Executive Summary รายทีม

ทีมพัฒนา AI Agent บน Microsoft Copilot Studio เพื่อระบุว่า field ใดในชุดข้อมูลเป็น PII หรือ SPII ก่อนนำข้อมูลไปใช้ทดสอบระบบ จากเดิมที่ต้องตรวจทีละช่องด้วยมือครั้งละ 200-300 fields

ผลที่นำเสนอคือลดเวลาตรวจสอบต่อคำขอจาก 8-16 ชั่วโมง เหลือ 3-5 ชั่วโมง คิดเป็นการประหยัดราว 402 ชั่วโมงต่อปี หรือเร็วขึ้นราว 62.5% ของเวลาทั้งกระบวนการ

แผนถัดไปแบ่งเป็น Prototype Validation 1 เดือน และ Pilot Implementation 1-2 เดือน โดยยังต้องผ่าน Security review และพิสูจน์ความแม่นยำเทียบกับผู้เชี่ยวชาญก่อนขยายผล

การตรวจสอบว่า field ใดเข้าข่าย PII หรือ SPII ยังทำด้วยมือทีละช่อง ครั้งละ 200-300 fields

ใช้เวลา 8-16 ชั่วโมงต่อคำขอ รวมทั้งปีประมาณ 288-768 ชั่วโมง

มีความเสี่ยงที่ข้อมูลจะตกหล่นหรือถูกจำแนกผิด ส่งผลต่อ PDPA และทำให้กระบวนการ Review และ Approve ล่าช้า

ทีม Data Governance, ทีม IT และเจ้าหน้าที่ที่ต้องเตรียมข้อมูลสำหรับการทดสอบ

Copilot Agent อ่าน Field Name และ Data Dictionary แล้วระบุ PII/SPII ให้อัตโนมัติ พร้อมเหตุผลประกอบและแนวทาง Masking ที่เหมาะสม

ผู้ใช้เรียกใช้ผ่าน Copilot Chat หรือ MS Teams อัปโหลดไฟล์ตาม template ที่ทีมเตรียมให้ แล้วรับผลกลับทางอีเมลเป็นไฟล์ Excel ที่ผ่านการวิเคราะห์พร้อมขั้นตอนถัดไป

จำกัด Knowledge เฉพาะเอกสารที่ผ่านการอนุมัติ และแยกชั้นความรู้เป็น Policy / Experience / Base LLM พร้อม Feedback Loop จากสิ่งที่ผู้ใช้แก้ไข

ลดเวลาตรวจสอบต่อคำขอจาก 8-16 ชั่วโมง เหลือ 3-5 ชั่วโมง ประหยัดราว 402 ชั่วโมงต่อปี (ประมาณ 50 วันทำงาน) หรือเร็วขึ้นราว 62.5%

KPI: Review Time, Accuracy และ Error Rate, จำนวนเคสที่ต้องแก้ซ้ำ, Man-hour Saving

ลดความเสี่ยงข้อมูลรั่วไหลและความเสี่ยงด้าน Compliance

Prototype Validation ประมาณ 1 เดือน พัฒนา Prototype ตรวจจับ PII จาก Field ทดสอบกับข้อมูลจริง เทียบผลกับการ Review ของทีม Data Governance และวัด Accuracy พร้อมเก็บ Feedback ผู้ใช้

Pilot Implementation ประมาณ 1-2 เดือน ให้ AI ช่วย Pre-screen PII และแนะนำ Masking ร่วมกับ Data Governance Reviewer วัดผล Lead Time, Accuracy และ Effort Saving

1. ผ่าน Security review และประสานทีม AI COE / Power Platform

2. Benchmark ผล AI เทียบผู้เชี่ยวชาญเพื่อหา Error Pattern และกำหนดเกณฑ์ Accuracy ที่ยอมรับได้

3. เพิ่ม Document Control, Log และ Audit ก่อนขยายการใช้งาน

4. คำนวณ benefit / impact analysis เป็นตัวเงินตามที่ Coach แนะนำ

ทีมเสนอ Krungsri Q+ ระบบจองคิวและนัดหมายล่วงหน้าผ่าน LINE เพื่อเปลี่ยนการรอคิวที่สาขาให้เป็นการนัดหมายที่ลูกค้าวางแผนเวลาได้

จากการสัมภาษณ์และแบบสอบถามลูกค้าที่ใช้บริการสาขา 47 ราย พบว่า 52% รอคิว 21-30 นาที และ 30% ไม่ได้พบเจ้าหน้าที่ที่เชี่ยวชาญตรงกับเรื่องที่มา

ทีมขออนุมัติ Phase 1 Pilot ด้วยงบ 30,000 บาทก่อน เพื่อพิสูจน์คุณค่าก่อนตัดสินใจลงทุนพัฒนาเต็มรูปแบบ 8 ล้านบาท

ลูกค้าไม่อยากมาสาขาเพราะไม่รู้ว่าต้องรอคิวนานแค่ไหน เวลารอที่สะท้อนออกมาอยู่ที่ราว 45 นาที

เมื่อมาถึงแล้วยังอาจไม่ได้พบเจ้าหน้าที่ที่เชี่ยวชาญตรงกับเรื่องที่ต้องการ

ผลสัมภาษณ์ลูกค้า 47 ราย: 52% รอคิว 21-30 นาที และ 30% ไม่ได้พบผู้เชี่ยวชาญที่ตรงเรื่อง

ลูกค้าที่มาใช้บริการที่สาขา โดยเริ่มจาก 3 ผลิตภัณฑ์ที่ใช้เวลานานและต้องการผู้เชี่ยวชาญ

เจ้าหน้าที่สาขาที่ต้องเตรียมงานและจัดผู้เชี่ยวชาญล่วงหน้า

ลูกค้าจองคิวผ่าน LINE เลือกเวลา สาขา และบริการที่ต้องการ

ระบบยืนยันนัดหมายพร้อมรายการเอกสารที่ต้องเตรียม

สาขาเตรียมงานล่วงหน้าและจัดเจ้าหน้าที่ที่เชี่ยวชาญให้ตรงกับเรื่อง ลูกค้าเข้ามารับบริการตามที่นัดไว้

ตั้งเป้าผู้ใช้ Krungsri Q+ 100,000 ราย

เป้าลูกค้าเพิ่มต่อเดือน: Bancassurance 212 ราย, Mutual Funds 306 ราย และ Loan 118 ราย

ฝั่งธนาคารได้โอกาสขายเพิ่มและภาพลักษณ์แบรนด์จากการบอกต่อของลูกค้า ฝั่งลูกค้าได้ความสะดวกและได้พบเจ้าหน้าที่ที่ตรงเรื่อง

งบพัฒนาเต็มรูปแบบ 8 ล้านบาท ระยะเวลาคืนทุนที่ประเมินไว้ 1 ปี

Phase 1 Pilot 7 เดือน งบทดลอง 30,000 บาท จำกัดเฉพาะสาขาและบริการที่เลือก พัฒนาขั้นต่ำและใช้ทรัพยากรที่มีอยู่ก่อน

Phase 2 Scale up 6 เดือน หลังพิสูจน์คุณค่าแล้ว พร้อมแผนการตลาดผ่าน LINE, Push notification, Digital, Signage และ Social Media

