Uso del Aprendizaje Automático para Resolver los Desafíos de Conciliación de Datos en Servicios Financieros

Ganar en servicios financieros se basa cada vez más en la velocidad y precisión de la normalización y conciliación de datos. Bancos, gestores de activos, custodios, agentes de bolsa, gestores de carteras, servicios públicos de mercado, etc. todos están fundamentalmente basados en datos. Miles de empleados incorporan, emparejan, calculan e informan cantidades masivas de datos todos los días en todas las partes de la empresa.

Conciliar datos para que puedan agregarse, analizarse e informarse es una actividad interminable en los servicios financieros. Gran parte de este trabajo de conciliación es realizado por equipos de datos con herramientas ETL tradicionales, pero las hojas de cálculo y los procesos manuales son rampantes. Abundan las ineficiencias y los costos, especialmente cuando se incorporan nuevas fuentes de datos.

Las ineficiencias de conciliación de datos son exactamente el tipo de «fruto de poco tiempo» que el aprendizaje automático básico puede resolver. Se pueden desbloquear múltiplos de valor en términos de tiempo, costo operativo y evitar sanciones reglamentarias mediante el empleo de aprendizaje automático en puntos clave de conciliación de datos.

Las ineficiencias de conciliación de datos pueden ocurrir en cualquier parte del negocio donde:

  • Las nuevas fuentes de datos deben coincidir con registros internos o externos (cliente, maestro de seguridad, posición, LEI, etc.).)
  • Se comparan o agregan múltiples fuentes / tipos de datos (riesgo de mercado, riesgo de crédito,RWA, pruebas de tensión de liquidez, límites de exposición, BCBS 239, etc.)
  • Los datos internos deben coincidir con una base de datos externa (registro de operaciones, base de datos de reguladores, informes de crédito de terceros, AML / KYC / CFT, etc.)
  • Existen controles manuales y procesos de aprobación (incorporación de clientes,control de transacciones, control de préstamos, cuentas por pagar, etc.)
  • Existe un proyecto de migración de sistemas o datos (agregación de múltiples sistemas en uno, incorporación de un nuevo sistema, adquisición de una nueva cartera de préstamos o cuentas de clientes, etc.)
  • Los informes reglamentarios son obligatorios (Dodd-Frank, MiFID II / MiFIR, OFAC, GDPR, etc.)
  • Se producen y analizan pistas de auditoría (auditorías internas, auditorías reglamentarias, CAT 613, OATS, IFRS 9, SMR, SOX, etc.)
  • Las conciliaciones múltiples de 1 a 1 se agregan en conciliaciones de varias partes (compensación de garantías, información sobre sociedades de cartera bancarias, etc.)
  • Los requisitos del mercado han evolucionado rápidamente (bolsas múltiples, estructura de mercado, computación en nube, liquidaciones de TARGET2, servicios públicos, etc.)

La «Nueva Normalidad»: Por qué fallan las Estructuras de Datos Fijas y ETL Tradicionales

Los nuevos requisitos empresariales y reglamentarios de gran alcance que dependen de la rápida manipulación, conciliación y agregación de datos complejos se han convertido en la» nueva normalidad » de los servicios financieros. Desafortunadamente, los enfoques tradicionales de modelo de datos fijos / ETL se adaptan mal a estos nuevos y complejos requisitos.

Bajo el modelo tradicional, los analistas de negocios y los especialistas en ETL / datos deben crear requisitos técnicos, incorporar nuevas fuentes de datos, analizar los datos y aplicar procesos ETL que coincidan con un modelo de datos fijo descendente. Esto es muy complejo, lleva mucho tiempo y, a menudo, requiere ampliar el alcance del proyecto a varias partes del negocio.

Estas limitaciones pueden causar cuatro efectos en el negocio:

  1. Las restricciones rigurosas en la ingesta de nuevas fuentes de datos pueden causar retrasos críticos cuando se requiere velocidad para cumplir un objetivo de misión crítica (M& A, normativa / cumplimiento)
  2. No se escala bien. Pasar de cargas de trabajo de nivel BAU y volúmenes de datos para manejar grandes proyectos nuevos en plazos cortos puede llevar a los equipos de datos y tecnología al caos.
  3. El pasado define el futuro: Los sistemas diseñados para cumplir con los requisitos antiguos pueden limitar sustancialmente la forma en que se pueden ingerir nuevos datos y lo que se puede hacer con los datos posteriores.
  4. Los nuevos tipos y fuentes de datos pueden requerir una importante reingeniería, capacitación y contratación de procesos. Esto puede empujar los marcos de tiempo del proyecto más allá de las fechas de» parada dura » definidas por el negocio o los reguladores.

También pueden ocurrir otras dos cosas (muy negativas) :

  • Los nuevos proyectos de negocios o regulatorios pueden retrasarse y exceder los presupuestos disponibles.
  • Los usuarios empresariales evitan involucrar al equipo de datos y desarrollan sus propios procesos basados en hojas de cálculo para incorporar y conciliar los datos. Esto causa altos costos, baja transparencia / auditabilidad y altas tasas de error.

Cómo el aprendizaje Automático Puede Aumentar la Eficiencia y Reducir los Costos de conciliación de datos

Se puede implementar el aprendizaje automático básico para ayudar a resolver los problemas de velocidad y costo de incorporación y conciliación de nuevas fuentes de datos.

El principal problema con los enfoques de datos estructurados / ETL es la lenta velocidad de adquisición de nuevos datos y de emparejamiento. El mayor «beneficio por dinero» se puede lograr eliminando procesos lentos basados en humanos en la etapa inicial de incorporación de datos y reemplazándolos con una máquina que analiza y aprende a manejar los nuevos datos.

