Program Magister Manajemen · Konsentrasi Kekayaan · FEB UNDIP

Strategic Analysis for Wealth Management

Pertemuan 13 — Teknologi dalam Wealth Management: Robo-Advisory & Digital Wealth Platform

RPS minggu 13 · 2×50 menit

Tujuan & Indikator Capaian

Sub-CPMK 13: menganalisis dampak teknologi terhadap strategi WM.

Indikator 1

3 model robo

Membandingkan pure robo, hybrid robo-advisor, dan human-led digital platform.

Indikator 2

Digital platform

Komponen digital wealth platform: KYC, portfolio system, reporting, custody.

Indikator 3

AI/ML

Penerapan AI/ML untuk personalisasi, risk profiling, dan product recommendation.

Mengapa Teknologi Mendisrupsi WM

Teknologi menurunkan biaya WM dan demokratisasi akses — pressure bagi bank traditional.

Robo-advisor AUM global

~USD 2,5 T

Statista 2024 (dihedge ~)

Fee robo vs traditional

0,25–0,5%

vs traditional advisor 1–2%

Bank traditional yang tidak digitalisasi akan kalah di segmen mass-affluent — customer beralih ke robo yang lebih murah dan accessible.

Bagian 1 · 1/4

Lanskap Fintech WM

Diskusi kelas: Apakah fintech WM mengancam atau justru memperluas pasar WM?

Lanskap Fintech WM (Gomber)

Klasifikasi Gomber et al. (2017) — tiga lapis utama fintech WM.

"Lanskap fintech WM mencakup robo-advisory, digital brokerage, wealth platform back-office, & AI-driven personalization; semuanya bertujuan menurunkan biaya & demokratisasi akses." (Gomber et al., 2017)

ROBO-ADVISORY

Algoritma

Alokasi otomatis berbasis MPT (Betterment, Wealthfront, Bareksa).

WEALTH PLATFORM

Back office

Salesforce FSC, Avaloq untuk reporting & portfolio management.

AI PERSONALIZATION

ML tailoring

Risk profiling & product recommendation berbasis ML per klien.

Tiga Lapis Disrupsi WM

Tiga lapis disrupsi teknologi yang mengubah industri WM dari depan ke belakang.

Lapis	Teknologi	Segmen Dampak	Contoh
Front office	Robo-advisor, chatbot	Mass-affluent	Bareksa, Bibit, Siri WM
Middle office	Portfolio system, AI risk	HNW	Salesforce FSC, Avaloq
Back office	Custody digital, reporting	Semua segmen	Avaloq, Temenos, FIS
Dampak ekonomis	Cost-to-serve turun 30–50%	Margin bank naik	Efficiency & scalability

Bank traditional yang digitalisasi ketiga lapis akan unggul; yang hanya front office akan kalah di economics.

Coba Sendiri: Timeline Evolusi Fintech WM

Telusuri tonggak evolusi fintech wealth management dari internet banking awal, robo-advisor generasi pertama, hingga AI advisory modern — pahami arah industri.

Demokratisasi vs Personalisasi

Dua kekuatan teknologi yang saling memperkuat — demokratisasi akses & personalisasi massal.

Demokratisasi

Teknologi turunkan biaya WM
Mass-affluent dapat layanan WM
Sebelumnya eksklusif HNW
Contoh: robo-advisor fee 0,25%

Personalisasi

AI memungkinkan layanan tailored massal
Rekomendasi unik per klien
Bukan one-size-fits-all
Contoh: Bibit AutoInvest

Dua kekuatan ini menyebabkan bank traditional harus naik value ke HNW/UHNW dengan complexity yang robo tidak sanggup.

HDN-1: Unit Economics Robo-Advisor

Hitung dari nol unit economics robo-advisor — mengapa skala besar kunci profitabilitas. Pendapatan per klien $\text{ARPU} = f \cdot \text{AUM}$; margin $\text{unit margin} = \text{ARPU} - \text{CTS}$; profit skala $\Pi = N \cdot \text{unit margin}$.

$\text{ARPU} = f \times \text{AUM} \quad ; \quad \text{Margin}_{\text{unit}} = \text{ARPU} - \text{CTS} \quad ; \quad \Pi = N \times \text{Margin}_{\text{unit}} \;;\; f = 0{,}4\%$

Langkah	Perhitungan	Nilai
1. Robbo-advisor fee atas AUM $f$	standar industri	0,4%/thn
2. AUM rata-rata per klien	mass-affluent Indonesia	Rp 50 jt
3. Pendapatan per klien/thn $\text{ARPU}$	$0{,}4\% \times 50\text{jt}$	Rp 200 rb
4. Cost-to-serve $\text{CTS}$ digital	skala besar	~Rp 100 rb/klien/thn
5. Margin per klien/thn $\text{ARPU} - \text{CTS}$	$200 - 100$	Rp 100 rb
6. Break-even klien $N$	$N = \text{target}/\text{margin}$	~1 juta klien
7. Skala profit $\Pi = N \times \text{margin}$	$10^{6} \times 100\text{rb}$	Rp 100 M/thn

Hasil Unit Economics

Skala = profit

robo butuh jutaan klien untuk profit; mass-affluent Rp 50 jt/klien viable dengan skala besar

🧪 Buka kalkulator efficient frontier (algoritma alokasi robo).

Bacaan pendalaman: portfolio theory · CAPM cost of equity.

Bagian 2 · 2/4

Robo-Advisory Model

Diskusi kelas: Mana yang cocok untuk klien HNW — pure robo, hybrid, atau human? Mengapa?

Tiga Model Robo-Advisory

Tiga model robo-advisory yang melayani segmen berbeda dengan trade-off unik.

Pure Robo

100% algoritma, no human
Fee terendah 0,25–0,4%
Segmen: mass-affluent
Contoh: Wealthfront, Bibit

Hybrid Robo-Advisor

Algoritma + advisor manusia
Fee menengah 0,5–0,8%
Segmen: emerging HNW
Contoh: Betterment Premium, Personal Capital

Human-led Digital

Advisor manusia + platform
Fee 1–1,5%
Segmen: HNW, UHNW
Contoh: UBS Wealth, Vanguard PAS

Coba Sendiri: Robo-Advisor Allocator

Jawab kuesioner profil risiko singkat dan lihat algoritma robo-advisor mengalokasikan portofolio secara otomatis — rasakan pengalaman mass-affluent yang dilayani pure robo.

Algoritma Alokasi Modern (MPT+TLH)

Inti robo-advisor: algoritma MPT dengan tax-loss harvesting otomatis.

$w^{\ast} = \arg\max_{w} \dfrac{\mathbb{E}(R_p) - R_f}{\sigma_p} \quad \text{s.t.} \quad \sum_{i} w_i = 1$

Algoritma: hitung expected return & kovarians, optimasi bobot ($w^{\ast}$) di efficient frontier, tambah tax-loss harvesting otomatis untuk efisiensi pajak.

🧪 Buka kalkulator efficient frontier · visualizer korelasi

Bacaan pendalaman: portfolio theory · WACC.

Mini-Kasus: Bareksa/Bibit Indonesia

Bareksa & Bibit sebagai contoh robo-advisor Indonesia yang sukses akuisisi mass-affluent.

Dimensi	Bareksa	Bibit
Model	Marketplace reksadana + robo	Robo-advisor + AutoInvest
Fee	0,25–1%/thn (tergantung produk)	0,25–1%/thn + subscription
Target	Mass-affluent, milenial investor	Beginner investor, milenial
Alokasi	Manual + recommendation	Otomatis (AutoInvest)
Skala	Jutaan investor terdaftar	Jutaan investor terdaftar
Investor education	Konten edukasi investasi	Komunitas & konten viral

Bareksa & Bibit membuktikan robo-advisor viable di Indonesia dengan skala mass-affluent milenial — edukasi investor adalah kunci akuisisi.

Bagian 3 · 3/4

Digital Wealth Platform

Diskusi kelas: Apa komponen wajib digital wealth platform? Mana yang paling sulit diimplementasi?

Komponen Digital Wealth Platform

Lima komponen end-to-end digital wealth platform modern.

Lima komponen: e-KYC onboarding, risk profiling, portfolio management, automated reporting, custody digital. End-to-end integration adalah kunci value.

Coba Sendiri: Skor Maturitas Digital Bank WM

Nilai enam dimensi digitalisasi bank WM (onboarding, advisory, eksekusi, reporting, keamanan, integrasi) untuk menghitung skor maturitas platform digital.

Onboarding KYC & e-KYC

e-KYC — gerbang masuk digital wealth platform yang menentukan conversion rate.

Aspek	KYC Tradisional	e-KYC Digital
Waktu onboarding	1–2 minggu (cabang)	5–15 menit (online)
Dokumen	Fisik KTP, KK, NPWP	Foto KTP + selfie liveness
Verifikasi	Manual officer	OCR + facial recognition + Dukcapil
Biaya per nasabah	Rp 200–500 rb	Rp 20–50 rb
Conversion rate	~30% (drop-off cabang)	~70% (instant approval)
Compliance	POJK KYC bank	POJK electronic KYC

e-KYC mengubah economics onboarding — cost turun 90% dan conversion naik 2×. Kunci scale digital wealth platform.

HDN-2: Cost-to-Serve Digital vs Manual

Hitung dari nol dampak digitalisasi terhadap cost-to-serve bank WM. Total CTS $\text{CTS} = \sum_i c_i$; penghematan $\%\Delta = 1 - \text{CTS}_{\text{digital}}/\text{CTS}_{\text{manual}}$.

$\text{CTS} = \sum_{i} c_i \quad ; \quad \%\Delta_{\text{saving}} = 1 - \dfrac{\text{CTS}_{\text{digital}}}{\text{CTS}_{\text{manual}}} = 1 - \dfrac{90}{750} \approx 88\%$

Komponen $c_i$	Manual RM Bank	Digital Platform
1. Onboarding KYC	Rp 300 rb/klien	Rp 30 rb/klien
2. Reporting bulanan	Rp 100 rb/klien (manual)	Rp 10 rb/klien (otomatis)
3. Rebalancing	Rp 200 rb (analisis RM)	Rp 20 rb (algoritma)
4. Customer service	Rp 150 rb (call center)	Rp 30 rb (chatbot + email)
5. Total $\text{CTS} = \sum_i c_i$	Rp 750 rb/klien	Rp 90 rb/klien
6. Saving digital $1 - \text{CTS}_D/\text{CTS}_M$	—	~88% reduction

Hasil Cost-to-Serve

−88% biaya

digital platform menurunkan cost-to-serve dari Rp 750 rb ke Rp 90 rb per klien/thn — margin signifikan

🧪 Buka explorer kinerja reksadana untuk otomasi reporting.

Bacaan pendalaman: portfolio theory · WACC.

Bagian 4 · 4/4

AI/ML & Masa Depan

Diskusi kelas: Apa potensi & risiko AI/ML dalam WM? Bagaimana menjaga human touch?

AI/ML: Personalisasi & Risk Profiling

Tiga aplikasi AI/ML yang sedang transformasi WM modern.

"AI/ML memungkinkan personalisasi massal, risk profiling lebih akurat, & product recommendation tailored — augment human advisor, bukan replace."

Aplikasi Inti

Personalisasi rekomendasi per klien
Risk profiling via ML questionnaire
Product recommendation tailored
Otomasi compliance & reporting

Risiko & Mitigasi

Bias algoritma — audit teratur
Black box — explainable AI
Privacy data — encryption + GDPR-like
Over-reliance — hybrid human-AI

Coba Sendiri: ROI Cyber Defense Platform WM

Platform digital membawa risiko baru: serangan siber pada data klien UHNW. Hitung ROI investasi cyber defense dengan membandingkan biaya pencegahan vs kerugian potensial kebocoran data.

Ringkasan & Persiapan P14

Empat pilar teknologi WM yang akan jadi toolkit advisor UHNW masa depan.

Pilar 1

Lanskap fintech

Gomber · 3 lapis disrupsi

Pilar 2

3 model robo

pure · hybrid · human-led digital

Pilar 3

Platform & AI

digital wealth platform · AI/ML personalization

Persiapan P14 — Studi Kasus Komprehensif UHNW: integrasi semua konsep P1–P13 dalam satu kasus client engagement end-to-end.

Penutup & Tugas Mandiri

Analisis strategi digital untuk kantor advisor WM hipotetis.

Tugas mandiri (kumpul minggu depan):

Pilih 1 kantor advisor WM atau bank private Indonesia hipotetis
Identifikasi gap digital vs best practice (3 komponen platform)
Rekomendasikan model robo (pure/hybrid/human-led) untuk 2 segmen
Hitung impact cost-to-serve (HDN-2 style) dari digitalisasi
Draft roadmap digitalisasi 3 tahun dengan KPI

Bawa hasil ke P14 — kita akan integrasikan strategi digital ke Studi Kasus UHNW komprehensif.