ขออนุมัติ Phase 1 Pilot เพื่อวัดพฤติกรรมจริงของลูกค้าก่อนตัดสินใจลงทุนเต็มรูปแบบ

ยืนยันความเป็นไปได้ในการปฏิบัติงานจริงของสาขาที่เข้าร่วม

ทีมพัฒนา A-Care ผู้ช่วย AI สำหรับ Contact Center ที่รวบรวมข่าวสารและข้อมูลไว้ใน Knowledge Hub เดียว เพื่อให้เจ้าหน้าที่ค้นหาคำตอบได้เร็วและตอบลูกค้าด้วยข้อมูลล่าสุด

ปัจจุบันเจ้าหน้าที่ต้องค้นข้อมูลจากหลายช่องทางทั้ง Email, MS Teams, Salesforce, เอกสาร PDF และ Excel ใช้เวลาเกิน 3 นาทีต่อครั้ง และบางครั้งต้องถาม Supervisor เพื่อความมั่นใจ

ผลทดสอบกับผู้ใช้จริงลดเวลาค้นหาเหลือ 42 วินาที ความถูกต้อง 15 จาก 15 ข้อ และความพึงพอใจ 4.5 จาก 5 ทีมประเมินผลประโยชน์ 2.04 ล้านบาทต่อปี เทียบกับต้นทุน 1.70 ล้านบาทต่อปี คิดเป็น ROI 20.45%

ช่วงพีคมีสายเข้า 70-100 สายต่อวันต่อคน

ข้อมูลเปลี่ยนตลอดเวลา ทั้ง Email update, โปรโมชันใหม่ และประกาศสำคัญ เจ้าหน้าที่ไม่มั่นใจว่าข้อมูลที่ตอบไปถูกต้องและล่าสุดหรือไม่

ค้นหาข้อมูลนานเกิน 3 นาที เพราะกระจายอยู่หลายช่องทาง ทั้ง Email, MS Teams, Salesforce, เอกสาร PDF และ Excel และบางครั้งต้องถาม Supervisor

ผลคือตอบช้าหรือให้ข้อมูลที่ไม่เป็นปัจจุบัน กระทบประสบการณ์ลูกค้าและความน่าเชื่อถือของธนาคาร

เจ้าหน้าที่ Contact Center และ Call Center ของธนาคาร ปัจจุบันมีประมาณ 140 คน

A-Care เป็นผู้ช่วย AI ที่รวบรวมข่าวสารและข้อมูลไว้ใน Knowledge Hub แล้วตอบคำถามเจ้าหน้าที่ได้ในไม่กี่วินาที

แสดง Effective Date และแหล่งที่มาของข้อมูลทุกครั้ง เพื่อให้ตรวจสอบย้อนกลับได้ก่อนตอบลูกค้า

ช่วยสรุปแนวทางตอบลูกค้าเบื้องต้นให้พร้อมนำไปใช้ระหว่างให้บริการ ลดเวลาการเปิดอ่าน Email หลายฉบับ

ผลประโยชน์รวม 2.04 ล้านบาทต่อปี ต้นทุนรวม 1.70 ล้านบาทต่อปี คิดเป็น ROI 20.45%

ประหยัดเวลา 140 วินาทีต่อเคส หรือราว 2 นาทีต่อสาย รวม 65,333 นาทีต่อเดือน คิดเป็น 6.81 FTE บนฐานเจ้าหน้าที่ 140 คน

ต้นทุนหลักคือ Copilot premium license 141 license และงานพัฒนา 10 man-days

ตัวเลขคำนวณจากสมมติฐาน 65 เคสต่อคนต่อวัน 20 วันทำงานต่อเดือน และครอบคลุมราว 15% ของเรื่องที่ลูกค้าติดต่อเข้ามาทั้งหมด

ทำ Wireframe และ System Flow แล้วทดสอบกับผู้ใช้จริง

ผลทดสอบ: เวลาค้นหาข้อมูล 42 วินาที ความถูกต้อง 15 จาก 15 ข้อ และความพึงพอใจ 4.5 จาก 5

ผู้ใช้สะท้อนว่าคำตอบนำไปตอบลูกค้าได้เลย พิมพ์ภาษาไทยปนคำทับศัพท์ก็ค้นเจอ และมีข้อมูลสรุปครอบคลุมพร้อมแนวทางการตอบ

Phase 1 เชื่อม A-Care กับ Email, MS Teams และ SharePoint

Phase 2 เชื่อมกับ Salesforce

Phase 3 ขยายให้ Entity อื่นในเครือกรุงศรีใช้งาน เช่น กรุงศรี ออโต้ และบัตรเครดิตกรุงศรี

ทีมพัฒนาแอปพลิเคชัน CarCode ช่วยเจ้าหน้าที่ฝ่ายประเมินราคาตรวจสต็อกรถยนต์ ด้วยการสแกนบาร์โค้ดหรือหมายเลขตัวถัง แทนการค้นหาจากเอกสารกระดาษ

ปัจจุบันตรวจรถ 700-1,000 คันต่อเดือน คิดเป็นมูลค่าประเมิน 400-500 ล้านบาทต่อเดือน จากลูกค้า 20-30 รายต่อเดือน

ผลที่นำเสนอคือลดเวลาตรวจจาก 1 นาทีต่อคัน เหลือ 15 วินาทีต่อคัน หรือลดเวลาหน้างานได้ราว 75%

หมายเลขตัวถังที่ใช้ตรวจสอบมีความยาว 16 หลัก ทำให้เกิด Human Error และบางครั้งค้นหาข้อมูลรถยนต์ในเอกสารไม่พบ

การตรวจสอบยังเป็น Manual Process ใช้เอกสารกระดาษ โทรศัพท์ และปากกาจดบันทึก ยังไม่มีระบบเข้ามาช่วยรองรับ

บางครั้งลูกค้าต้องรอเจ้าหน้าที่ตรวจสอบนาน 1-2 ชั่วโมง

เจ้าหน้าที่ฝ่ายประเมินราคา

ผู้จัดการและผู้ตรวจสอบ

ลูกค้าองค์กรที่เข้ารับการตรวจสต็อกรถยนต์

แอปพลิเคชัน CarCode ใช้โทรศัพท์เครื่องเดียวทำงานได้ครบ ตั้งแต่ค้นหาข้อมูลรถด้วยเลข VIN สแกนบาร์โค้ดหรือ VIN เพื่อดึงข้อมูลรถอัตโนมัติ

ถ่ายรูปและบันทึกข้อมูลเข้าระบบทันที ไม่ต้องพิมพ์เอกสารจากกระดาษ

สรุปผลการตรวจเป็นไฟล์ PDF ได้ทันที และรายงานผลแบบเรียลไทม์ให้ RM

ตัวอย่างการตรวจรถ 100 คัน จากเดิม 1 นาทีต่อคัน รวม 100 นาที เหลือ 15 วินาทีต่อคัน รวม 25 นาที ประหยัด 75 นาที

