Utiliser l’Apprentissage Automatique pour Résoudre les problèmes de Rapprochement des Données dans les Services Financiers

Gagner dans les services financiers repose de plus en plus sur la rapidité et la précision de la normalisation et du rapprochement des données. Banques, gestionnaires d’actifs, dépositaires, courtiers, gestionnaires de portefeuille, services publics de marché, etc. sont tous fondamentalement axés sur les données. Des milliers d’employés embarquent, apparient, calculent et rapportent des quantités massives de données chaque jour dans tous les secteurs de l’entreprise.

Rapprocher les données afin qu’elles puissent être agrégées, analysées et déclarées est une activité sans fin dans les services financiers. Une grande partie de ce travail de réconciliation est effectuée par des équipes de données avec des outils ETL traditionnels, mais les feuilles de calcul et les processus manuels sont monnaie courante. Les inefficacités et les coûts abondent, en particulier lors de l’intégration de nouvelles sources de données.

Les inefficacités de la réconciliation des données sont exactement le type de  » fruit faible  » que l’apprentissage automatique de base peut résoudre. Des multiples de valeur en termes de temps, de coûts d’exploitation et d’éviter les pénalités réglementaires peuvent être débloqués en utilisant l’apprentissage automatique aux points clés de rapprochement des données.

Des inefficacités de rapprochement des données peuvent survenir dans n’importe quelle partie de l’entreprise où:

  • Les nouvelles sources de données doivent être associées à des enregistrements internes ou externes (client, maître de sécurité, poste, LEI, etc.)
  • Plusieurs sources/types de données sont comparés ou agrégés (risque de marché, risque de crédit, RWA, tests de résistance de liquidité, limites d’exposition, CBCB 239, etc.)
  • Les données internes doivent correspondre à une base de données externe (référentiel central, base de données des régulateurs, rapports de crédit de tiers, AML/ KYC/CFT, etc.)
  • Des contrôles manuels et des processus d’approbation existent (intégration des clients, contrôle des transactions, contrôle des prêts, comptes créditeurs, etc.)
  • Il existe un projet de migration de système ou de données (regroupement de plusieurs systèmes en un seul, intégration d’un nouveau système, acquisition d’un nouveau portefeuille de prêts ou de comptes clients, etc.)
  • Le reporting réglementaire est obligatoire (Dodd-Frank, MiFID II/MiFIR, OFAC, GDPR, etc.)
  • Des pistes d’audit sont produites et analysées (audits internes, audits réglementaires, CAT 613, OATS, IFRS 9, SMR, SOX, etc.)
  • Les rapprochements multiples de 1 à 1 sont agrégés en rapprochements en plusieurs parties (compensation des sûretés, reporting des sociétés de portefeuille bancaires, etc.)
  • Les exigences du marché ont évolué rapidement (échanges multiples, structure du marché, cloud computing, règlements TARGET2, services publics, etc.)

La « Nouvelle Norme » – Pourquoi les Structures de données ETL et Fixes traditionnelles échouent

Les nouvelles exigences commerciales et réglementaires de grande portée qui dépendent du traitement rapide, du rapprochement et de l’agrégation de données complexes sont devenues la « nouvelle norme » dans les services financiers. Malheureusement, les approches traditionnelles de modèle de données fixes/ETL s’adaptent mal à ces nouvelles exigences complexes.

Selon le modèle traditionnel, les analystes métier et les spécialistes ETL/données doivent créer des exigences techniques, intégrer de nouvelles sources de données, analyser les données et appliquer des processus ETL qui correspondent à un modèle de données fixe en aval. Ceci est très complexe, prend beaucoup de temps et nécessite souvent d’étendre la portée du projet à plusieurs parties de l’entreprise.

