Gautam Singh, Global Business Unit Head of Analytics, Data en AI, WNS Analytics – Interview Series

Gautam Singh is de Business Unit Head van WNS Analytics en de mede-oprichter en CEO van The Smart Cube, een WNS-bedrijf. Hij heeft 20 jaar besteed aan het opbouwen en uitbreiden van The Smart Cube (een leider in onderzoek en analytics) voordat het werd overgenomen door WNS. Voordat hij bij WNS kwam, werkte hij 10 jaar in management consulting en venture capital in Europa en de VS. Gautam heeft verschillende rollen gehad, waaronder posities bij Coven Partners (Londen), A.T. Kearney (Londen), Mitsubishi Motors (India) en Cummins Engines (VS). Hij heeft een MBA van de University of Michigan, Ann Arbor, VS en een undergraduate diploma in mechanische techniek van IIT Bombay, India.

WNS Analytics helpt bedrijven hun data om te zetten in strategische waarde door middel van “beslissingsintelligentie” – een combinatie van robuuste data-infrastructuur, AI/GenAI/agentic-AI-technologieën en domeinspecifieke expertise. Zij bieden diensten aan in verschillende branches, waaronder verzekeringen, banken en financiële diensten, detailhandel, CPG, productie, gezondheidszorg, energie en logistiek. Hun capaciteiten omvatten data-engineering en -governance, beschrijvende en voorspellende analytics, AI/ML-tools en visualisatie – allemaal ontworpen om snellere, zelfverzekerde beslissingen en continue innovatie mogelijk te maken.

U bent uw carrière begonnen in top-tier management consulting, vervolgens heeft u The Smart Cube opgericht en geleid voor meer dan twee decennia voordat het werd overgenomen door WNS. Wat was de motivatie achter uw overstap van consulting naar ondernemerschap en later naar het leiden van een wereldwijd data-analyse- en AI-bedrijf?

Ik heb tien jaar in management consulting gewerkt en zag een duidelijke marktkans: bedrijven zaten op bergen data, maar haalden er niet de volle waarde uit. Toen ik in 2003 begon, was analytics nog basic – we werkten met Excel-spreadsheets.

De beslissing om de corporate wereld te verlaten kwam neer op zelfvertrouwen. Ik zag een kans om organisaties te helpen hun data echt te benutten, dus ik richtte The Smart Cube op met die visie.

Na 20 jaar The Smart Cube te hebben opgebouwd, was het joinen van WNS geen exit, maar een evolutie. Ik heb de ondernemingsmentaliteit meegenomen, maar nu met veel meer middelen en bereik. Dit stelt ons in staat om problemen aan te pakken op een schaal die ik nooit had kunnen bereiken in een kleinere onderneming. Het belangrijkste is dat ik de kracht van het integreren en infuseren van data en analytics in kernbedrijfsprocessen in plaats van ze als discrete interventies te behandelen, heb erkend. Deze naadloze integratie van domeinexpertise en procesverbetering is centraal in WNS’ DNA – en dat is wat me motiveerde om overgenomen te worden en nu deze business unit te leiden.

In uw 20+ jaar ervaring in analytics, hoe heeft u de rol van data en AI in financiële diensten zien evolueren – van vroege adoptie tot hedendaagse grote-schaal, ondernemingsbrede integratie?

In de late jaren 90 betekende analytics het kijken naar historische data en het maken van statistische voorspellingen. De transformatie is opmerkelijk geweest.

De vroege 2000’er brachten digitale transformatie en geavanceerdere voorspellende modellen. Rond 2010 werden real-time trading analytics standaard. Ongeveer een decennium geleden begon machine learning een echte verschuiving te veroorzaken, en meer recentelijk heeft Generative AI (Gen AI) centraal gestaan.

Vandaag de dag behandelen financiële instellingen data als een strategisch actief. De vraag is veranderd van “kunnen we AI gebruiken?” naar “hoe integreren we AI in elke beslissing?”

De impact is tastbaar: customer onboarding die eerder dagen duurde, is nu binnen enkele uren mogelijk met AI-gebaseerde verificatie. Credit risk assessments evalueren honderden real-time datapunten buiten traditionele scores. Risicocalculaties die eerder ‘s nachts werden uitgevoerd, zijn nu onmiddellijk. En fraudebescherming reageert niet langer pas na het feit – het blokkeert verdachte activiteit in real-time.

Hoe gebruiken vooruitstrevende ondernemingen AI-gedreven data lakes en governance-kaders om real-time beslissingen, regelgevingscompliance en transparantie in financiële operaties te verbeteren?

Het bouwen van monolithische data-warehouses en hopen op inzichten werkt niet langer. Instellingen moeten intelligente data-ecosystemen ontwerpen.

Financiële diensten hebben een unieke uitdaging: ze zijn klantgericht, behandelen gevoelige data en moeten toch personalisatie en real-time responsiviteit bieden. Dit vraagt om modulaire data lakes gebouwd op flexibele kaders.

Binnen deze architectuur creëren organisaties gespecialiseerde data-vijvers voor pricing analytics, risico-evaluatie en regelgevingsrapportage. Elke vijver functioneert onafhankelijk, maar voedt het grotere ecosysteem, waardoor onmiddellijke waarde wordt geleverd terwijl beveiligingsgrenzen worden behouden.

De Zero ETL-trend is hierbij besonders relevant, aangezien het complexe Extract-Transform-Load-processen elimineert door directe querying over systemen mogelijk te maken. Dit stelt AI in staat om data in real-time te benaderen en te analyseren zonder deze te verplaatsen, waardoor latentie wordt verminderd en governance wordt behouden.

AI-agents evolueren ook voorbij anomaliedetectie. Ze signaleren niet alleen verdachte transacties, maar geven ook aanbevelingen en voeren acties uit binnen governanceparameters. In compliance monitort AI voortdurend transacties, genereert rapporten en identificeert problemen voordat regulators dat doen.

Synthetische data wordt vaak aangeprezen als een veilige manier om AI-modellen te trainen zonder gevoelige informatie bloot te geven. Kunt u voorbeelden delen van hoe synthetische data effectief wordt toegepast in fraudebescherming, risico-analyse en modelvalidatie?

Bij WNS Analytics gebruiken we geavanceerde synthetische data-generatie om high-fidelity, privacy-compliante datasets te creëren die AI-modeltraining versnellen, met name in domeinen met schaarse data. Onze synthetische datasets imiteren real-world scenario’s terwijl ze dezelfde statistische patronen, gedragingen en correlaties als echte financiële data weerspiegelen – transactiestromen, fraude-trends, klantgedrag – zonder enige gevoelige Persoonlijk Identificeerbare Informatie (PII) of klantdata bloot te geven.

Deze capaciteit transformeert financiële diensten op gebieden zoals risico-analyse, fraudebescherming, credit scoring, stress testing en compliance-modellering. Deze synthetische datasets stellen organisaties in staat om AI-oplossingen snel te ontwikkelen terwijl ze zowel data-privacy als regelgevingsvertrouwen waarborgen.

Een bijzonder innovatieve toepassing betreft het gebruik van PII-gemaskerde data om lookalike-modellen te creëren. Dit stelt bedrijven in staat om gerichte aanbiedingen te doen aan consumenten, waardoor gepersonaliseerde marketing mogelijk wordt terwijl volledige privacy wordt behouden.

Intelligente automatisering en AI-agents worden steeds vaker geïntegreerd in bedrijfsprocessen. Wat zijn de meest transformatieve use cases die u heeft gezien in financiële diensten, en hoe verbeteren ze operationele veerkracht en prestaties?

Intelligente automatisering met AI-agents versnelt ondernemingsprocessen, waardoor organisaties operaties kunnen stroomlijnen en snellere, meer geïnformeerde beslissingen kunnen nemen. Deze agents combineren automatisering met geavanceerd redeneren om veerkracht, schaalbaarheid en prestatieverbeteringen te leveren.

Bij WNS Analytics passen we de GAIN-framework (onze propriëtaire framework voor Agentic AI-implementatie) toe om de juiste niveaus van autonomie voor agentic AI te beoordelen. We bieden ook herbruikbare, microservices-gebaseerde componenten voor hyperspecialized agents via onze award-winning AI Utilities Hub.

In verzekeringen hebben we meerdere workflows getransformeerd met agentic AI. In motor claims subrogation heeft onze Gen AI-gebaseerde derdepartijhersteldetectieoplossing, aangedreven door autonome agents, 85% nauwkeurigheid bereikt, herstelvolumes verdubbeld en jaarlijkse herstelbedragen met ongeveer 49% verhoogd – waardoor miljoenen kansen die eerder over het hoofd werden gezien, werden ontsloten.

In onderwriting gebruiken we een agentic AI-gebaseerde onderzoeksassistent die meerdere gespecialiseerde agents inzet om complexe vragen te ontleden, data uit meerdere bronnen te extraheren en inzichten met 99% nauwkeurigheid te genereren terwijl de doorlooptijd met 85% wordt verkort.

Voor een toonaangevende bank heeft onze Gen AI-oplossing de tijd voor adverse media screening met 60% verkort en valse positieven met 12-15% gereduceerd.

We hebben ook een Gen AI-gebaseerde kennisbeheeroplossing – ontworpen als een horizontaal platform – om te bepalen hoe ondernemingen ongestructureerde data ophalen, redeneren en contextualiseren. Door precieze, compliant en consistente inzichten in real-time te leveren, verbetert het besluitvorming, verhoogt het efficiëntie en versterkt het operationele veerkracht over branches heen.

Deze oplossingen versterken menselijke oordeelvorming, waardoor snellere, nauwkeurigere systemen ontstaan.

Voor ondernemingen die hun AI-initiatieven willen opschalen, wat zijn de grootste barrières – technisch, cultureel of strategisch – en hoe kunnen leiders deze overwinnen?

De grootste barrière voor het opschalen van AI is niet de technologie – het is de organisatorische gereedheid.

Ten eerste zijn er data-silo’s over legacy-systemen. Volledige vervanging is niet altijd praktisch; in plaats daarvan moet de focus liggen op het bouwen van intelligente bruggen. Bij WNS hebben we “brugteams” gecreëerd die legacy-beheerders koppelen aan cloud-engineers, waardoor implementatie wordt versneld terwijl kritieke bedrijfsregels worden behouden.

Ten tweede is er een vaardigheidsgap. Ondernemingen hebben de juiste mix van domeinexperts, data-engineers, datawetenschappers en vertalers nodig die technische inzichten kunnen koppelen aan bedrijfswaarde.

Ten derde is er de snelheid van technologische verandering. Ons WNS AI Lab stelt organisaties in staat om te experimenteren met opkomende technologieën en proof-of-concepts te bouwen voordat ze zich committeren aan volledige implementatie.

Op het culturele front hangt succes af van effectief change management. We ontwerpen kaders die helpen om AI als additief te zien in plaats van vervangend. Het instellen van een AI-raad is ook een slimme zet, waardoor governance, cross-functionele uitlijning en een gestructureerd pad voor het verplaatsen van pilots naar ondernemingsbrede schaal mogelijk wordt.

Met de groeiende aandacht voor AI-ethiek, bias en transparantie, hoe kunnen financiële instellingen de juiste balans vinden tussen innovatie en verantwoorde AI-governance?

Innovatie en verantwoordelijkheid zijn geen tegenstrijdige keuzes – verantwoordelijkheid moet vanaf het begin in innovatie worden ingebouwd.

Financiële instellingen hebben robuuste AI-governance-kaders nodig. Bij WNS implementeren we kaders die ervoor zorgen dat AI op een verantwoorde, ethische en veilige manier wordt ontwikkeld. Onze aanpak omvat controles voor bias, eerlijkheid, aangepaste KPI’s en monitoring van modeldrift. Dit bouwt vertrouwen op, niet alleen regelgevingscompliance.

Transparantie is vooral kritiek in financiële diensten. Als AI een lening weigert, verdienen aanvragers duidelijke en begrijpelijke verklaringen.

Uiteindelijk is verantwoorde AI een concurrentievoordeel. Banken die eerlijkheid, transparantie en veiligheid in hun AI-systemen demonstreren, verdienen klantvertrouwen. Diegenen die governance als een nabeleefding behandelen, riskeren regelgevingsboetes en reputatieschade die veel moeilijker te herstellen zijn.