ลดระยะเวลาการตรวจสอบรถยนต์พื้นที่หน้างานได้ถึง 75%

ลูกค้าไม่ต้องรอเจ้าหน้าที่ตรวจสอบนาน และลดข้อผิดพลาดของเจ้าหน้าที่ในการค้นหาและตรวจสอบข้อมูล

Prototype ปัจจุบันเป็นเว็บแอปเก็บข้อมูล แต่ Coach ระบุว่ายังมีเพียงรูปภาพ ยังต้องพัฒนาเพิ่ม

Coach เห็นว่าต้องทดสอบที่หน้างานจริง และสิ่งที่ได้จากการทดสอบรอบแรกน่าจะเป็นวิธีการใช้งาน application เป็นหลัก

ยังไม่มี Pilot Plan อย่างเป็นทางการ

1. สัมภาษณ์ Sponsor ก่อน สรุป Solution ให้ชัด แล้วจึงสัมภาษณ์ User

2. กำหนดข้อมูลต้นทางที่จะเข้าสู่ระบบ และ output ที่ต้องรายงาน ให้เห็น end-to-end flow

3. คุมขอบเขตให้เรียบง่ายและต้นทุนต่ำเมื่อเทียบกับจำนวนผู้ใช้

4. ทดสอบเวลาการใช้งานจริงและปรับ UI ร่วมกับ IT

5. ตั้งชื่อโครงการอย่างเป็นทางการ

ทีมพัฒนาแอปพลิเคชัน Fieldmate เป็นคู่หูภาคสนามของทีมประเมินราคาหลักประกัน รวมงานแผนที่ การเก็บข้อมูลหน้างาน และการจัดทำรายงานไว้ในเครื่องเดียว

โจทย์คือปี 2025 มีลูกค้ายกเลิกสินเชื่อ 35,193 เคส หรือเฉลี่ยราว 2,900 เคสต่อเดือน โดยขั้นตอนของทีมประเมินเป็นจุดที่ใช้เวลานานที่สุดที่ 8.35-10.35 ชั่วโมงต่อเคส

ผลที่นำเสนอคือลดเวลาต่อเคส 30-40% เหลือ 5.0-7.25 ชั่วโมง และเพิ่มความสามารถรองรับเคสได้อีก 21-31%

ปี 2025 มีลูกค้ายกเลิกสินเชื่อ 35,193 เคส เฉลี่ยราว 2,900 เคสต่อเดือน สาเหตุหนึ่งที่ทีมสาขาสะท้อนคือรอนานจนไปใช้บริการธนาคารอื่น

งานหนึ่งเคสของทีมประเมินใช้เวลา 8.35-10.35 ชั่วโมง แบ่งเป็นวางแผนเดินทางราว 1 ชั่วโมง ลงพื้นที่และสำรวจ 2-4 ชั่วโมง ค้นหาข้อมูลพื้นที่โดยรอบราว 2 ชั่วโมง บันทึกข้อมูลราว 45 นาที และกรอกข้อมูลซ้ำเข้าระบบอีกราว 2.6 ชั่วโมง

ข้อมูลกระจัดกระจายอยู่ในหลายเครื่องมือ ไม่มีตำแหน่งอ้างอิงที่ใช้ได้ ข้อมูลไม่ถูกแชร์ต่อในองค์กร และต้องกรอกซ้ำหลายรอบ

หน้างานยังมีความเสี่ยงจริง ทั้งพื้นที่รกเข้าถึงยาก สภาพไม่ปลอดภัย ถนนพัง น้ำท่วม และข้อมูลหน้างานไม่ครบ

เจ้าหน้าที่ประเมินราคาหลักประกันที่ต้องลงพื้นที่

หน่วยงานที่ใช้ผลประเมินต่อในกระบวนการสินเชื่อ

Smart Map แสดงประเภทสังหาริมทรัพย์ ข้อมูลรอบพื้นที่ ราคาซื้อขายและทรัพย์เปรียบเทียบ พร้อม AI ช่วยเปรียบเทียบทรัพย์ใกล้เคียงอัตโนมัติ และวางเส้นทางก่อนเดินทาง

Smart Capture ถ่ายภาพด้วย AI OCR อ่านและดึงข้อมูลสำคัญให้อัตโนมัติ ตรวจสอบความครบถ้วน แล้วบันทึกเชื่อมต่อกับข้อมูลที่เกี่ยวข้อง

Smart Workspace รวมข้อมูลทรัพย์ที่บันทึกไว้ เปรียบเทียบทรัพย์หลายรายการ สร้างรายงานอัตโนมัติ และส่งเข้าระบบ CVS Portal พร้อมติดตามสถานะแบบเรียลไทม์

ลดเวลาต่อเคส 30-40% จาก 8.35-10.35 ชั่วโมง เหลือ 5.0-7.25 ชั่วโมง ตัวชี้วัดคือเวลาเฉลี่ยต่อเคส

เพิ่มความสามารถรองรับเคส 21-31% จาก 117,600 เคสต่อปี เป็น 142,296-154,940 เคสต่อปี

มูลค่างานที่ทีมเดิมรองรับเพิ่มได้ราว 54-168 ล้านบาทต่อปี คำนวณจาก 24,696-37,340 เคส คูณด้วย 2,200-4,500 บาทต่อเคส ทีมระบุเองว่าเป็นมูลค่าความสามารถที่เพิ่มขึ้น ไม่ใช่เงินที่ประหยัดได้โดยตรง

ลดความเสี่ยงหน้างานจากการรู้สภาพพื้นที่ล่วงหน้า ตัวชี้วัดคืออัตราการเกิดเหตุความเสี่ยง

Pilot 8-10 สัปดาห์ สัปดาห์ที่ 1-3 พัฒนา MVP ให้พร้อมใช้ สัปดาห์ที่ 4-7 ทดลองกับงานจริง ผู้ใช้จริง เคสจริง และ Workflow จริง สัปดาห์ที่ 8-10 วัดผลเปรียบเทียบก่อนและหลัง

ถ้าพิสูจน์ผลได้จึงขยายผล ถ้ายังไม่ได้ก็ปรับปรุงและทดลองซ้ำ

1. การพัฒนา ทีมพัฒนาเพื่อสร้าง MVP และแก้ไขปรับปรุงระหว่าง Pilot

2. สิทธิ์เข้าถึงข้อมูลและระบบที่เกี่ยวข้อง รวมถึงการเชื่อมต่อระบบ

3. การมีส่วนร่วมของหน่วยงานธุรกิจ เพื่อให้มีเคสจริงสำหรับ Pilot

เงินลงทุนที่ทีมประเมินไว้ 4.2 ล้านบาท ผลประโยชน์ภายใน 2.1 ล้านบาทต่อปี คิดเป็นจุดคุ้มทุน 2 ปี และหากขายต่อให้บริษัทประเมินราคาภายนอกได้ 3 บริษัท จุดคุ้มทุนจะเหลือ 1.2 ปี

