tata kelola untuk meningkatkan pengambilan keputusan waktu nyata, kepatuhan regulasi, dan transparansi dalam operasi keuangan?

Membangun gudang data monolitik dan berharap mendapatkan wawasan tidak lagi berhasil. Institusi perlu merancang ekosistem data cerdas.

Layanan keuangan menghadapi tantangan unik: mereka berorientasi pelanggan, menangani data sensitif, dan masih perlu menyediakan personalisasi dan responsif waktu nyata. Ini membutuhkan danau data modular yang dibangun di atas kerangka yang fleksibel.

Di dalam arsitektur ini, organisasi membuat kolam data khusus untuk analitik harga, penilaian risiko, dan pelaporan regulasi. Setiap kolam beroperasi secara independen sambil memberi makan ke ekosistem yang lebih besar, memberikan nilai segera sambil menjaga batasan keamanan.

Tren Zero ETL sangat relevan di sini, karena menghilangkan proses Extract-Transform-Load yang kompleks dengan memungkinkan kueri langsung di seluruh sistem. Ini memungkinkan AI mengakses dan menganalisis data secara waktu nyata tanpa memindahkannya, mengurangi latensi, dan mempertahankan tata kelola.

Agen AI juga berkembang di luar deteksi anomali. Mereka tidak hanya menandai transaksi mencurigakan tetapi juga merekomendasikan tindakan dan mengeksekusi respons di dalam parameter tata kelola. Dalam kepatuhan, AI terus memantau transaksi, menghasilkan laporan, dan mengidentifikasi masalah sebelum regulator melakukannya.

Sintetik data sering dipromosikan sebagai cara aman untuk melatih model AI tanpa mengekspos informasi sensitif. Bisakah Anda berbagi contoh bagaimana sintetik data diterapkan secara efektif dalam deteksi penipuan, analitik risiko, dan validasi model?

Di WNS Analytics, kami memanfaatkan generasi sintetik data lanjutan untuk membuat dataset yang memiliki kualitas tinggi, patuh privasi, yang mempercepat pelatihan model AI, terutama di domain yang kekurangan data. Dataset sintetik kami meniru skenario dunia nyata sambil mencerminkan pola statistik, perilaku, dan korelasi yang sama dengan data keuangan sebenarnya – aliran transaksi, tren penipuan, perilaku pelanggan – tanpa mengekspos informasi Pribadi yang Dapat Diidentifikasi (PII) atau data pelanggan sensitif.

Kapasitas ini mengubah layanan keuangan di berbagai bidang seperti analitik risiko, deteksi penipuan, skor kredit, pengujian stres, dan pemodelan kepatuhan. Dataset sintetik ini memungkinkan organisasi untuk dengan cepat memulai pengembangan solusi AI sambil memastikan privasi data dan kepercayaan regulasi.

Salah satu aplikasi inovatif melibatkan penggunaan data yang disembunyikan PII untuk membuat model lookalike. Ini memungkinkan perusahaan untuk mendorong penawaran yang ditargetkan kepada konsumen, memungkinkan pemasaran yang dipersonalisasi sambil mempertahankan privasi total.

Otomatisasi cerdas dan agen AI semakin banyak disematkan dalam alur kerja bisnis. Apa yang paling mengubah penggunaan kasus yang Anda lihat di layanan keuangan, dan bagaimana mereka meningkatkan ketahanan operasional dan kinerja?

Otomatisasi cerdas yang menggunakan agen AI mempercepat alur kerja perusahaan, memungkinkan organisasi untuk menyederhanakan operasi dan membuat keputusan yang lebih cepat dan lebih terinformasi. Agen-agen ini menggabungkan otomatisasi dengan alasan lanjutan untuk memberikan ketahanan, skalabilitas, dan perbaikan kinerja.

Di WNS Analytics, kami menerapkan kerangka GAIN (kerangka kami untuk implementasi AI Agentic) untuk menilai tingkat otonomi yang tepat untuk AI agentic. Kami lebih lanjut menyediakan komponen berbasis mikro layanan yang dapat digunakan kembali untuk agen hiperspesialisasi melalui AI Utilities Hub yang memenangkan penghargaan kami.