Ces limitations peuvent avoir quatre effets sur l’entreprise:

  1. Des contraintes rigoureuses sur l’ingestion de nouvelles sources de données peuvent entraîner des retards critiques lorsque la vitesse est requise pour atteindre un objectif critique (M & A, réglementation / conformité)
  2. Il ne s’adapte pas bien. Passer des charges de travail et des volumes de données de niveau BAU à la gestion de nouveaux projets de grande envergure dans des délais courts peut jeter les équipes de données et de technologie dans le chaos.
  3. Le passé définit l’avenir: Les systèmes conçus pour répondre aux anciennes exigences peuvent limiter considérablement la façon dont les nouvelles données peuvent être ingérées et ce qui peut être fait avec les données en aval.
  4. Les nouveaux types et sources de données peuvent nécessiter une restructuration importante des processus, une formation et un recrutement. Cela peut repousser les délais du projet au-delà des dates « d’arrêt difficile » définies par l’entreprise ou les régulateurs.

Deux autres choses (très négatives) peuvent également se produire:

  • Les nouveaux projets commerciaux ou réglementaires peuvent prendre du retard et dépasser les budgets disponibles.
  • Les utilisateurs professionnels évitent d’impliquer l’équipe de données et développent leurs propres processus basés sur des feuilles de calcul pour intégrer et rapprocher les données. Cela entraîne des coûts élevés, une faible transparence / vérifiabilité et des taux d’erreur élevés.

Comment l’apprentissage Automatique peut augmenter l’efficacité et réduire les coûts de rapprochement des données

L’apprentissage automatique de base peut être mis en œuvre pour aider à résoudre les problèmes de vitesse et de coût liés à l’intégration et au rapprochement de nouvelles sources de données.

Le principal problème des approches données structurées/ETL est la lenteur de la prise en charge de nouvelles données et de la correspondance. Le plus grand « coup pour l’argent » peut être réalisé en supprimant les processus lents basés sur l’homme lors de la phase initiale d’intégration des données et en les remplaçant par une machine qui analyse et apprend elle-même à gérer les nouvelles données.

Le système idéal à cet effet:

  • Se connecte à la plupart /à toutes les sources de données (la nouvelle source ainsi que les sources existantes à mettre en correspondance, ainsi que les sources de données structurées existantes et la couche ETL)
  • Ingère des données dans un large éventail de formats (csv, XML, feed, SQL, NoSQL, etc.)
  • Traite les données en mémoire pour maximiser la vitesse et la capacité
  • Dispose d’un moteur de données intégré qui « apprend » automatiquement les sources et les modèles de données, les analyse pour les correspondances probables sur plusieurs ensembles de données, met en évidence les exceptions de rapprochement / incompatibilités et présente des listes de tâches exploitables pour résoudre les problèmes de données
  • Dispose d’une interface facile à utiliser qui aide les analystes à créer rapidement des règles de contrôle des données dans un emplacement central avec la possibilité de mettre en œuvre des processus d’approbation automatisés
  • Enregistre toutes les activités dans un format vérifiable

Trois Études de cas de l’Apprentissage Automatique dans des projets de rapprochement à grande échelle

Cas no 1 : Données sur les frais, les prix et les transactions de plus de 200 Conseillers financiers à une société de gestion de patrimoine basée aux États-Unis

Une plate-forme de rapprochement dotée de capacités d’apprentissage automatique a été mise en œuvre dans une grande société de gestion de patrimoine basée aux États-Unis. Avant la mise en œuvre du système, l’équipe des opérations devait réconcilier manuellement des centaines de sources de données sur une base quotidienne à partir d’Excel, de PDF, de courriels et de plus de 220 sites Web soumis par les conseillers financiers du cabinet. Le processus manquait de contrôle, d’automatisation et d’examen / approbation de supervision.

