Pomocí Strojového Učení Vyřešit srovnávání Údajů Výzvy v oblasti Finančních Služeb

Vítězství v oblasti finančních služeb je stále více o rychlosti a přesnosti dat, normalizace a usmíření. Banky, správci aktiv, správci, makléři, portfolioví manažeři, tržní nástroje atd. všechny jsou zásadně řízeny daty. Tisíce zaměstnanců na palubě, zápas, vypočítat a hlásit obrovské množství dat každý den v každé části podnikání.

sladění údajů tak, aby mohly být agregovány, analyzovány a vykazovány, je nikdy nekončící činností ve finančních službách. Hodně z této práce na usmíření provádějí datové týmy s tradičními nástroji ETL, ale tabulky a manuální procesy jsou nekontrolovatelné. Neefektivita a náklady jsou hojné, zejména při nástupu do nových zdrojů dat.

neefektivnost sladění dat je přesně ten typ“ nízko visícího ovoce“, který může základní strojové učení vyřešit. Násobky hodnoty z hlediska času, provozních nákladů a vyhýbání se regulačním sankcím lze odemknout využitím strojového učení v klíčových bodech sladění dat.

neefektivnost sladění dat může nastat v kterékoli části podniku, kde:

  • nové zdroje dat musí být porovnány s interními nebo externími záznamy (zákazník ,bezpečnostní mistr, pozice, LEI atd.)
  • porovnává se nebo agreguje více zdrojů / typů dat (tržní riziko, úvěrové riziko, RWA,zátěžové testování likvidity, expoziční limity, BCBS 239 atd.)
  • Interní údaje se musí shodovat externí databáze záznam (obchodních údajů, regulátor databáze, 3rd party kreditní zprávy, AML / KYC / CFT, atd.)
  • existují ruční kontroly a schvalovací procesy (onboarding zákazníků ,kontrola transakcí,kontrola půjček, závazky atd.
  • existuje projekt migrace systému nebo dat (agregace více systémů do jednoho, onboarding nového systému, získání nového úvěrového portfolia nebo zákaznických účtů atd.)
  • regulační výkaznictví je nařízeno (Dodd-Frank, MiFID II / MiFiR, OFAC, GDPR atd.
  • jsou vytvářeny a analyzovány auditní stopy (interní audity, regulační audity, CAT 613, OATS, IFRS 9, SMR, SOX atd.)
  • Vícenásobné odsouhlasení 1: 1 se agreguje do vícedílných odsouhlasení (započtení kolaterálu, vykazování bankovních holdingových společností atd.)
  • požadavky trhu se rychle vyvíjely (více výměn, struktura trhu, cloud computing, osady TARGET2, nástroje atd.)

„Nový Normál“ — Proč Tradiční ETL a Fixní Datové Struktury Selhat

dalekosáhlé nové obchodní a regulační požadavky, které jsou závislé na rychlém zpracování, sladění a agregaci komplexní data stala „nový normál“ v oblasti finančních služeb. Bohužel, tradiční pevné datové modely / ETL přístupy se špatně přizpůsobují těmto složitým novým požadavkům.

Podle tradičního modelu, Business Analytikům a ETL / data specialisté musí vytvářet technické požadavky, palubní nového zdroje dat, analyzovat data, a aplikovat ETL procesy, které odpovídají pevný datový model po proudu. To je velmi složité, vyžaduje značný čas a často vyžaduje rozšíření rozsahu projektu na více částí podnikání.

tato omezení mohou způsobit čtyři účinky na podnikání:

  1. přísná omezení při požití nových zdrojů dat mohou způsobit kritická zpoždění, pokud je vyžadována rychlost pro splnění kritického cíle (M&a, regulační / compliance)
  2. není to dobře měřítko. Skákání z pracovní zátěže na úrovni BAU a objemů dat pro zpracování velkých nových projektů v krátkých časových osách může uvrhnout datové a technologické týmy do chaosu.
  3. minulost definuje budoucnost: systémy navržené tak, aby splňovaly staré požadavky, mohou podstatně omezit, jak mohou být nová data přijímána a co lze dělat s daty po proudu.
  4. nové datové typy a zdroje mohou vyžadovat významné přepracování procesů, školení a najímání. To může posunout časové rámce projektu kolem dat „hard stop“ definovaných podnikem nebo regulátory.

další Dvě (velmi negativní) věci může dojít také:

  • Nové obchodní nebo regulační projekty mohou pozadu rozvrhu, a překročí dostupné rozpočty.
  • Obchodní uživatelé se zabránilo dostat data týmu zapojit a rozvíjet své vlastní tabulky na základě procesů na palubě a porovnat data. To způsobuje vysoké náklady, nízkou průhlednost / auditovatelnost a vysokou chybovost.

Jak se Strojové Učení Může Zvýšit Účinnost a Snížit srovnávání Údajů Náklady

Základní strojové učení mohou být realizovány pomoci vyřešit rychlost a otázky nákladů na stravování a sladění nových datových zdrojů.

hlavním problémem strukturovaných dat / ETL přístupů je pomalá rychlost přijímání nových dat a porovnávání. Největší „muziky za babku“ může být dosaženo tím, že se pomalu založené na lidských procesů v počáteční data onboarding jeviště a nahradit je stroj, který analyzuje a učí se, jak zvládnout nové údaje.

ideální systém pro tento účel:

  • Připojuje se k většině/všech datových zdrojů (nové zdroje a stávající zdroje, aby odpovídaly, plus existujících strukturovaných zdrojů dat a ETL vrstva)
  • Příjme data v celé řadě formátů (csv, XML, krmiva, SQL, NoSQL, atd.)
  • Zpracovává data v paměti, aby maximalizoval rychlost a kapacita
  • Má vestavěný datový stroj, který automaticky „učí“ zdroje dat a vzorců, analyzuje pravděpodobné, že pro zápasy v rámci více datových sad, zdůrazňuje smíření výjimky / nesouladu, a dárky žalovatelné „dělat“ seznamy na vyřešení problémů s údaji
  • Má snadný-k-použití rozhraní, které pomáhá analytici rychle vytvářet data control pravidla v centrální poloze s možností provádět automatizované schvalovací procesy
  • Zaznamenává všechny aktivity v kontrolovatelné podobě

Tři Případové Studie Strojového Učení v Rozsáhlé Sladění Projektů

Případ #1: Poplatky, cen a transakčních dat z více než 200 Finančních Poradců se sídlem v USA Wealth Management firmy

usmíření platforma představovat stroj schopnosti učení byl realizován na hlavním sídlem v USA, Wealth Managementu firmy. Před implementací systému musel operační tým ručně sladit stovky zdrojů dat denně z Excelu, PDF, e-mailů a 220+ webových stránek předložených finančními poradci firmy. Proces postrádal kontrolu, automatizaci a dozorčí kontrolu/schválení.

zavedení nového systému zapojeny směřující do zdroje dat, pak umožňuje strojové učení a usmíření engine pro zpracování dat v paměti. Byly použity algoritmy založené na pravděpodobnosti a ve zprávě byly generovány potenciální neshody / výjimky. Operační tým je poté zpracoval a byl schopen rychle vyvinout opakovaně použitelná odpovídající pravidla a schválení / kontroly na centrálním místě. Jakmile byla pravidla vytvořena, systém mohl automaticky kontrolovat kvalitu dat v rámci stanovených tolerancí, generovat zprávy o výjimkách, a výstup souboru, který má být požit účetním systémem firmy. Tato odstraněna provozní rizika z ruční řezání a vkládání dat, provedena dohledu, a automaticky integrován s účetním systémem. Bylo dosaženo zvýšení účinnosti několika milionů dolarů ročně.

Případ # 2: Broker-dealer sladění více výměn na více interních systémů pro ETDs

velký broker-dealer s globálními operacemi obchoduje s ETDs na více než 80 různých burzách. K zachycení a zpracování cenných papírů se používá více interních systémů, obchod, cena, pozice a údaje o zákaznících. Vzhledem k vysoké úrovni složitosti a požadavky na výkon, v kombinaci s nedostatkem usmíření a normalizované kontrolní rámec, firma byla stále schopna expandovat na nové trhy. Firma odhaduje, že na palubě nové burzy trvalo přes 200 man-days.

firma implementovala systém usmíření s funkcemi strojového učení a porovnávání v paměti. Systém přijímal data z 80 + výměn a normalizoval / sladil je s různými interními systémy s jejich pevnými datovými strukturami. Učební modul byl schopen rychle zpracovat miliony historických transakcí, Zobrazit výjimky a neshody, a navrhnout odpovídající pravidla. Firma byla schopna nastoupit 2 výměny za den, spíše než 2 za měsíc.

příklad #3: Pořízení nového obchodního úvěrového portfolia od jiného věřitele

regionální banka získala portfolio několika tisíc podnikatelských úvěrů od konkurenta. Onboarding proces pro tyto úvěry by vyžadují Client Onboarding, KYC / AML, Financí, Omezení, Technologie, Projektové Řízení, Pohledávky, prodejní banky Úvěr provozní tým, a potenciálně dlužníků Finance týmy.

data byla uložena v prodejní bance v různých systémech a formátech a byla vázána na různé záznamy zákazníků a úvěrů. Onboarding údaje o úvěru požadované analýzy dat, odpovídající s interními LMS banky, identifikace neshody a mezery, vytváření pravidel usmíření, a odpovídající ji do interních záznamů o zákaznících. To muselo být provedeno dříve, než bude možné půjčky Spravovat, zahrnout do výpočtů P&L a rizik a vyúčtovat. Banka je interní tým odhaduje onboarding úvěrového portfolia bude vyžadovat 5-6 měsíců s jejich stávajícími systémy, s analýzou každé požadované půjčky.

banka se rozhodla implementovat systém usmíření založený na cloudu s možnostmi strojového učení. Úvěrové portfolio a související záznamy o zákaznících a platbách byly načteny do systému a přizpůsobeny interním LMS a účetním záznamům banky. Systém byl schopen přizpůsobit přibližně 65% dat interním záznamům během 1 dne a zbývající data prezentoval v centrálním řídicím panelu pro rozlišení. Celé portfolio bylo na palubě 2 týdny, včetně nových pravidel a záznamů shody, kontroly a import do LMS firmy.

V Kostce

Jak tyto příklady ukazují, základní strojové učení schopnosti lze využít k rychlému splnění obchodních a regulačních požadavků, kde tradiční strukturovaná data přístupů selhat. S rychlostí změn ve finančních službách, zkoumání toho, jak lze strojové učení použít pro sladění dat ve vaší firmě, by mohlo mít za následek významné výhody.

Napsat komentář

Vaše e-mailová adresa nebude zveřejněna.