Di asuransi, kami telah mengubah beberapa alur kerja melalui AI agentic. Dalam subrogasi klaim motor, solusi deteksi pemulihan pihak ketiga yang didukung Gen AI kami, yang didorong oleh agen otonom, telah mencapai akurasi 85%, meningkatkan volume pemulihan dua kali lipat dan meningkatkan pemulihan tahunan sekitar 49% – membuka jutaan peluang yang sebelumnya diabaikan.

Dalam penilaian, asisten penelitian AI agentic kami yang didukung oleh beberapa agen khusus memecah pertanyaan kompleks, mengekstrak data dari sumber yang berbeda, dan menghasilkan wawasan dengan akurasi 99% sambil mengurangi waktu putar sebesar 85%.

Untuk sebuah bank terkemuka, solusi Gen AI kami memotong waktu penyaringan media yang tidak menguntungkan sebesar 60% dan mengurangi positif palsu sebesar 12-15%.

Kami juga memiliki solusi manajemen pengetahuan yang didukung Gen AI – dirancang sebagai platform horizontal – untuk mendefinisikan kembali bagaimana perusahaan mengambil, memahami, dan mengkontekstualisasikan data tak terstruktur yang luas. Dengan memberikan wawasan yang tepat, patuh, dan konsisten secara waktu nyata, ini meningkatkan pengambilan keputusan, meningkatkan efisiensi, dan memperkuat ketahanan operasional di seluruh industri.

Solusi-solusi ini melengkapi penilaian manusia, menciptakan sistem yang lebih cepat dan akurat.

Bagi perusahaan yang bertujuan untuk memperluas inisiatif AI, apa yang menjadi hambatan terbesar—teknis, budaya, atau strategis—dan bagaimana para pemimpin dapat mengatasi mereka?

Hambatan terbesar untuk memperluas inisiatif AI bukanlah teknologi – itu adalah kesiapan organisasi.

Pertama, ada silo data di seluruh sistem warisan. Penggantian penuh tidak selalu praktis; sebaliknya, fokus harus dibangun pada jembatan cerdas. Di WNS, kami telah membuat “tim jembatan” yang menghubungkan administrator warisan dengan insinyur cloud, mempercepat implementasi sambil melestarikan aturan bisnis kritis.

Kedua, kesenjangan keterampilan. Perusahaan memerlukan campuran yang tepat dari ahli domain, insinyur data, ilmuwan data, dan penerjemah yang dapat menghubungkan wawasan teknis dengan nilai bisnis.

Ketiga, kecepatan perubahan teknologi. WNS AI Lab kami memungkinkan organisasi untuk bereksperimen dengan teknologi yang muncul dan membangun konsep bukti sebelum mengimplementasikan skala penuh.

Di bidang budaya, kesuksesan bergantung pada manajemen perubahan yang efektif. Kami merancang kerangka yang membantu karyawan memandang AI sebagai tambahan daripada pengganti. Membentuk dewan AI juga merupakan langkah yang cerdas, menyediakan tata kelola, keselarasan lintas fungsional, dan jalur terstruktur untuk berpindah dari pilot ke skala perusahaan.

Dengan meningkatnya pengawasan terhadap etika AI, bias, dan transparansi, bagaimana lembaga keuangan dapat menemukan keseimbangan yang tepat antara inovasi dan tata kelola AI yang bertanggung jawab?

Inovasi dan tanggung jawab tidaklah saling eksklusif – tanggung jawab harus dibangun ke dalam inovasi dari awal.

Lembaga keuangan memerlukan kerangka tata kelola AI yang kuat. Di WNS, kami mengimplementasikan kerangka yang memastikan AI dikembangkan secara bertanggung jawab, etis, dan aman. Pendekatan kami memasukkan pemeriksaan untuk bias, kesetaraan, KPI khusus, dan pemantauan drift model. Ini membangun kepercayaan, bukan hanya kepatuhan regulasi.

Transparansi sangat kritis di layanan keuangan. Jika AI menolak pinjaman, pelamar berhak mendapatkan penjelasan yang jelas dan dapat dipahami.

Akhirnya, AI yang bertanggung jawab adalah keunggulan kompetitif. Bank yang menunjukkan kesetaraan, transparansi, dan keamanan dalam sistem AI mereka memenangkan kepercayaan pelanggan. Mereka yang memperlakukan tata kelola sebagai sesuatu yang dilakukan setelahnya berisiko mendapat hukuman regulasi dan kerusakan reputasi yang jauh lebih sulit diperbaiki.