เครื่องมือดึงข้อมูลจากเอกสารประเมิน (PDF) และส่งออกเป็นตารางตาม standard template เพื่อลดเวลาที่ RM ใช้ในการจัดงวดงาน Mentor เห็นว่า Use Case มีศักยภาพสูงและระยะยาวมีโอกาสรวมงาน Inspection, Drawdown และ Work Value ไว้บนแพลตฟอร์มเดียว แต่ควรเริ่มจาก Scope แคบเฉพาะบริษัทประเมินและประเภทงานที่มี Volume สูงก่อน ประเด็นที่ทีมต้องตัดสินใจคือจะเดินด้วย OCR เต็มรูปแบบ หรือให้ Vendor กรอกข้อมูลบนแพลตฟอร์มแทนเพื่อลดความเสี่ยงด้านเทคนิค

ตารางเบิกงวดงานเป็นข้อมูลที่ใช้ควบคุมการเบิกใช้วงเงินของโครงการก่อสร้าง จึงต้องถูกต้อง

RM ต้องตรวจเอกสารจำนวนมากเพื่อรวบรวมรายละเอียดการก่อสร้างมาจัดทำตาราง บางโครงการใช้เวลาถึง 3 ชั่วโมง และโครงการที่มีรายละเอียดมากใช้เวลามากกว่านั้น

แม้โครงการที่คล้ายกันจะใช้ Template ร่วมกันได้ ก็ยังต้องปรับรายละเอียดงานก่อสร้าง และต้องขอความเห็นจากลูกค้ากับฝ่ายประเมินราคาหลักประกันก่อนนำไปใช้เบิกงวดงาน

RM, ฝ่ายประเมิน และ CS

เว็บแอปภายในที่ extract ข้อมูลจากเอกสารและ export เป็น Excel หรือตารางตาม standard template ให้ RM ตรวจสอบและแก้ไขต่อได้ ใช้ Template ตาม Category และอ่านเฉพาะหน้าที่มีข้อมูลสำคัญ ไม่ส่ง PDF ทั้งเล่มเข้า AI

ลดเวลาจัดงวดงานและอ่านเอกสาร ลดความผิดพลาด และเพิ่มมาตรฐานข้อมูลระหว่าง RM กับฝ่ายประเมิน

KPI: Processing Time, Extraction Accuracy, % Manual Adjustment, จำนวนรายงานที่รองรับ, Man-hour Saving

Pilot กับ RM กลุ่มโครงการจัดสรร 10 คน ทดลอง 1 เดือน กับเคสจริง

1. ตัดสินใจระหว่างเดินด้วย OCR เต็มรูปแบบ กับให้ Vendor กรอกข้อมูลบนแพลตฟอร์ม พร้อมประเมิน workload ของ Human-in-the-loop

2. เริ่ม Pilot จากประเภทสิ่งปลูกสร้างและบริษัทประเมินที่มี Volume สูง

3. ใช้ไฟล์ Excel/Word ที่แนบมากับ PDF เพื่อลดภาระ OCR

4. วาง Backend / API / Database / Security และ PDPA

5. หาข้อมูล support เพิ่มเพื่อให้ประโยชน์ไม่ใช่แค่ลดเวลา และเปิดหารือเรื่องงบประมาณ

ทีมพัฒนา Joyly แพลตฟอร์ม AI ช่วยตรวจสื่อและเอกสารก่อนส่งเข้ากระบวนการอนุมัติของ Compliance พร้อมคิวที่ผู้ส่งงานมองเห็นสถานะได้

ปริมาณงาน Compliance ปี 2025 อยู่ที่ 3,700 เคสต่อปี เพิ่มจาก 2,269 เคสในปี 2018 หรือโตขึ้น 61% หนึ่งเคสใช้เวลาราว 20 นาที รวมเป็น 1,233 ชั่วโมงต่อปี หรือ 154 วันทำงานต่อปี

ผลที่นำเสนอคือลดจาก 154 วันต่อปี เหลือ 8 วันต่อปี ประหยัด 146 วันต่อปี หรือเร็วขึ้น 95% โดยขอ Pilot ในกรอบงบ 500,000 บาท ระยะเวลา 20 สัปดาห์

ปริมาณงานตรวจสอบของ Compliance เพิ่มจาก 2,269 เคสในปี 2018 เป็น 3,700 เคสในปี 2025 หรือโตขึ้น 61%

หนึ่งเคสใช้เวลาราว 20 นาที รวมเป็น 1,233 ชั่วโมงต่อปี หรือ 154 วันทำงานต่อปี และมีคิวค้างสะสม

ฝั่งผู้ส่งงานกดส่งแล้วไม่รู้ว่าจะได้ผลเมื่อไร ทำให้วางแผนออกโปรโมชันไม่ได้

ฝั่งผู้ตรวจต้องตรวจเรื่องเดิมซ้ำ ๆ ขณะที่ความเสี่ยงด้านกฎหมาย AML และ PDPA รวมถึงข้อร้องเรียนของลูกค้ายังเป็นสิ่งที่ต้องกันไว้ให้ได้

ทีมการตลาดและหน่วยงานที่ส่งสื่อหรือเอกสารเข้าตรวจ

เจ้าหน้าที่ Compliance ที่ทำหน้าที่ตรวจและอนุมัติ

AI Pre-Scan ตรวจเนื้อหาก่อนกดส่ง ให้คะแนนความพร้อม ระบุประเด็นที่มีความเสี่ยงสูง ชี้ตำแหน่งที่พบ และบอกวิธีแก้

เมื่อส่งแล้วผู้ส่งงานเห็นตำแหน่งคิวและวันที่คาดว่าจะได้ผล พร้อมสรุปรายการที่ส่ง

ฝั่งผู้ตรวจมีคิวที่ AI จัดลำดับตามความเสี่ยง ความเร่งด่วน และผลกระทบ พร้อมชี้จุดที่ต้องดูเป็นพิเศษ

กระบวนการยังคงให้คนเป็นผู้ตัดสินใจ โดยเดินผ่าน AI Check แล้วจึง Human Review และ Final Pass

ลดเวลาตรวจจาก 154 วันทำงานต่อปี เหลือ 8 วันต่อปี ประหยัด 146 วันต่อปี หรือเร็วขึ้น 95%

เวลาต่อเคสลดจาก 20 นาที เหลือราว 1 นาที

ฝั่งธุรกิจออกโปรโมชันได้เร็วขึ้นและทำ Personalized Promotion ให้ลูกค้าได้

ลดความเสี่ยงด้านกฎหมาย การกำกับดูแล AML และ PDPA จากการตรวจที่เป็นมาตรฐานเดียวกัน

Timeline รวม 20 สัปดาห์ แบ่งเป็นเตรียมงานและเชื่อมต่อระบบ 8 สัปดาห์ ทดลองใช้จริง 12 สัปดาห์ แล้วจึงประเมินผลและตัดสินใจไปต่อหรือหยุด

ผู้เข้าร่วม Pilot คือผู้ส่งงานฝั่งการตลาด 5-10 คน และผู้ตรวจฝั่ง Compliance 1-2 คน

ขอกรอบงบประมาณไม่เกิน 500,000 บาท ใน 4 เดือน แบ่งเป็นระบบ 200,000 บาท งาน AI 150,000 บาท Pentest 80,000 บาท และการอบรม 70,000 บาท

ขอผู้เข้าร่วมจากฝั่งการตลาด 5-10 คน และฝั่ง Compliance 1-2 คน สำหรับช่วงทดลองใช้จริง

