Discovery Bank、行動AIとガバナンスされたデータで超個別化銀行を実現

金融機関が、規模や速度、セキュリティ、ガバナンスという業界の要件を満たしつつ、すべての顧客とのやり取りを個別のものとして感じさせるにはどうすればよいのでしょうか。

銀行におけるハイパーパーソナライゼーションとは、人口統計学的なセグメントではなく、実際の行動に基づいて、その瞬間に特定の個人に関連する顧客体験を実現する能力です。35 歳未満の全顧客に一様に貯蓄を促すメッセージを送るのと、給与振込を受け取り、定期預金の満期を迎え、かつ今週アプリの投資ページを 3 回閲覧した顧客に対して、具体的な提案を表示するのでは意味が異なります。金融機関が扱う規模でこれを実現するには、手動での設定ではなく、ガバナンスされた AI インフラストラクチャが必要です。

顧客と銀行との関係は、支払いや支出パターン、貯蓄行動、デジタル上のエンゲージメント、融資の意思決定、サービスに関する会話など、絶え間ないシグナルの連続を生み出します。課題は、これらのシグナルを有用な次のアクションに変換しつつ、パーソナライゼーション、不正検知、顧客対応、ガバナンスをすべて連携させることにあります。

2019 年に南アフリカの銀行業界の変革を目指して設立されたディスカバリー・バンク（Discovery Bank）にとって、正解は単一のモデルやアプリケーションの導入ではありませんでした。彼らが選んだのは、行動科学と AI を基盤としたデータプロダクトを核に銀行を再構築し、その成果を事業全体に浸透させるという道です。

この基盤が支えるのは、金融ウェルネスの向上、パーソナライズされた顧客体験、不正検知、バンカー支援、生成 AI の活用、そしてエージェントによる制御されたアクションなど多岐にわたる領域です。これらの機能を開発するチームにとって重要なのは、「再利用可能な意思決定（decisioning）」の仕組みです。これにより、マーケティング、デジタル体験、サービス提供、行動変容を促す施策といったあらゆる分野で、定義と統制の一貫性が保たれます。

ディスカバリー・バンクの実績は、金融サービスのリーダー層にとって極めて示唆に富む教訓となっています。AI の価値が最大化されるのは、以下の要素と連携したときです。

• 信頼性の高いデータ
• 再利用可能な分析プロダクト
• 確定的な（デターミニスティックな）サービス
• 洞察からアクションへ移行する際にも機能し続けるガバナンス体制

ディスカバリー・バンクのデータ責任者、スチュアート・エムズリー氏が、Databricks と連携してこれを実現したプロセスについて語っています。

共通の価値観を軸に銀行を再構築する

ディスカバリー・バンクは、ディスカバリー・グループの中核となる目的——人々の健康増進と生活の向上・保護——を「共有価値型バンキング」モデルを通じて金融行動に応用しています。顧客が金融行動を改善すれば、より多く貯蓄でき、信用管理も効果的に行え、経済的な回復力が高まります。これは顧客にとって価値を生み、銀行にとってはリスク低減につながり、結果として社会全体のレジリエンス向上に貢献します。

このモデルを実践するには、各顧客の行動に対する詳細かつ継続的に進化する理解が不可欠です。顧客はそれぞれ異なる支出パターンや金融目標を持ち、金融健全性に対する考え方も多様です。そのためディスカバリー・バンクでは、データ、 actuarial science（生命表科学）、behavioral science（行動科学）、そして AI を銀行の基盤として位置づけました。

行動データを再利用可能な製品へ転換する

ディスカバリー・バンクは、人口統計データ、取引および支出行動、デジタルエンゲージメント、貯蓄・借入指標、信用リスクシグナル、リワード参加状況、そしてライフスタイル関連情報などを統合しています。

ディスカバリー銀行は、Databricks のデータおよび AI プラットフォームを活用し、管理された単一のプラットフォーム上で情報を統合。これにより、エンジニアリング済みの特徴量や行動指標、モデルスコア、トレンド、予測、推奨事項など、再利用可能なデータプロダクトを創出しています。

同銀行のデータサイエンス・エンジンは、予測モデルや回帰分析、分位回帰、高度なセグメンテーション、類似性検索を組み合わせています。これにより、顧客行動の進化に追従するプロファイルが構築されます。

これらの管理され再利用可能なデータプロダクトは、顧客獲得と価格設定、リスク管理、製品・体験のパーソナライゼーション、サービス改善、銀行員支援、異常活動の検知、不正防止など、多岐にわたる領域で活用されています。基盤となるインテリジェンスを共通化することで価値を生み出しつつ、各ユースケースに必要な権限や制御も適切に適用可能です。

このアプローチはチームの働き方にも好影響を与えています。それぞれのアプリケーションごとに顧客インテリジェンスの別バージョンを作成するのではなく、実践者は共有された管理資産の上に構築できます。Delta Lake、MLflow、Unity Catalog は、これらの資産を生産環境で運用するために必要なデータ・モデリング・ガバナンスのパターンをサポートしています。

顧客にとって「次の最適な行動」を意味あるものにする

ディスカバリー銀行が最初に導入したアプリケーションの一つに、「次の最適な行動（NBA: Next-Best Action）」があります。ここで目指すべきは、銀行側が伝えたいことを特定することではありません。特定の顧客に対して、その文脈とタイミングにおいて、何を実行することが関連性があり価値があるのかを決定することです。

この区別こそが、パーソナライゼーションの役割を変えます。次の最適な行動とは、単にアウトバウンド（発信型）コミュニケーションを増やすためではなく、顧客が金融的な健全さへと向かう旅路を支えるためにあるべきものです。同じ知見は、インバウンドとアウトバウンドの双方向インタラクション、デジタル体験、そして銀行員によるサポートサービスなど、あらゆる場面で活用できます。

ディスカバリー銀行の NBA モデルは、顧客エンゲージメントへの影響を 40% 向上させる成果を出しました。また、データチームの働き方にも変化をもたらしています。パイプライン開発が 20 倍速く、データプロダクトの作成が 5 倍速くなったのです。その理由は、各チャネルでゼロから作り直すのではなく、共有されたガバナンス済みの資産を基盤に構築しているからです。

これらの機能を開発するデータ、分析、アクチュアリー、機械学習（ML）、そして製品チームにとって、設計原則は明確です。意思決定のロジックを再利用可能にし、それが実行されるチャネルから分離しておくこと。共通の意思決定層を設けることで、マーケティング、デジタル体験、サービス提供、行動変容を促す取り組みなど多様な領域をサポートしつつ、定義と制御の一貫性を保つことができます。

行動コンテキストを活用して顧客を守る

パーソナライゼーションを支える知見は、セキュリティ強化にも活用できます。従来の不正取引対策は「その取引が既知のパターンに合致しているか」を問うものですが、ディスカバリー銀行の TRUST™ アラートはこれに complementary な質問を加えます。「この特定の顧客にとって、この取引は妥当なのか？」という問いです。

TRUST™ アラートは、金融取引を顧客の行動規範やパターンと比較して評価します。ディスカバリー銀行では数億件の金融取引データを処理し、予測モデル、クラスタリング、分位回帰、異常検知などを駆使して、各取引がどれほど特異であるかを定量化しています。

その結果得られるのは、単なる Yes/No ではなくリスク評価です。中程度のリスクと判断された取引では、なぜその活動が不自然に見えるのかを説明するアラートが発令され、顧客自身が次の行動を選択できるようになります。一方、高リスクの取引に対しては、アカウントロックなどより強力な介入が行われます。

この段階的なアプローチは、保護と顧客体験のバランスを保つものです。同時に、説明可能性も不可欠です。リスクスコアだけでは不十分で、顧客や運用チームがなぜその取引がフラグされたのかを理解するには、文脈が必要です。これらのモデルは、カスタム設計した Azure ベースの配信アーキテクチャ を通じて実装されており、数百年ミリ秒以内という高速レスポンスでスケーラブルな意思決定を可能にしています。

信頼できる基盤の上に生成 AI を構築する

ディスカバリー・バンク（Discovery Bank）の生成 AI に関する基本原則は、基盤となるデータや機械学習（ML）機能を置き換えるものにしてはならないという点です。最も効果を発揮するのは、これらと連携させる場合です。

従来のデータ製品は信頼できる文脈を提供し、ML モデルは予測、見通し、推奨事項を導き出します。生成 AI は、こうした知見へのアクセスや説明、適用を容易にします。

ディスカバリー・バンクが示すアーキテクチャは、以下の 4 つのレイヤーで構成されています。

• クライアント情報、製品データ、取引履歴などを選別したデータを管理する「ガバナンス層」
• モデルが予測や行動分析、推奨事項、次の最適なアクションを生成する「分析層」
• AI エクスペリエンスに必要な情報と中核機能を提供する「制御ツール・サービス」
• 専門的な大規模言語モデル（LLM）、プロセス、エージェントを活用してアクションとレスポンスを決定する「生成層」

ディスカバリー・バンクは 2025 年 5 月、「Discovery AI」を発表しました。そのビジョンは、プライベートバンキングの民主化です。チャットインターフェースで人間のようなプライベートバンカーを模倣することではなく、より深い精算（アクチュアリー）と行動分析の知見を通じて、サービス体験そのものを変革することを目指しています。

Discovery AI は、サービスに関する質問への回答や、顧客が銀行の旅程を円滑に移動する際のサポート、金融行動の分析、パーソナライズされたインサイトの提示、推奨事項の提供、特定のアクション支援などを実現します。顧客は適切なメニューやフォームを探す必要はなく、必要な成果を言葉で伝えるだけで、システムが最適な旅程を自動調整してサポートします。

人間によるサポートの強化

Discovery Bank は、この知能をセルフサービス、テキストベースの銀行担当者とのチャット、アプリ内通話などにも適用しています。人間によるサポートにおいては、担当者が利用する AI アシスタントが顧客や問い合わせ内容に関連する情報を検索・生成します。さらに、各推奨事項がなぜ関連性があるのかを説明し、裏付けとなる情報を提供することで、次のベストアクションや推奨事項を対話に組み込む機能も備えています。

AI はまた、サービス対応の分析にも貢献します。ガバナンス、プライバシー、品質管理の枠組みの下で、繰り返しの顧客課題、新たなサービス問題、品質ギャップ、旅程改善の機会などを特定できます。より広範な分析により、チームはパフォーマンスの傾向を把握し、エージェントをより良い成果へと導くコーチングが可能になります。

これにより、AI は単なる業務効率化の枠を超え、対話の質そのものを向上させ、組織がより多様な顧客との会話から学習する基盤となります。

管理されたワークフローにエージェントを組み込む

ディスカバリー銀行のアジェンシー・パターンは、決定論的サービス、従来の機械学習モデル、オーケストレーションされた LLM ベースのプロセス、そしてエージェントを組み合わせるものです。エージェントが制御環境を置き換えるのではなく、その中で動作する点が重要です。

アジェンシーを活用したユースケースでは、顧客はテキスト、音声、画像、あるいはドキュメントを提供して、支払いや購入完了、関連アクションの実行を行います。既存のコントロールフローもそのまま維持されます。例えば、TRUST™アラートは引き続き不正リスクを評価し、Unity Catalog は構造化された銀行データ、行動特徴量、モデル出力、ドキュメント、録音内容、取得したコンテンツ、生成 AI アプリケーションに提供される情報などに対し、一貫したガバナンス層を提供します。

この原則は、ドキュメント処理が中心となる顧客旅程にも適用されます。マルチモーダルシステムはドキュメントの分類、フィールド抽出、既知データとの照合、不整合の特定を行い、次に必要なアクションを顧客に案内します。クレジット審査や Vitality Money（ディスカバリー銀行のリワードプログラム）といった領域では、これにより手作業による管理プロセスがより迅速かつ有用なものになります。

行動知能から統制された実行へ

ディスカバリー銀行のデータと AI の取り組みは、積み重ねによって成り立っています。基盤となったのは、統制されたデータプラットフォームと再利用可能なデータプロダクトです。その後、同行はパーソナライゼーションや不正検出のための行動モデルや意思決定システムを構築しました。生成 AI は、こうした知見を顧客や銀行員がより容易にアクセス可能にし、エージェントが制御されたアクションの調整や複雑なプロセスの再設計を担うようになりました。

データチームは、直接パイプラインと統合された ML フレームワークを活用することで、SQL 変換（データをある形式から別の形式に変換する処理）を不要とし、コード管理を簡素化しています。その結果、データ処理速度は 20 倍に向上し、データプロダクトの作成と実装にかかる時間も 5 倍短縮されました。チーム間の協力体制の強化、複雑さの低減、そして高い効率性を実現したことで、ディスカバリー銀行はモデル構築能力を 1 日あたり 300 モデル以上へと大幅に引き上げました。

Databricks のデータと AI プラットフォームは、異なるコンポーネントを依存関係のない単一の統合プラットフォームへ統合することで、同行が共有価値を生み出すために必要な中央集権型エコシステムを構築する能力を劇的に変革しました。これらの効率化により、洞察に至るまでの時間や本番環境への導入時間が短縮され、投資対効果は 500% を超える大幅な成果をもたらしました。

金融サービス業界のチームにとって、ここから得られる教訓はシンプルです：

ビジネス成果に焦点を当てた再利用可能なインテリジェンスを構築し、明確な責任と定義を持つようにします。

行動可能性を明示的に設計してください。プロファイルやスコアは、意思決定、推奨事項、介入、あるいは次のアクションにつながるものでなければなりません。

説明可能性を経験の中に組み込みます。顧客、銀行員、運用チームがシステムがなぜそのように行動したのかを理解できるようにするためです。

生成 AI やエージェントを信頼できる基盤に追加します。ただし、決定論的なサービス、機械学習、権限管理、ガバナンスは常にループ内（監視・制御下）に維持します。

Discovery Bank の事例が示す通り、再利用可能なデータ製品を活用すれば、銀行全体でパーソナライゼーション、不正検知、顧客対応、AI をつなげることができます。まずは信頼できるデータ、モデル、コントロール、ガバナンスから始め、その上に生成 AI やエージェントを積み重ねていくことで、洞察を安全かつ実用的なアクションに変えることが可能です。

さらに詳しく知りたい方は、Financial Services Industry Forum: Financial Intelligence beats General Intelligence の動画をご覧ください。大規模な AI の運用化について学べます。

FAQ

金融機関は Databricks Data and AI Platform をどのように活用できますか？

同プラットフォームは、パーソナライゼーション、リスク管理、不正検知、顧客対応を目的とした、ガバナンスされた銀行データ、分析、機械学習、AI を統合します。チームはアプリケーション間で再利用可能な指標、スコア、予測、推奨事項を構築することが可能です。

Unity Catalog は金融サービスのガバナンスをどのように支えるのか

Unity Catalog は、構造化・非構造化データ、行動特徴量、モデル出力、ドキュメント、録音、AI アセットなど、銀行データを横断する統一されたガバナンス基盤を提供します。これに Unity Gateway を組み合わせることで、これらのアセットを利用する生成 AI アプリケーションやエージェントに対して、一貫したアクセス制御、ポリシー適用、監査機能、可視性を拡張できます。

MLflow は銀行向け機械学習をどう支えるのか

MLflow はモデルの開発、バージョン管理、チューニング、本番環境への展開を一元的に管理し、予測モデルを実験段階から生産環境へ安全に移行させるための一貫した制御を実現します。

Databricks は金融分野でガバナンスされた AI をどう支えるのか

Databricks は、行動データ、機械学習モデル、生成 AI、エージェントワークフローを統合プラットフォーム上で連携させながら、金融サービスチームが AI の構築・ガバナンス・運用を可能にします。また、中央集権的なガバナンスとセキュアなデータアクセスを通じて、機密顧客データの不必要な移動や重複を最小限に抑える支援を行います。