Dalam 3-5 tahun ke depan, kemampuan AI atau strategi data mana yang Anda percaya akan memiliki dampak terbesar pada cara lembaga keuangan beroperasi?

Tiga perkembangan akan membentuk layanan keuangan dalam tiga hingga lima tahun ke depan.

Pertama, AI agentic akan berpindah dari eksperimental ke esensial. Agen AI otonom akan mengeksekusi alur kerja kompleks dan mengatur seluruh departemen bersama tim manusia.

Kedua, sistem pembelajaran terus-menerus akan menjadi standar. AI akan beradaptasi dari setiap interaksi, memungkinkan layanan keuangan yang benar-benar dipersonalisasi yang berkembang dengan kebutuhan pelanggan yang berubah.

Ketiga, kita akan melihat konvergensi teknologi yang kuat: komputasi kuantum untuk perhitungan risiko lanjutan, blockchain untuk log keputusan AI yang transparan, dan komputasi edge untuk keputusan lokal yang seketika. Bersama, teknologi ini akan membuka bentuk layanan keuangan baru yang belum kita bayangkan.

Setelah menavigasi kewirausahaan, akuisisi, dan sekarang peran kepemimpinan global, apa prinsip-prinsip yang membantu Anda membuat keputusan dan memimpin tim melalui perubahan?

Tiga prinsip membimbing saya.

Pertama, ketabahan lebih dari kesempurnaan. Ketika kami memulai The Smart Cube, kami tidak memiliki semua jawaban. Kami membuat kesalahan, beradaptasi, dan terus maju. Ketabahan dengan fleksibilitas telah menjadi penting.

Kedua, bangun nilai yang langgeng, bukan keluar cepat. Seorang profesor dari sekolah bisnis pernah menyarankan saya—tahun setelah saya mendirikan The Smart Cube—“Jangan fokus pada keluar. Fokus pada membangun bisnis yang sukses yang akan bertahan.” Mindset jangka panjang itu telah membentuk setiap keputusan yang saya buat.

Ketiga, nikmati apa yang Anda lakukan. Saya selalu percaya bahwa jika saya tidak menikmatinya, saya akan pindah ke sesuatu yang lain. Setelah 30 tahun, saya masih bangun dengan antusias, dan antusiasme itu menginspirasi tim melalui perubahan.

Memimpin melalui akuisisi memperkuat kebenaran lain: perubahan sukses ketika Anda membawa orang-orang bersama. Integrasi teknis mudah; integrasi budaya – membangun visi bersama – adalah di mana kepemimpinan yang sebenarnya berperan.

Bagi para profesional yang ingin membentuk masa depan AI di keuangan, apa keterampilan, mindset, atau pengalaman yang Anda pikir akan paling berharga?

Masa depan milik mereka yang dapat membangun jembatan antar dunia. Keterampilan teknis murni atau keahlian domain saja tidak akan cukup.

Pertama, kembangkan pemikiran sistem. Mulai dengan kebutuhan pasar – kasus penggunaan yang jelas – dan kerja mundur. AI di keuangan memerlukan melihat bagaimana semua hal terhubung: bagaimana perubahan dalam model risiko mempengaruhi pengalaman pelanggan atau bagaimana otomatisasi membuka peluang baru.

Kedua, budayakan praktis yang disiplin daripada idealisme. Antusias dengan teknologi baru, tetapi tegas dalam mengevaluasinya. Tidak setiap masalah memerlukan AI – terkadang analisis sederhana atau bahkan spreadsheet dapat melakukan pekerjaan itu.

Ketiga, bangun keterampilan terjemahan. Ini sangat penting. Dapat menjelaskan konsep AI kompleks kepada anggota dewan dan menerjemahkan kebutuhan bisnis untuk ilmuwan data sangat berharga. Pemimpin AI terkuat menyelaraskan teknologi dengan strategi bisnis.

Terakhir, terima pembelajaran terus-menerus. Alat yang sangat canggih lima tahun yang lalu sudah usang. Tetap penasaran, rendah hati, dan berkomitmen untuk belajar akan membuka pintu ke peluang yang belum kita bayangkan di persimpangan AI dan keuangan.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut harus mengunjungi WNS Analytics.