ทีมพัฒนา ARUN (Assisted Review & Unified Navigation) เป็นตัวนำทางกระบวนการขออนุมัติโครงการ ที่บอกได้ว่าต้องติดต่อใคร เตรียมเอกสารอะไร และเมื่อไร พร้อม AI ช่วยตรวจเอกสารก่อนยื่นจริง

ทีมชี้ว่า Time to Market ไม่ได้ช้าที่การพัฒนาอย่างเดียว แต่ช้าที่กว่าจะพร้อมเริ่มพัฒนา

ตัวเลขที่นำเสนอบนฐาน 150 โครงการต่อปี คือประหยัดเวลา 13,900 ชั่วโมงต่อปี ผลตอบแทน 3 ปี 568% และคืนทุนใน 3.5 เดือน

กระบวนการอนุมัติโครงการมีหลายฝ่าย หลายขั้นตอน และเอกสารจำนวนมาก

ความรู้เรื่องขั้นตอนส่งต่อกันแบบปากต่อปากและกระจายอยู่ในอีเมล ไม่มีที่รวม

ไม่มีแนวทางว่าเนื้อหาส่วนไหนคือส่วนที่คณะกรรมการให้ความสำคัญจริง ทำให้ผู้ขออนุมัติต้องใช้เวลาทำความเข้าใจกระบวนการเอง

พนักงานที่ต้องเดิน Process ขออนุมัติ เช่น IT PM และ Architect โดย Coach แนะนำให้เพิ่ม PMO เข้ามาเป็นผู้ทดสอบด้วย

ค้นหาโครงการแล้วเห็นเส้นทางอนุมัติทั้งหมด รู้ว่าต้องติดต่อใคร เตรียมอะไร และเมื่อไร

มี Checklist เอกสารพร้อมแนวทาง แยกรายการที่บังคับออกจากรายการที่มีเงื่อนไข และระบุสิ่งที่คณะกรรมการมักให้ความสำคัญ

AI ช่วยตรวจเอกสารก่อนยื่นจริง เพื่อลดการถูกตีกลับ

ประหยัดเวลา 13,900 ชั่วโมงต่อปี บนฐาน 150 โครงการต่อปี

เงินลงทุนครั้งเดียว 2.40 ล้านบาท ค่าใช้จ่ายต่อเนื่อง 0.53 ล้านบาทต่อปี ประหยัดต้นทุนปีละ 8.86 ล้านบาท คิดเป็นผลประโยชน์สุทธิ 8.33 ล้านบาทต่อปี และ 22.60 ล้านบาทใน 3 ปี

ผลตอบแทน 3 ปี 568% IRR 343% NPV ที่ 10% เท่ากับ 18.33 ล้านบาท ระยะเวลาคืนทุน 3.5 เดือน

ผู้ทดลองใช้กลุ่ม ITPM 5 คน และกรรมการ 2 คน ให้คะแนน 9/10 และ 8.5/10

เดือนที่ 1 Launch: เลือก 3-5 โครงการที่จะเข้า ARB รอบถัดไป ให้เจ้าของโครงการใช้เครื่องมือแทนการถามเพื่อนร่วมงาน และเก็บ Feedback จุดที่ยังสับสน

เดือนที่ 2 Measure: เทียบอัตราการถูกเลื่อนพิจารณากับโครงการที่ไม่ได้ใช้เครื่องมือ วัดเวลาเตรียมเอกสาร คะแนนความมั่นใจ และความพึงพอใจ

เดือนที่ 3 เป็นต้นไป Scale: ขยายไปคณะกรรมการชุดอื่น เพิ่มเนื้อหาที่ผ่านการยืนยันจากผู้เชี่ยวชาญ และวางแผนให้เป็นเครื่องมือขององค์กร

1. ขอเวลาสัมภาษณ์แต่ละคณะกรรมการเพื่อยืนยันเนื้อหาในเครื่องมือ

2. ขอการรับรองอย่างเป็นทางการให้เป็นเอกสารอ้างอิงของกระบวนการ

3. ขอกลุ่มโครงการจริงสำหรับ Pilot เพื่อให้ได้ผลที่วัดได้

4. ขอผู้รับผิดชอบดูแลและปรับปรุงเครื่องมือต่อหลังจบโครงการ

5. ขอการอนุมัติด้าน AI และ Data Governance จาก Security, Compliance และ Legal

ทีมเสนอให้ธนาคารเลิกเก็บกรมธรรม์อัคคีภัยฉบับจริง เปลี่ยนไปรับสำเนาหรือ e-Policy แทน โดยสิทธิของธนาคารในฐานะผู้รับจำนองยังอยู่ครบ

ปัจจุบันเจ้าหน้าที่ต้องติดตามทวงถามต้นฉบับ 3-4 ครั้งต่อกรมธรรม์ ใช้เวลานานถึง 2 เดือน และธนาคารมีต้นทุนเก็บเอกสารในห้องมั่นคงกับต้นทุนทำลายเอกสาร

ทีมอ้างประมวลกฎหมายแพ่งและพาณิชย์ มาตรา 231 และผลการสอบถามบริษัทประกันภัยว่ามีการตรวจสอบผู้รับจำนองก่อนจ่ายเคลมอยู่แล้ว จึงประเมินว่าไม่มีความเสี่ยงเพิ่มขึ้น และเสนอทำ Full Implementation โดยไม่ต้องมี Pilot

ระเบียบปัจจุบันกำหนดให้เก็บต้นฉบับกรมธรรม์ประกันภัยไว้ตลอดเวลาที่ลูกค้ายังมีภาระหนี้กับธนาคาร

เจ้าหน้าที่สินเชื่อต้องติดตามทวงถามต้นฉบับ 3-4 ครั้งต่อกรมธรรม์ ใช้เวลานานถึง 2 เดือน

ธนาคารมีต้นทุนจัดเก็บเอกสารในห้องมั่นคง และต้องเบิกออกมาทำลายเมื่อกรมธรรม์หมดอายุ

ลูกค้า, RM, CCS, Tele-RM, สาขา และ Operations

เปลี่ยนจากการเก็บต้นฉบับกรมธรรม์เป็นการเก็บสำเนาหรือ e-Policy แบบไฟล์อิเล็กทรอนิกส์

อาศัยประมวลกฎหมายแพ่งและพาณิชย์ มาตรา 231 ที่ให้ผู้รับจำนองมีสิทธิได้รับค่าสินไหมทดแทนก่อนผู้เอาประกันภัย

ธนาคารบอกกล่าวสถานะผู้รับจำนองไปยังบริษัทประกันภัย ซึ่งมีการตรวจสอบผู้รับจำนองจากสารบัญหลังโฉนดก่อนจ่ายเคลมหรือเวนคืนกรมธรรม์อยู่แล้ว

ลดกำลังคน 1.17 FTE แบ่งเป็น Frontline 0.83 FTE และ Operations 0.34 FTE คิดเป็น 903,915 บาทต่อปี

ลดต้นทุนฝั่ง Operations อีก 58,493 บาทต่อปี โดยไม่ต้องลงทุนพัฒนาระบบใหม่

ลดข้อร้องเรียนและค่าใช้จ่ายในการส่งเอกสารของลูกค้า ลดงานติดตามเอกสาร ค่าโทรศัพท์ และงานเอกสารซ้ำซ้อนของเจ้าหน้าที่

ทีมประเมินว่าวิเคราะห์ผลกระทบและความเป็นไปได้ครบแล้ว ไม่มีความเสี่ยงเพิ่มขึ้น จึงเสนอดำเนินการเต็มรูปแบบได้ทันทีโดยไม่ต้องมี Pilot Project

ขอความเห็นชอบจาก Credit Risk, Operational Risk และ Legal

สื่อสารแนวทางใหม่ให้สาขาและ RM รับทราบ

ทีมเสนอให้ AI อ่านและจัดโครงสร้างเอกสาร คนเป็นผู้ตรวจสอบและอนุมัติ แล้วให้ระบบอัตโนมัติทำงานคีย์ข้อมูลและติดตามสถานะแทน

โจทย์คือช่วง Peak Season ปริมาณงานเพิ่มจากราว 1,000 เป็น 17,000 รายการ หรือ 17 เท่า ขณะที่งานอ่าน ตรวจสอบ และคีย์ข้อมูลซ้ำยังทำด้วยมือ

ผลที่นำเสนอที่ปริมาณงาน 500 เคสต่อวัน คือลดเวลาประมวลผลจาก 41.7 ชั่วโมง เหลือ 2.8 ชั่วโมง และลดต้นทุนจาก 478,000 บาทต่อปี เหลือ 58,000 บาทต่อปี

ช่วง Peak Season ปริมาณงานเพิ่มจากราว 1,000 เป็น 17,000 รายการ หรือประมาณ 17 เท่า

งานอ่าน ตรวจสอบ และคีย์ข้อมูลซ้ำยังทำด้วยมือ จึงขยายตามปริมาณงานไม่ทัน

กระทบทั้งความสามารถในการรองรับงานขององค์กร ความเสี่ยงจากความผิดพลาดของคน และเวลาตอบกลับลูกค้า

พนักงานที่ต้องประมวลผลเอกสาร โดยทีมระบุเป็นพนักงานทุกคน

AI อ่าน ดึงข้อมูล และจัดโครงสร้างเอกสาร

คนเป็นผู้ตรวจสอบ ตัดสินใจ และอนุมัติ

ระบบอัตโนมัติทำหน้าที่คีย์ข้อมูล ส่งงาน และติดตามสถานะ

มีหน้า Dashboard, Upload, Capture, Review, Process และ Log สำหรับควบคุมงานและตรวจสอบย้อนหลัง

ที่ปริมาณงาน 500 เคสต่อวัน ลดเวลาประมวลผลจาก 41.7 ชั่วโมง เหลือ 2.8 ชั่วโมง คืนเวลาราว 39 ชั่วโมงต่อวัน

เวลาต่อเคสลดจาก 5 นาที เหลือ 20 วินาที หรือเร็วขึ้นราว 15 เท่า

ต้นทุนลดจาก 478,000 บาทต่อปี เหลือ 58,000 บาทต่อปี คิดเป็นลดลง 88% ประสิทธิภาพเพิ่ม 80% และไม่มีการเบิกค่าล่วงเวลา

ทดลองใช้จริงแล้วครบทั้ง 6 หน้าจอ คือ Dashboard, Upload, Capture, Review, Process และ Log ครอบคลุม Productivity, Control, Visibility และ Traceability

ขั้นถัดไปคือขยายรูปแบบเดียวกันไปยังงานเอกสารปริมาณมากอื่น เช่น Letter of Guarantee, Loan Documentation, Appraisal, Auto Statement และ Audit Confirmation ที่มีกว่า 45,000 เคสต่อปี

1. ขอ Executive Sponsorship เพื่อให้เกิดความร่วมมือข้ามสายงาน

2. ขอสิทธิ์เข้าถึงกระบวนการที่มีมูลค่าสูงเพื่อจัดลำดับ Use Case

3. ขอกรอบกำกับดูแลด้าน Security, Risk และ Compliance พร้อมการมีคนตรวจสอบก่อนระบบทำงานจริง

ทีมพัฒนา Smart Credit Engine ระบบเว็บที่ช่วยตรวจความถูกต้องของข้อมูลสินเชื่อ โดยเปรียบเทียบเอกสาร ข้อมูลลูกค้า และข้อมูลจากระบบต้นทาง แล้วสรุปผลด้วย AI

โจทย์คือ NPL ของธนาคารอยู่ที่ 68.6 พันล้านบาท ณ 30 มิถุนายน 2569 และสัดส่วน Gross NPL เพิ่มจาก 2.20% ในปี 2021 เป็น 3.09% ในปี 2025

ผลที่นำเสนอคือลดเวลาตรวจจาก 1.5 วันต่อเคส เหลือ 2 ชั่วโมงต่อเคส ประหยัดเวลารวมกว่า 14,000 ชั่วโมง คิดเป็นผลประโยชน์สุทธิกว่า 6 ล้านบาท

NPL ของธนาคารอยู่ที่ 68.6 พันล้านบาท ณ 30 มิถุนายน 2569 และสัดส่วน Gross NPL เพิ่มจาก 2.20% ในปี 2021 เป็น 3.09% ในปี 2025

การตรวจสอบความถูกต้องของข้อมูลสินเชื่อยังทำด้วยมือ ต้องเปิดเอกสารและระบบหลายแหล่งประกอบกัน ใช้เวลาราว 1.5 วันต่อเคส

การตรวจที่ช้าทำให้เห็นสัญญาณความเสี่ยงช้าตามไปด้วย และแก้ไขก่อนบัญชีจะกลายเป็น NPL ได้ไม่ทัน

เจ้าหน้าที่ที่ตรวจสอบความถูกต้องของข้อมูลสินเชื่อ และผู้ที่ต้องติดตามสัญญาณความเสี่ยงของพอร์ต

รับข้อมูลเข้า 4 ทาง คือเอกสาร (Credit Application, ประกาศของหน่วยงานกำกับ, Bank Policy, Credit Risk Policy, Product Program และ Delegation of Authority), ระบบต้นทาง (CIM, COS, Loan System), ข้อมูลลูกค้าเพื่อวิเคราะห์ และเงื่อนไขการตรวจสอบ (Business Rule, Scoring, Exception Criteria)

ประมวลผลด้วย Copilot บนคลาวด์ พร้อมกำหนดความปลอดภัยและสิทธิ์การเข้าถึง ทำงานแบบเรียลไทม์

ผลลัพธ์ออกมาเป็นรายงานผลการตรวจสอบ รายการประเด็นที่ต้องดำเนินการ สถิติและแนวโน้มความเสี่ยง พร้อมส่งออกหรือเชื่อมต่อระบบอื่น

หน้าเว็บแบ่งเป็น 3 ส่วนคือ จัดการเอกสาร, Centralized Data Hub และ Customer Analysis