La mise en œuvre du nouveau système impliquait de le pointer vers les sources de données, puis de permettre au moteur d’apprentissage automatique et de réconciliation de traiter les données en mémoire. Des algorithmes basés sur les probabilités ont été appliqués et des incompatibilités/exceptions potentielles ont été générées dans un rapport. L’équipe des opérations les a ensuite traitées et a pu rapidement développer des règles de correspondance réutilisables et des approbations / contrôles dans un emplacement central. Une fois les règles établies, le système pouvait vérifier automatiquement la qualité des données dans les tolérances spécifiées, générer des rapports d’exceptions et produire un fichier à ingérer par le système comptable de l’entreprise. Cela a éliminé le risque opérationnel lié au découpage et au collage manuel des données, a mis en œuvre un contrôle de supervision et l’a intégré automatiquement au système comptable. Des gains d’efficacité de plusieurs millions de dollars par année ont été réalisés.

Cas #2: Rapprochement de plusieurs bourses avec plusieurs systèmes internes pour ETDs

Un grand courtier avec des opérations mondiales négocie des ETDS sur plus de 80 bourses différentes. Plusieurs systèmes internes sont utilisés pour capturer et traiter les données sur les titres, le commerce, le prix, la position et les clients. En raison du niveau de complexité et des exigences de performance élevés, combinés à un manque de rapprochement et à un cadre de contrôle normalisé, l’entreprise était de plus en plus incapable de se développer sur de nouveaux marchés. L’entreprise a estimé qu’il fallait plus de 200 jours-homme pour embarquer un nouvel échange.

L’entreprise a mis en place un système de rapprochement doté de capacités d’apprentissage automatique et de correspondance en mémoire. Le système a ingéré des données provenant de plus de 80 échanges et les a normalisées / réconciliées avec les différents systèmes internes avec leurs structures de données fixes. Le moteur d’apprentissage a pu traiter rapidement des millions de transactions historiques, afficher les exceptions et les discordances et suggérer des règles de correspondance. La firme a pu embarquer 2 échanges par jour, plutôt que 2 par mois.

Exemple #3: Acquisition d’un nouveau portefeuille de prêts aux entreprises auprès d’un autre prêteur

Une banque régionale a acquis un portefeuille de plusieurs milliers de prêts aux entreprises auprès d’un concurrent. Le processus d’intégration de ces prêts nécessiterait l’Intégration des clients, le KYC / AML, la Trésorerie, les limites, la Technologie, la Gestion de projet, les comptes clients, l’équipe des opérations de prêt de la banque vendeuse et potentiellement les équipes Financières des emprunteurs.

Les données étaient hébergées à la banque vendeuse dans différents systèmes et formats, et étaient liées à différents dossiers de clients et de crédit. L’intégration des données de prêt nécessitait d’analyser les données, de les apparier avec le LMS interne de la banque, d’identifier les discordances et les lacunes, de créer des règles de rapprochement et de les associer aux enregistrements internes des clients. Cela devait être fait avant que les prêts puissent être gérés, inclus dans P & L et les calculs de risque, et facturés. L’équipe interne de la banque a estimé que l’intégration du portefeuille de prêts nécessiterait 5 à 6 mois avec leurs systèmes existants, avec une analyse de chaque prêt requis.

La banque a choisi de mettre en œuvre un système de réconciliation basé sur le cloud avec des capacités d’apprentissage automatique. Le portefeuille de prêts et les dossiers de clients et de paiements associés ont été chargés dans le système et appariés aux registres comptables et au SGD internes de la banque. Le système a pu faire correspondre environ 65% des données aux enregistrements internes en 1 jour et a présenté les données restantes dans un tableau de bord central pour résolution. L’ensemble du portefeuille a été intégré en 2 semaines, y compris les nouvelles règles et registres d’appariement, les contrôles et l’importation dans le LMS de l’entreprise.

En un mot

Comme le montrent ces exemples, les capacités d’apprentissage automatique de base peuvent être exploitées pour répondre rapidement aux exigences commerciales et réglementaires lorsque les approches de données structurées traditionnelles échouent. Avec la rapidité de l’évolution des services financiers, étudier comment l’apprentissage automatique peut être utilisé pour la réconciliation des données dans votre entreprise pourrait entraîner des avantages significatifs.

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée.