Evaluating the impact of machine learning applications on operations in the banking sector
No Thumbnail Available
Files
bachelor_Lahikainen_Onni_2024.pdf (298.35 KB) (opens in new window)
Aalto login required (access for Aalto Staff only).
URL
Journal Title
Journal ISSN
Volume Title
School of Business |
Bachelor's thesis
Electronic archive copy is available locally at the Harald Herlin Learning Centre. The staff of Aalto University has access to the electronic bachelor's theses by logging into Aaltodoc with their personal Aalto user ID. Read more about the availability of the bachelor's theses.
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
2024
Department
Major/Subject
Mcode
Degree programme
Tieto- ja palvelujohtaminen
Language
en
Pages
18 + 4
Series
Abstract
The banking industry is at the front of technological innovation. Banking institutions are continually driven to optimize their operations, aim for efficiency, accuracy, and improved customer experiences. The tools emerged from this landscape, machine learning, a subset of artificial intelligence, is redefining the way banking operations are conducted. This thesis focuses on the integration of machine learning within the banking sector, with the main goal of assessing enhancement of operational efficiency. This paper sheds light on the impact of ML in Banking operations. It examines the benefits of ML in the most common applications in the industry, such as risk management, detecting fraudulent action, loan approval and market data analysis. The study also conveys how it can make improvements in those areas, while addressing the biggest resulting challenges from its application including data quality, model interpretability, compliance, bias, and ethical concerns. Machine learning technology evolves rapidly, and the elements of its implementation in the banking sector are continuously changing alongside these advancements. By examining the interplay between the numerous factors influencing the adoption and impact of ML in banking, this work adds to the understanding of how banking institutions can navigate the benefits while simultaneously take into consideration the challenges. The findings contribute to both theoretical understanding and practical approaches in banking and technology within.Pankkiala on teknologisten innovaatioiden eturintamassa. Pankkilaitokset pyrkivät jatkuvasti optimoimaan toimintojaan, pyrkimään tehokkuuteen, tarkkuuteen ja parempaan asiakaskokemukseen. Tässä maisemassa esiin nousseet työkalut, koneoppiminen, joka on tekoälyn osa-alue, määrittelevät uudelleen tavan, jolla pankkitoimintoja toteutetaan. Tässä opinnäytetyössä keskitytään koneoppimisen integrointiin pankkialalla, ja sen päätavoitteena on arvioida toiminnan tehokkuuden parantamista. Tässä tutkielmassa valotetaan ML:n vaikutusta pankkitoimintaan. Siinä tarkastellaan ML:n hyötyjä alan yleisimmissä sovelluksissa, kuten riskienhallinnassa, petosten havaitsemisessa, lainojen hyväksymisessä ja markkinatietojen analysoinnissa. Tutkimuksessa kerrotaan myös, miten ML:n avulla voidaan tehdä parannuksia näillä aloilla, ja käsitellään samalla suurimpia sen soveltamisesta johtuvia haasteita, kuten tietojen laatua, mallien tulkittavuutta, vaatimustenmukaisuutta, puolueellisuutta ja eettisiä huolenaiheita. Koneoppimisteknologia kehittyy nopeasti, ja sen toteuttamiseen pankkialalla liittyvät tekijät muuttuvat jatkuvasti tämän kehityksen myötä. Tarkastelemalla niiden lukuisten tekijöiden välistä vuorovaikutusta, jotka vaikuttavat ML:n käyttöönottoon ja vaikutuksiin pankkialalla, tämä työ lisää ymmärrystä siitä, miten pankkilaitokset voivat hyödyntää hyötyjä ja ottaa samalla huomioon haasteet. Tulokset edistävät sekä teoreettista ymmärrystä että käytännön lähestymistapoja pankkitoiminnassa ja teknologiassa.Description
Thesis advisor
Penttinen, EskoKeywords
machine learning, banking operations, artifical intelligence, financial technology