In de komende 3-5 jaar, welke opkomende AI-mogelijkheden of data-strategieën denkt u dat de grootste impact zullen hebben op hoe financiële organisaties opereren?

Drie ontwikkelingen zullen financiële diensten de komende drie tot vijf jaar herschikken.

Ten eerste zal agentic AI van experimenteel naar essentieel gaan. Autonome AI-agents zullen complexe workflows en hele afdelingen naast menselijke teams uitvoeren.

Ten tweede zullen continue leer-systemen de standaard worden. AI zal zich aanpassen van elke interactie, waardoor echt gepersonaliseerde financiële diensten mogelijk worden die evolueren met elke verandering in de behoeften van de klant.

Ten derde zullen we een krachtige technologie-convergentie zien: quantum computing voor geavanceerde risicocalculaties, blockchain voor transparante AI-beslissingslogboeken en edge computing voor instant lokale beslissingen. Samen zullen deze technologieën geheel nieuwe vormen van financiële diensten mogelijk maken die we nu nog maar amper kunnen voorstellen.

Na uw ervaring in ondernemerschap, overname en nu een wereldwijde leiderschapsrol, welke richtlijnen hebben u geholpen bij het nemen van beslissingen en het leiden van teams door verandering?

Drie principes leiden mij.

Ten eerste, volharding boven perfectie. Toen we The Smart Cube startten, hadden we niet alle antwoorden. We maakten fouten, pasten ons aan en gingen verder. Volharding met aanpassingsvermogen is essentieel geweest.

Ten tweede, bouw duurzame waarde, niet snelle exits. Een professor uit de business school adviseerde me eens – jaren nadat ik The Smart Cube had opgericht – “Focus je niet op de exit. Focus op het opbouwen van een succesvol bedrijf dat zal blijven bestaan.” Die langetermijnvisie heeft elke beslissing die ik heb genomen, gevormd.

Ten derde, geniet van wat je doet. Ik heb altijd geloofd dat als ik niet van mijn werk geniet, ik zal overstappen naar iets anders. Na 30 jaar word ik nog steeds wakker met enthousiasme, en die enthousiasme inspireert teams door verandering heen.

Leiderschap door overname heeft me ook een andere waarheid doen inzien: verandering slaagt als je mensen meeneemt. Technische integratie is straight-forward; culturele integratie – het opbouwen van een gedeelde visie – is waar echte leiderschap toe doet.

Voor professionals die de toekomst van AI in financiën willen vormgeven, welke vaardigheden, mentaliteiten of ervaringen denkt u dat het meest waardevol zullen zijn?

De toekomst behoort toe aan diegenen die werelden kunnen verbinden. Zuivere technische vaardigheden of domeinexpertise alleen zullen niet voldoende zijn.

Ten eerste, ontwikkel systeemdenken. Begin met de marktbehoefte – een duidelijk use case – en werk achteruit. AI in financiën vereist het zien van hoe alles samenhangt: hoe een verandering in risicomodellen de klantbeleving beïnvloedt of hoe automatisering nieuwe kansen opent.

Ten tweede, cultiveer gedisciplineerd pragmatisme boven idealisme. Wees enthousiast over nieuwe technologieën, maar rigoureus in het evalueren ervan. Niet elk probleem heeft AI nodig – soms kunnen eenvoudige analyses of zelfs spreadsheets de klus klaren.

Ten derde, bouw vertaalkundige vaardigheden op. Dit is essentieel. Het kunnen uitleggen van complexe AI-concepten aan raden van bestuur en het vertalen van bedrijfsvereisten voor datawetenschappers is van onschatbare waarde. De sterkste AI-leiders aligneren technologie met bedrijfsstrategie.

Ten slotte, omarm continue leren. Tools die vijf jaar geleden state-of-the-art waren, zijn nu al verouderd. Blijf nieuwsgierig, nederig en toegewijd aan leren om deuren te openen naar kansen die we nu nog niet kunnen voorstellen op het snijvlak van AI en financiën.

Bedankt voor het geweldige interview, lezers die meer willen leren, kunnen bezoeken WNS Analytics.