ลดเวลาตรวจจาก 1.5 วันต่อเคส เหลือ 2 ชั่วโมงต่อเคส

ตรวจไปแล้ว 1,400 CIFs ประหยัดเวลารวมกว่า 14,000 ชั่วโมง คิดเป็นผลประโยชน์สุทธิกว่า 6 ล้านบาท

ผู้ใช้งานจริงกว่า 80% พึงพอใจ โดยระบุว่าลดเวลาค้นหา Scope, Criteria, Policy และ Procedure ลดการสลับเข้าหลายระบบ และช่วยให้พนักงานใหม่ทำงานได้เป็นมาตรฐานเดียวกัน

ผลเชิงกระบวนการคือเห็นความเสี่ยงเร็วขึ้น ยกระดับเคสได้เร็วขึ้น เตือนก่อนบัญชีจะไหลไปเป็น NPL และตัดสินใจปรับโครงสร้างหนี้ได้เร็วขึ้น

ทำ Prototype Draft และเก็บ user feedback แล้ว แต่ Coach ระบุว่าอาจยังไม่ครอบคลุม Scope และ Prototype ตัวจริงยังไม่เสร็จ

กำหนดผู้ใช้สำหรับทดสอบไว้ 10 คน แต่ยังไม่ได้นัด

Coach ระบุ Key Issue ชัดว่าต้องทำ Prototype ให้เสร็จก่อน

ยังไม่มี Pilot Plan อย่างเป็นทางการ

1. ทำ Prototype ให้เสร็จเพื่อให้ทดสอบกับผู้ใช้ได้ ซึ่งเป็นสิ่งที่ Coach ส่งต่อเป็นคำถามถึง Mentor

2. เลือก 1 ขั้นตอนที่ Impact สูง เช่น OCR เอกสาร CA แล้วทำ End-to-End

3. เตรียมฐานข้อมูลจริงตัดมาเป็น Excel สำหรับทดสอบ และทำ Data input list พร้อม Journey

4. เตรียมแผน PDPA / Data Masking / Infrastructure

5. เริ่มหาผู้ใช้และคุยกับผู้บริหาร พร้อมตั้งชื่อโครงการอย่างเป็นทางการ

ทีมเสนอ Krungsri Smart Guard ระบบตรวจจับและระงับธุรกรรมเสี่ยงแบบเรียลไทม์ก่อนเงินออกจากบัญชีลูกค้า

โจทย์คือความเสียหายจากมิจฉาชีพทางการเงินในประเทศไทยที่อ้างอิงจากสถิติ ธปท. คิดเป็นมูลค่า 28,005 ล้านบาทต่อปี และมากกว่า 83% เกิดผ่านช่องทาง Mobile Banking

ทีมขออนุมัติ Pilot กับ PromptPay บน Mobile Banking 6 เดือน โดยมีงบลงทุนรวมประมาณ 10-15 ล้านบาท

ความเสียหายจากมิจฉาชีพทางการเงินอยู่ที่ราว 362,483 รายต่อปี คิดเป็นมูลค่า 28,005 ล้านบาทต่อปี

มากกว่า 83% ของการโจรกรรมเกิดผ่านช่องทาง Mobile Banking ซึ่งเป็นช่องทางยอดนิยมอันดับหนึ่ง

ลูกค้าธนาคารกรุงศรีเป็นหนึ่งในกลุ่มที่ตกเป็นเหยื่อ และเมื่อโอนเงินออกไปแล้วมักดึงเงินคืนไม่ได้

ลูกค้าที่ใช้ Mobile Banking ของธนาคาร โดยเริ่มจากธุรกรรม PromptPay

ทีม Fraud Operations ที่ดูแลการตรวจสอบและติดตามเคส

ใช้ฐานข้อมูลบัญชีเฝ้าระวังที่อัปเดตจากแหล่งข้อมูลที่เชื่อถือได้อย่างต่อเนื่อง

ตรวจสอบบัญชีปลายทางก่อนการโอนด้วย Rule ร่วมกับ Machine Learning

ระงับธุรกรรมเสี่ยงแบบเรียลไทม์ก่อนเงินออก โดยตั้งเป้าตรวจจับภายในไม่เกิน 300 มิลลิวินาที เพื่อไม่ให้กระทบประสบการณ์ลูกค้า

หากพบความเสี่ยงจะแจ้งเตือนและระงับรายการ พร้อมแสดงรายละเอียดให้ลูกค้าติดต่อเจ้าหน้าที่

ผลทางตรง: ปกป้องลูกค้าได้ทันที ลดมูลค่าความเสียหายจากมิจฉาชีพ ลดความเสี่ยงที่องค์กรต้องแบกรับอย่างไม่จำเป็น ลดต้นทุนการบริหารจัดการเคส และเพิ่มประสิทธิภาพการปฏิบัติงาน

ผลทางอ้อม: ความเชื่อมั่นของลูกค้าต่อแบรนด์ ความเป็นผู้นำด้านความปลอดภัย การเติบโตของ Digital Banking Service และโอกาสยกระดับ NPS

ตัวชี้วัด: ความพึงพอใจในผลลัพธ์ของการทำธุรกรรม ปริมาณเคส Fraud และมูลค่าความเสียหายที่ลดลง ปริมาณการแจ้งเตือนผิดพลาดที่ลดลง และความแม่นยำในการตรวจจับ

ขออนุมัติ Pilot Phase 1 กับ PromptPay บน Mobile Banking ระยะเวลา 6 เดือน เพื่อพิสูจน์ผลก่อนขยายจริง

Timeline 6 เดือน: M1 Discover ศึกษาปัญหาและกำหนดขอบเขต, M2 Design ออกแบบระบบและกระบวนการ, M3 Develop พัฒนาระบบและเชื่อมต่อ API, M4 Test ทดสอบระบบ UAT และความแม่นยำ, M5 Pilot นำร่องใช้งานจริง, M6 Evaluate ประเมินผลและวางแผนขยายผล

เหตุผลที่เริ่มที่ PromptPay คือโอนแล้วดึงเงินคืนไม่ได้ เป็นช่องทางที่ลูกค้าใช้มากที่สุด เป็นเป้าหมายหลักของมิจฉาชีพ และมีขอบเขตชัดเจนพอสำหรับ Pilot

ความเสี่ยงที่ทีมระบุคือมิจฉาชีพปรับตัว ระบบแจ้งผลผิดพลาด ระบบขัดข้อง และประเด็นกฎหมายเรื่องการคุ้มครองผู้บริโภคกับ PDPA ซึ่งต้องตรวจสอบร่วมกับ Legal และ Compliance

ขออนุมัติเริ่ม Pilot PromptPay ระยะเวลา 6 เดือน

ขอการสนับสนุนด้าน Data, Technology, Operations และ Governance

งบลงทุนที่ประเมินไว้ประมาณ 10-15 ล้านบาท แบ่งเป็น CAPEX ราว 9.5 ล้านบาท และ OPEX ราว 1.35 ล้านบาทต่อเดือน

ทีมเสนอยกกระบวนการดำเนินคดีกับลูกหนี้จากงานมือเกือบทั้งหมด ขึ้นเป็น Web Application ที่เชื่อมกับระบบอื่นของธนาคาร

ปัจจุบันงานล้นมือจนเกิน SLA ต้องทำงานในวันหยุด และงานเอกสารกินเวลาราว 70% ของงานทนาย

