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 memegang berbagai posisi, termasuk posisi di Coven Partners (London), A.T. Kearney (London), Mitsubishi Motors (India), dan Cummins Engines (AS). Ia memegang gelar MBA dari University of 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 spesifik domain. Mereka menawarkan layanan di berbagai industri termasuk asuransi, perbankan & jasa keuangan, ritel, CPG, manufaktur, kesehatan, energi, dan logistik. Kemampuan mereka mencakup rekayasa data dan tata kelola, analitik deskriptif dan prediktif, alat AI/ML, dan visualisasi – semua dirancang untuk memungkinkan keputusan yang lebih cepat dan lebih percaya diri serta inovasi berkelanjutan.

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 tidak merupakan 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 bisa lakukan di bisnis yang lebih kecil. Yang paling penting, saya mengakui kekuatan mengintegrasikan dan menginfuskan data dan analitik ke dalam proses bisnis inti daripada memperlakukannya sebagai intervensi yang terpisah. Integrasi tanpa cela 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 Anda bekerja di analitik, bagaimana Anda telah melihat peran data dan AI di jasa keuangan berkembang – dari adopsi awal hingga integrasi perusahaan besar saat ini?

Pada akhir 90-an, analitik berarti melihat data historis dan membuat ramalan 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 pergeseran nyata, dan lebih baru-baru ini, AI Generatif (Gen AI) telah mengambil panggung utama.

Saat ini, lembaga keuangan memperlakukan data sebagai aset strategis. Pertanyaannya 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 beberapa jam dengan verifikasi berbasis AI. Penilaian risiko kredit mengevaluasi ratusan titik data waktu nyata di luar skor tradisional. Perhitungan risiko yang memerlukan batch run malam sekarang instan. Dan deteksi penipuan tidak lagi bereaksi setelah fakta – itu memblokir aktivitas mencurigakan secara waktu nyata.

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

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

Jasa keuangan menghadapi tantangan unik: mereka berorientasi pelanggan, menangani data sensitif yang sangat tinggi dan masih perlu menyampaikan personalisasi dan respon waktu nyata. Ini membutuhkan danau data modular yang dibangun di atas kerangka kerja yang fleksibel.

Dalam arsitektur ini, organisasi menciptakan kolam data khusus untuk analitik harga, penilaian risiko, dan pelaporan regulasi. Setiap kolam beroperasi secara independen sambil memberi makan ke dalam 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 pertanyaan langsung di seluruh sistem. Ini memungkinkan AI untuk mengakses dan menganalisis data secara waktu nyata tanpa memindahkannya, mengurangi latensi dan mempertahankan tata kelola.

Agen AI juga berkembang melampaui deteksi anomali. Mereka tidak hanya menandai transaksi mencurigakan tetapi juga merekomendasikan tindakan dan mengeksekusi respons dalam parameter tata kelola.

Sintetis data sering dipuji sebagai cara yang aman untuk melatih model AI tanpa mengungkapkan informasi sensitif. Bisakah Anda berbagi contoh tentang bagaimana sintetis data diterapkan secara efektif dalam deteksi penipuan, analitik risiko, dan validasi model?

Di WNS Analytics, kami menggunakan generasi data sintetis canggih untuk membuat set data privasi yang kompatibel dengan AI, yang mempercepat pelatihan model AI, terutama di domain yang kekurangan data. Set data sintetis kami meniru skenario dunia nyata sambil mencerminkan pola statistik, perilaku, dan korelasi yang sama dengan data keuangan yang sebenarnya – aliran transaksi, tren penipuan, perilaku pelanggan – tanpa mengungkapkan informasi Pribadi yang dapat diidentifikasi (PII) atau data pelanggan.

Kemampuan ini mengubah jasa keuangan di seluruh bidang seperti analitik risiko, deteksi penipuan, skoring kredit, pengujian stres, dan pemodelan kepatuhan. Set data sintetis ini memungkinkan organisasi untuk dengan cepat memulai pengembangan solusi AI sambil memastikan privasi data dan kepercayaan regulasi.

Suatu aplikasi inovatif khusus melibatkan penggunaan data PII yang dimasker 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 sering disematkan dalam alur kerja bisnis. Apa kasus penggunaan yang paling transformatif yang Anda lihat di jasa 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 tepat. Agen-agen ini menggabungkan otomatisasi dengan penalaran lanjutan untuk memberikan ketahanan, skalabilitas, dan perbaikan kinerja.

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

Dalam asuransi, kami telah mengubah beberapa alur kerja melalui agen AI. Dalam subrogasi klaim kendaraan bermotor, solusi deteksi pemulihan pihak ketiga yang didorong oleh 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 yang didorong oleh agen kami menggunakan beberapa agen spesialisasi untuk memecah pertanyaan kompleks, mengekstrak data dari sumber多, dan menghasilkan wawasan dengan akurasi 99% sambil mengurangi waktu putar sebesar 85%.

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

Kami juga memiliki solusi manajemen pengetahuan yang didorong oleh Gen AI – dirancang sebagai platform horizontal – untuk mendefinisikan kembali bagaimana perusahaan mengambil, menalar, dan mengkontekstualisasi 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 lebih akurat.

Bagi perusahaan yang bertujuan untuk menskala inisiatif AI, apa yang menjadi penghalang terbesar – teknis, budaya, atau strategis – dan bagaimana para pemimpin dapat mengatasi mereka?

Penghalang terbesar untuk menskala AI bukanlah teknologi – itu adalah kesiapan organisasi.

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

Kedua, ada 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, ada kecepatan perubahan teknologi. WNS AI Lab kami memungkinkan organisasi untuk bereksperimen dengan teknologi yang muncul dan membangun konsep bukti sebelum berkomitmen pada penerapan skala penuh.

Dalam hal budaya, kesuksesan bergantung pada manajemen perubahan yang efektif. Kami merancang kerangka kerja yang membantu karyawan melihat AI sebagai tambahan daripada pengganti. Membentuk dewan AI juga merupakan langkah yang cerdas, menyediakan tata kelola, keselarasan fungsional silang, dan jalur terstruktur untuk bergerak 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 tidak merupakan pilihan yang berlawanan – tanggung jawab harus dibangun ke dalam inovasi dari awal.

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

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

Pada akhirnya, AI yang bertanggung jawab adalah keunggulan kompetitif. Bank yang menunjukkan keadilan, transparansi, dan keamanan dalam sistem AI mereka memenangkan kepercayaan pelanggan. Mereka yang memperlakukan tata kelola sebagai sesuatu yang dilakukan setelahnya berisiko menghadapi sanksi 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 mengubah jasa keuangan dalam lima tahun ke depan.

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

Kedua, sistem pembelajaran berkelanjutan 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 instan. Teknologi ini bersama-sama akan membuka bentuk layanan keuangan yang sama sekali baru yang belum kita bayangkan.

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

Tiga prinsip memandu saya.

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

Kedua, bangun nilai yang langgung, bukan keluar cepat. Seorang profesor dari sekolah bisnis pernah menyarankan saya – bertahun-tahun setelah saya mendirikan The Smart Cube – “Jangan fokus pada keluar. Fokus pada membangun bisnis yang sukses yang akan bertahan.” Pola pikir jangka panjang ini telah membentuk setiap keputusan yang saya buat.

Ketiga, nikmati apa yang Anda lakukan. Saya selalu percaya bahwa jika saya tidak menikmati, saya akan pindah ke sesuatu yang lain. Setelah 30 tahun, saya masih bangun dengan semangat, dan antusiasme ini 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 tempat kepemimpinan yang sebenarnya.

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

Masa depan milik mereka yang dapat menjembatani 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 praktisisme yang disiplin di atas idealisme. Jika Anda bersemangat tentang teknologi baru, tetapi ketat dalam mengevaluasinya. Tidak semua masalah memerlukan AI – terkadang analisis sederhana atau bahkan spreadsheet dapat melakukan pekerjaan.

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

Terakhir, terima pembelajaran berkelanjutan. Alat yang canggih lima tahun yang lalu sekarang sudah ketinggalan zaman. Tetap penasaran, rendah hati, dan berkomitmen untuk belajar akan membuka pintu 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.