El sistema ideal para este propósito:

  • Se conecta a la mayoría / todas las fuentes de datos (la nueva fuente, así como las fuentes existentes para coincidir, además de las fuentes de datos estructuradas existentes y la capa ETL)
  • Ingiere datos en una amplia gama de formatos (csv, XML, feed, SQL, NoSQL, etc.
  • Procesa los datos en memoria para maximizar la velocidad y la capacidad
  • Tiene un motor de datos integrado que «aprende» automáticamente las fuentes y patrones de datos, los analiza para buscar coincidencias probables en varios conjuntos de datos, resalta las excepciones / discrepancias de conciliación y presenta listas de «tareas pendientes» procesables para resolver problemas de datos
  • Tiene una interfaz fácil de usar que ayuda a los analistas a crear rápidamente reglas de control de datos en una ubicación central con la capacidad de implementar procesos de aprobación automatizados
  • Registra todas las actividades en un formato auditable

Tres Estudios de casos de Aprendizaje Automático en Proyectos de Reconciliación a Gran Escala

Caso #1: Tarifas, precios y datos de transacciones de más de 200 Asesores Financieros a una empresa de Gestión de Patrimonio con sede en EE.UU.

Se implementó una plataforma de conciliación con capacidades de aprendizaje automático en una importante empresa de Gestión de Patrimonio con sede en EE. UU. Antes de implementar el sistema, el equipo de Operaciones tuvo que conciliar manualmente cientos de fuentes de datos a diario de Excel, PDF, correos electrónicos y más de 220 sitios web enviados por los Asesores Financieros de la empresa. El proceso carecía de control, automatización y revisión y aprobación supervisoras.

La implementación del nuevo sistema implicaba apuntarlo a las fuentes de datos y, a continuación, permitir que el motor de aprendizaje automático y reconciliación procesara los datos en memoria. Se aplicaron algoritmos basados en la probabilidad y se generaron posibles desajustes / excepciones en un informe. El equipo de Operaciones los procesó y pudo desarrollar rápidamente reglas de coincidencia reutilizables y aprobaciones / controles en una ubicación central. Una vez que se elaboraron las reglas, el sistema podía verificar automáticamente la calidad de los datos dentro de las tolerancias especificadas, generar informes de excepciones y generar un archivo para ser ingerido por el sistema de contabilidad de la empresa. Esto eliminó el riesgo operativo de cortar y pegar datos manualmente, implementó la revisión de supervisión y la integró automáticamente con el sistema de contabilidad. Se lograron aumentos de eficiencia de varios millones de dólares al año.

Caso #2: Conciliación de múltiples bolsas con múltiples sistemas internos para ETDs

Un gran corredor con operaciones globales negocia ETDs en más de 80 bolsas diferentes. Se utilizan múltiples sistemas internos para capturar y procesar los datos de valores, transacciones, precios, posiciones y clientes. Debido al alto nivel de complejidad y a los requisitos de rendimiento, junto con la falta de conciliación y de un marco de control normalizado, la empresa era cada vez más incapaz de expandirse a nuevos mercados. La empresa estimó que se tardó más de 200 días-hombre en embarcar un nuevo intercambio.

La empresa implementó un sistema de conciliación con capacidades de aprendizaje automático y coincidencia en memoria. El sistema ingirió datos de más de 80 intercambios y los normalizó / reconcilió con los diversos sistemas internos con sus estructuras de datos fijas. El motor de aprendizaje fue capaz de procesar rápidamente millones de transacciones históricas, mostrar excepciones y desajustes, y sugerir reglas de coincidencia. La empresa pudo embarcar 2 intercambios por día, en lugar de 2 por mes.

Ejemplo # 3: Adquisición de una nueva cartera de préstamos comerciales de otro prestamista

Un banco regional adquirió una cartera de varios miles de préstamos comerciales de un competidor. El proceso de incorporación para estos préstamos requeriría la Incorporación de Clientes, KYC / AML, Tesorería, Límites, Tecnología, Gestión de Proyectos, Cuentas Por Cobrar, el equipo de Operaciones de Préstamos del banco vendedor y, potencialmente, los equipos financieros de los prestatarios.

Los datos se almacenaron en el banco de venta en diferentes sistemas y formatos, y se vincularon a diferentes registros de clientes y de crédito. La incorporación de los datos del préstamo requería analizar los datos, cotejarlos con el LMS interno del banco, identificar desajustes y lagunas, crear reglas de conciliación y cotejarlos con los registros internos de los clientes. Esto tenía que hacerse antes de que los préstamos pudieran ser gestionados, incluidos en P&L y cálculos de riesgo, y facturados. El equipo interno del banco estimó que la incorporación de la cartera de préstamos requeriría de 5 a 6 meses con sus sistemas existentes, con el análisis de cada préstamo requerido.

El banco optó por implementar un sistema de conciliación basado en la nube con capacidades de aprendizaje automático. La cartera de préstamos y los registros asociados de clientes y pagos se cargaron en el sistema y se cotejaron con los registros contables y de gestión de activos internos del banco. El sistema pudo hacer coincidir aproximadamente el 65% de los datos con los registros internos en 1 día, y presentó los datos restantes en un panel central para su resolución. Toda la cartera se incorporó en 2 semanas, incluidas las nuevas reglas y registros de coincidencia, los controles y la importación al LMS de la empresa.

En pocas palabras

Como se muestra en estos ejemplos, las capacidades básicas de aprendizaje automático se pueden aprovechar para cumplir rápidamente los requisitos empresariales y reglamentarios cuando los enfoques tradicionales de datos estructurados fallan. Con la velocidad del cambio en los servicios financieros, investigar cómo se puede usar el aprendizaje automático para la conciliación de datos en su empresa podría generar beneficios significativos.

Deja una respuesta

Tu dirección de correo electrónico no será publicada.