ตัวเลขที่นำเสนอคือคำนวณภาระหนี้จาก 120 นาที เหลือ 1 นาที แจกงานจาก 5 นาที เหลือ 1 วินาที และพิมพ์ Statement จาก 5 นาที เหลือ 30 วินาที ซึ่งทีมประเมินว่าจะทำให้ยื่นฟ้องได้เพิ่มขึ้นราว 550 ล้านบาท

งานล้นมือจนเกิน SLA และต้องทำงานในวันหยุด

กระบวนการเป็นงานมือเกือบทั้งหมด ใช้โปรแกรมเก่าที่ไม่เชื่อมต่อกับระบบอื่น ทำให้บันทึกผิดพลาดได้

รับงานเป็นกระดาษ แจกงานด้วยมือ คำนวณภาระหนี้เอง และพิมพ์ Statement ทีละหลายหน้า

งานเอกสารกินเวลาราว 70% ของงานทนาย ยังไม่รวมการเดินทางไปคัดเอกสารกับหน่วยงานราชการ

พนักงานฝ่ายกฎหมายภายในธนาคาร และหน่วยงานต้นเรื่องที่ส่งงานเข้าระบบ

Web Application ที่มี Workflow Management ช่วยจัดลำดับขั้นตอนคดี ติดตามสถานะแต่ละขั้น และเชื่อมต่อกับระบบอื่นของธนาคาร

แจกงานอัตโนมัติตามเงื่อนไข ลดภาระหัวหน้าและทำให้งานไหลต่อเนื่อง

ติดตาม SLA พร้อมแจ้งเตือนล่วงหน้า

ระบบคำนวณภาระหนี้ที่เชื่อมกับระบบ OnDemand และพิมพ์ Statement อัตโนมัติ

คำนวณภาระหนี้จาก 120 นาที เหลือ 1 นาที แจกงานจาก 5 นาที เหลือ 1 วินาที และพิมพ์ Statement จาก 5 นาที เหลือ 30 วินาที

ทีมประเมินว่าจะยื่นฟ้องได้เพิ่มขึ้นราว 550 ล้านบาท คิดจากค่าเฉลี่ย 5.5 ล้านบาทต่อคดี ตัวเลขนี้คือมูลค่าคดีที่ยื่นฟ้องได้เพิ่ม ไม่ใช่รายได้หรือเงินที่ประหยัดได้

บริหารพอร์ต NPL เป็นระบบมากขึ้นและลดต้นทุนสะสมจากคดีที่ค้างนาน

ทำ Prototype แล้ว ทดสอบกับผู้ใช้และแก้ตาม comment แล้ว ใช้ mock data ให้ผู้ใช้ทดลอง

มีโอกาสพัฒนาต่อเป็น System of Record

ยังไม่มี Pilot Plan อย่างเป็นทางการ

1. ทำ Business Impact เป็นตัวเงินจาก Time, Cost และ Error Reduction ตามที่ Coach ขอให้ quantify

2. Benchmark การคำนวณแบบ Manual Excel เทียบกับระบบ เพื่อพิสูจน์ Accuracy แบบ Side-by-Side

3. เพิ่มหน้า Submit Request ให้หน่วยงานต้นเรื่องส่งงานเข้าระบบเองได้

4. ปรับ UX/UI ตาม User Flow เช่น ตำแหน่งปุ่มพิมพ์รายงานและสัญลักษณ์สถานะ

5. เตรียมข้อมูลจำลองและแนวทางเชื่อมต่อ Core Bank สำหรับ Pilot

ทีมเสนอ Financial Avatar เกมค้นหาตัวตนทางการเงินบน LINE Krungsri Simple เพื่อพากรุงศรีเข้าไปอยู่ในชีวิตการเงินของกลุ่ม Gen Z

โจทย์คือคะแนนการรับรู้แบรนด์กรุงศรีในกลุ่มอายุ 18-29 ปี อยู่ที่ 31% ขณะที่ค่าเฉลี่ย 3 ธนาคารชั้นนำในกลุ่มอายุเดียวกันอยู่ที่ 57% ห่างกัน 26 จุด

ผลลัพธ์จากเกมจะออกมาเป็น Avatar 5 คาแรกเตอร์ แล้วต่อยอดเป็น Gamified Financial Journey 4 ระดับ

คะแนนการรับรู้แบรนด์กรุงศรีในกลุ่มอายุ 18-29 ปี อยู่ที่ 31% ขณะที่กลุ่มอายุ 40-60 ปี อยู่ที่ 47%

เทียบกับค่าเฉลี่ย 3 ธนาคารชั้นนำในกลุ่มอายุเดียวกันที่ 57% ยังห่างอยู่ 26 จุด

Gen Z กังวลกับอนาคตการเงิน อยากเข้าใจสถานะการเงินของตัวเอง และต้องการคำแนะนำที่น่าเชื่อถือ สิ่งที่ต้องการจริงคือความมั่นใจ ไม่ใช่แค่คำแนะนำทางการเงิน

กลุ่มอายุ 18-29 ปี (Gen Z) ที่ยังไม่ได้ใช้บริการของธนาคารกรุงศรีเป็นหลัก

เปลี่ยนแบบสำรวจธรรมดาให้เป็นเกมค้นหาตัวตนทางการเงินบน LINE Krungsri Simple ในธีม Future City

ผลลัพธ์ออกมาเป็น Avatar 5 คาแรกเตอร์ที่สะท้อนพฤติกรรมและความต้องการต่างกัน

ต่อยอดเป็น Gamified Financial Journey 4 ระดับ ตั้งแต่ Rookie Investor ถึง Wealth Guardian พร้อมสิทธิประโยชน์ที่ปลดล็อกตามระดับ

เป้าลูกค้าใหม่เพิ่ม 25% บัตรเครดิต 140,000 บัญชีต่อปี และรายได้ 3M+ ต่อปี

จุดแข็งที่ใช้แข่งคือความน่าเชื่อถือ ความเชี่ยวชาญด้านการเงิน และบริการให้คำแนะนำที่ใช้ได้จริง

ออกแบบ Avatar เรียบร้อยแล้ว และทำแบบทดสอบให้ focus group ที่ไม่ใช่พนักงานกรุงศรีทดลอง พร้อมเก็บ feedback มาปรับแนวทางคำถาม

รอ revise ชุดคำถามเพื่อ retest ใน scale ที่ใหญ่ขึ้น

ยังไม่มี Pilot Plan อย่างเป็นทางการ

1. ระบุให้ชัดว่า Financial Avatar แก้ Problem ใด หรือใช้ประโยชน์จาก Opportunity ใด

2. เก็บ Evidence จาก First Jobber ด้วย Problem Interview / Concept Test ก่อนลงทุนพัฒนา Prototype เพิ่ม

3. ปรับปรุงแบบสอบถามและ retest ใน scale ที่ใหญ่ขึ้น

4. ยืนยันงบประมาณสำหรับ large scale survey, Character และ LINE OA Message กับหัวหน้า

5. ยืนยันกับทีม IT Social Media ว่ามี resource รองรับหรือไม่