koneoppimisen käyttäminen tietojen Täsmäytyshaasteiden ratkaisemiseen rahoituspalveluissa

voittaminen rahoituspalveluissa on yhä enemmän kyse tietojen normalisoinnin ja yhteensovittamisen nopeudesta ja tarkkuudesta. Pankit, omaisuudenhoitajat, omaisuudenhoitajat, meklari-jälleenmyyjät, salkunhoitajat, markkinoiden yleishyödylliset laitokset jne. ovat kaikki pohjimmiltaan dataohjautuvia. Tuhannet työntekijät laivalla, ottelu, laskea ja raportoida valtavia määriä dataa joka päivä kaikkialla liiketoiminnan.

tietojen yhteen sovittaminen, jotta ne voidaan yhdistää, analysoida ja raportoida, on loputon toiminta rahoituspalveluissa. Suuren osan tästä sovintotyöstä tekevät datatiimit perinteisillä ETL-työkaluilla, mutta taulukkolaskenta ja manuaaliset prosessit rehottavat. Tehottomuutta ja kustannuksia on runsaasti, erityisesti kun otetaan käyttöön uusia tietolähteitä.

tietojen yhteensovittamisen tehottomuus on juuri sellaista ”low hanging fruit” – tyyppistä, jonka koneoppiminen perusasioissa voi ratkaista. Ajan, käyttökustannusten ja lakisääteisten seuraamusten välttäminen voidaan avata käyttämällä koneoppimista keskeisten tietojen täsmäytyspisteissä.

tietojen yhteensovittamisen tehottomuutta voi esiintyä missä tahansa liiketoiminnan osassa, jossa:

  • Uudet tietolähteet on yhdistettävä sisäisiin tai ulkoisiin tietueisiin (asiakas, tietoturvamestari, asema, LEI jne.)
  • verrataan tai yhdistetään useita tietolähteitä / – tyyppejä (markkinariski, luottoriski, riskipainotetut omaisuuserät, likviditeetin stressitestaus, vastuurajat, BCBS 239 jne.)
  • sisäisten tietojen on vastattava ulkoista tietuetietokantaa (kauppatietorekisteri, sääntelyviranomaisen tietokanta, kolmannen osapuolen luottoraportit, AML / KYC / CFT jne.)
  • manuaaliset tarkastukset ja hyväksymisprosessit ovat olemassa (asiakas onboarding, transaction control, loan control, account liability, jne.)
  • on olemassa järjestelmä-tai tiedonsiirtohanke (useiden järjestelmien yhdistäminen yhdeksi, uuden järjestelmän käyttöönotto, uuden lainasalkun tai asiakastilien hankkiminen jne.)
  • lakisääteinen raportointi on pakollista (Dodd-Frank, MiFiD II / MiFiR, OFAC, GDPR jne.)
  • kirjausketjut tuotetaan ja analysoidaan (sisäiset auditoinnit, viranomaisauditoinnit, CAT 613, OATS, IFRS 9, SMR, SOX jne.)
  • useat 1: 1 täsmäytykset lasketaan yhteen moniosaisiksi täsmäytyksiksi (vakuuksien nettoutus, pankkien holdingyhtiöiden raportointi jne.)
  • Markkinavaatimukset ovat kehittyneet nopeasti (useat pörssit, markkinarakenne, pilvilaskenta, TARGET2-järjestelyt, yleishyödylliset palvelut jne.)

”New Normal” – Why Traditional ETL and Fixed Data Structures Fail

kauaskantoiset uudet liiketoiminta-ja sääntelyvaatimukset, jotka riippuvat monimutkaisten tietojen nopeasta käsittelystä, yhteensovittamisesta ja yhdistämisestä, ovat muuttuneet ”uudeksi normaaliksi” rahoituspalveluissa. Valitettavasti perinteiset kiinteät tietomalli / ETL-lähestymistavat sopeutuvat huonosti näihin monimutkaisiin uusiin vaatimuksiin.

perinteisessä mallissa liiketoiminta-analyytikoiden ja ETL / data-asiantuntijoiden on luotava teknisiä vaatimuksia, otettava käyttöön uusia tietolähteitä, analysoitava tietoja ja sovellettava ETL-prosesseja, jotka vastaavat kiinteää tietomallia tuotantoketjun loppupäässä. Tämä on erittäin monimutkaista, vie paljon aikaa ja vaatii usein projektin laajentamista useisiin liiketoiminnan osiin.

näillä rajoituksilla voi olla neljä vaikutusta liiketoimintaan:

  1. tiukat rajoitukset uusien tietolähteiden syöttämisessä voivat aiheuttaa kriittisiä viiveitä, kun tarvitaan nopeutta tehtävän kannalta kriittisen tavoitteen saavuttamiseksi (M&A, sääntely / compliance)
  2. se ei skaalaudu hyvin. Hyppääminen BAU-tason työmääristä ja datamääristä suurten uusien projektien käsittelyyn lyhyellä aikajänteellä voi heittää data-ja teknologiatiimit kaaokseen.
  3. menneisyys määrittelee tulevaisuuden: järjestelmät, jotka on suunniteltu täyttämään Vanhat vaatimukset, voivat merkittävästi rajoittaa sitä, miten uutta tietoa voidaan niellä ja mitä datalle voidaan tehdä tuotantoketjun loppupäässä.
  4. Uudet tietotyypit ja tietolähteet voivat vaatia merkittävää prosessien uudelleensuunnittelua, koulutusta ja palkkaamista. Tämä voi työntää projektin aikataulut ohi ”hard stop” päivämäärät määritellään liiketoiminnan tai sääntelyviranomaisten.

myös kaksi muuta (hyvin negatiivista) asiaa voi esiintyä:

  • uudet liiketoiminta-tai sääntelyhankkeet voivat jäädä jälkeen aikataulusta ja ylittää käytettävissä olevat budjetit.
  • yrityskäyttäjät välttävät datatiimin mukaan saamisen ja kehittävät omia taulukkolaskentapohjaisia prosessejaan, joilla tiedot voidaan yhdistää ja yhdistää. Tämä aiheuttaa suuria kustannuksia, vähäistä läpinäkyvyyttä / tarkastettavuutta ja korkeita virhetasoja.

miten Koneoppiminen voi lisätä tehokkuutta ja vähentää tietojen Täsmäytyskustannuksia

koneoppimisen perusopetus voidaan toteuttaa, jotta voidaan ratkaista koneeseen nousemiseen ja uusien tietolähteiden yhteensovittamiseen liittyvät nopeus-ja kustannuskysymykset.

strukturoitujen data / ETL-lähestymistapojen suurin ongelma on uuden datan ottamisen ja yhteensovittamisen hidas nopeus. Suurin ”bang for the buck” voidaan saavuttaa ottamalla hitaat ihmispohjaiset prosessit lähtötietojen astumisvaiheessa ja korvaamalla ne koneella, joka analysoi ja opettaa itse käsittelemään uutta dataa.

tähän tarkoitukseen ihanteellinen systeemi:

  • muodostaa yhteyden useimpiin / kaikkiin tietolähteisiin (Uusi lähde ja vastaavat olemassa olevat lähteet sekä olemassa olevat strukturoidut tietolähteet ja ETL-taso)
  • kerää dataa monenlaisissa muodoissa (csv, XML, feed, SQL, NoSQL jne.)
  • käsittelee datan muistiin nopeuden ja kapasiteetin maksimoimiseksi
  • siinä on sisäänrakennettu datamoottori, joka automaattisesti ”oppii” tietolähteet ja mallit, analysoi sen todennäköisten täsmäytysten varalta useissa tietojoukoissa, tuo esiin täsmäytyspoikkeukset / yhteensopimattomuudet ja esittää toimivat ”tehtävälistat” dataongelmien ratkaisemiseksi
  • sillä on helppokäyttöinen käyttöliittymä, joka auttaa analyytikoita rakentamaan nopeasti tiedonhallintasäännöt keskeisessä paikassa ja kykenee toteuttamaan automatisoituja hyväksyntäprosesseja
  • kirjaa kaikki toiminnot tarkastettavassa muodossa

kolme Case Studies of Machine Learning in Large Scale Reconciliation Projects

Case # 1: palkkiot, hinnoittelu ja transaktiotiedot 200+ Financial Advisorsilta yhdysvaltalaiselle Varainhoitoyhtiölle

suuressa yhdysvaltalaisessa Varainhoitoyhtiössä toteutettiin koneoppimiskykyä sisältävä sovintoalusta. Ennen järjestelmän käyttöönottoa Operaatioryhmän oli sovitettava manuaalisesti päivittäin yhteen satoja Excel -, PDF -, sähköposti-ja 220+ – verkkosivustoja, jotka yrityksen taloudelliset neuvonantajat toimittivat. Prosessista puuttui ohjaus, automaatio ja valvontakatselmus/hyväksyntä.

uuden järjestelmän käyttöönottoon kuului sen osoittaminen tietolähteisiin, minkä jälkeen koneoppiminen-ja sovintomoottori pystyi käsittelemään dataa muistissa. Todennäköisyyspohjaisia algoritmeja sovellettiin ja mahdolliset epäsuhtaisuudet / poikkeukset luotiin raportissa. Operaatioryhmä käsitteli nämä ja pystyi nopeasti kehittämään uudelleenkäytettäviä täsmäytyssääntöjä ja hyväksymisiä / kontrolleja keskeisessä paikassa. Kun säännöt on rakennettu, järjestelmä voisi automaattisesti tarkistaa tietojen laatua määrätyissä toleranssit, tuottaa poikkeusraportteja, ja tulostaa tiedoston nieltäväksi yrityksen kirjanpitojärjestelmään. Tämä poisti operatiivisen riskin tietojen manuaalisesta leikkaamisesta ja liittämisestä, toteutti valvontatarkastuksen ja liitti sen automaattisesti kirjanpitojärjestelmään. Tehokkuushyötyjä saavutettiin useita miljoonia dollareita vuodessa.

Asia # 2: Meklari-jälleenmyyjä useiden pörssien yhteensovittaminen useisiin ETD: iden sisäisiin järjestelmiin

suuri meklari-jälleenmyyjä, jolla on maailmanlaajuisia operaatioita, käy kauppaa ETD: llä yli 80 eri pörssissä. Arvopaperi -, kauppa -, hinta -, positio-ja asiakastietojen keräämiseen ja käsittelyyn käytetään useita sisäisiä järjestelmiä. Korkean monimutkaisuuden ja suorituskykyvaatimusten sekä yhteensovittamisen ja normalisoidun kontrollikehyksen puutteen vuoksi yritys ei kyennyt laajentumaan uusille markkinoille. Firma arvioi, että uuteen pörssiin siirtyminen vei yli 200 henkilötyöpäivää.

yritys toteutti täsmäytysjärjestelmän, jossa oli koneoppimisen ja muistisovitusten ominaisuudet. Järjestelmä nautitaan tietoja 80 + vaihtoa ja normalisoitu / sovittaa sen eri sisäisten järjestelmien kanssa niiden kiinteät Tietorakenteet. Oppimismoottori pystyi käsittelemään nopeasti miljoonia historiallisia tapahtumia, näyttämään poikkeuksia ja yhteensopimattomuuksia sekä ehdottamaan vastaavia sääntöjä. Yritys pystyi laivalla 2 vaihtoa päivässä, eikä 2 kuukaudessa.

esimerkki #3: Uuden yrityslainasalkun hankkiminen toiselta lainanantajalta

aluepankki hankki kilpailijalta useiden tuhansien yrityslainojen salkun. Näiden lainojen periminen edellyttäisi asiakkaan perimistä, KYC / AML: ää, valtiovarainministeriötä, limiittejä, teknologiaa, projektinhallintaa, myyntisaamisia, myyntipankin Lainatoimintaryhmää ja mahdollisesti lainanottajien Rahoitusryhmiä.

tiedot säilytettiin myyntipankissa eri järjestelmissä ja formaateissa, ja ne sidottiin erilaisiin asiakas-ja luottotietoihin. Lainatietojen käyttöönotto edellytti tietojen analysointia, yhteensopivuutta pankin sisäisen maksuvalmiusluoton kanssa, yhteensopimattomuuksien ja aukkojen tunnistamista, täsmäytyssääntöjen luomista ja sen sovittamista sisäisiin asiakastietoihin. Tämä oli tehtävä ennen kuin lainat voidaan hoitaa, sisältyy P&L ja riskilaskelmat, ja laskutetaan. Pankin sisäinen tiimi arvioi lainasalkun käyttöönoton vaativan 5-6 kuukautta nykyisillä järjestelmillään, ja jokainen laina analysoidaan.

pankki päätti ottaa käyttöön pilvipohjaisen täsmäytysjärjestelmän, jossa on koneoppimiskyky. Lainasalkku ja siihen liittyvät asiakas-ja maksutiedot ladattiin järjestelmään, ja ne täsmäytettiin pankin sisäisiin LMS-ja kirjanpitotietoihin. Järjestelmä pystyi sovittamaan noin 65% tiedoista sisäisiin tietueisiin yhden vuorokauden kuluessa ja esitti loput tiedot keskitetyssä kojelaudassa resoluutiota varten. Koko portfolio otettiin käyttöön 2 viikossa, mukaan lukien uudet täsmäytyssäännöt ja tiedot, kontrollit ja tuonti yrityksen LMS: ään.

pähkinänkuoressa

kuten nämä esimerkit osoittavat, koneoppimisen perusvalmiuksia voidaan hyödyntää täyttämään nopeasti liiketoiminnan ja sääntelyn vaatimukset, kun perinteiset strukturoidut tietomallit epäonnistuvat. Finanssipalvelujen muutoksen nopeudessa sen tutkiminen, miten koneoppimista voidaan käyttää tietojen yhteensovittamiseen yrityksessäsi, voi johtaa merkittäviin hyötyihin.

Vastaa

Sähköpostiosoitettasi ei julkaista.