Gépi tanulás alkalmazása a pénzügyi szolgáltatások Adategyeztetési kihívásainak megoldására

a pénzügyi szolgáltatások megnyerése egyre inkább az adatok normalizálásának és egyeztetésének gyorsaságáról és pontosságáról szól. Bankok, vagyonkezelők, letétkezelők, bróker-kereskedők, portfóliókezelők, piaci közművek stb. alapvetően mindegyik adatközpontú. Több ezer alkalmazott dolgozik a fedélzeten, egyeztet, számít és jelent hatalmas mennyiségű adatot minden nap az üzlet minden részén.

az adatok összevetése, hogy azok összesíthetők, elemezhetők és jelenthetők legyenek, soha véget nem érő tevékenység a pénzügyi szolgáltatásokban. Az egyeztetési munka nagy részét az adatcsapatok végzik a hagyományos ETL eszközökkel, de a táblázatok és a Kézi folyamatok burjánzanak. A hatékonyság és a költségek elégtelenek, különösen az új adatforrások beépítése esetén.

az adategyeztetés elégtelensége pontosan az a fajta “alacsonyan lógó gyümölcs”, amelyet az alapvető gépi tanulás megoldhat. Az idő, a működési költség és a szabályozási szankciók elkerülése szempontjából az érték többszörösei feloldhatók a gépi tanulás alkalmazásával a legfontosabb adategyeztetési pontokon.

az adategyeztetés nem hatékony az üzlet bármely részén, ahol:

  • az új adatforrásokat belső vagy külső rekordokkal (ügyfél, biztonsági mester, pozíció, LEI stb.)
  • több adatforrást / típust összehasonlítanak vagy összesítenek (piaci kockázat , hitelkockázat, RWA, likviditási stresszteszt, kitettségi korlátok, BCBS 239 stb.)
  • a belső adatoknak meg kell egyezniük egy külső nyilvántartási adatbázissal (kereskedési adattár, szabályozó adatbázis, 3rd party hiteljelentések, AML / KYC / CFT stb.)
  • kézi vezérlések és jóváhagyási folyamatok léteznek (ügyfélfelvétel, tranzakció-ellenőrzés, hitelellenőrzés, fizetendő számlák stb.)
  • van egy rendszer – vagy adatmigrációs projekt (több rendszer összevonása egybe, új rendszer beépítése, új hitelportfólió vagy ügyfélszámlák megszerzése stb.)
  • a szabályozási jelentéstétel kötelező (Dodd-Frank, MiFID II / MiFIR, OFAC, GDPR stb.)
  • ellenőrzési nyomvonalakat készítenek és elemeznek (belső ellenőrzések, szabályozási ellenőrzések, CAT 613, OATS, IFRS 9, SMR, SOX stb.)
  • a Többszörös 1: 1 egyeztetéseket több részből álló egyeztetésekké összesítik (biztosíték nettósítása, banki holdingtársaságok jelentése stb.)
  • a piaci követelmények gyorsan fejlődtek (több tőzsde, piaci struktúra, felhőalapú számítástechnika, TARGET2 elszámolások, közművek stb.)

The ” New Normal “-Why Traditional ETL and Fixed Data Structures Fail

messzemenő új üzleti és szabályozási követelmények, amelyek a komplex adatok gyors kezelésétől, összeegyeztetésétől és összesítésétől függenek, a pénzügyi szolgáltatások” új normálisává ” váltak. Sajnos a hagyományos rögzített adatmodell / ETL megközelítések rosszul alkalmazkodnak ezekhez az összetett új követelményekhez.

a hagyományos modell szerint az üzleti elemzőknek és az ETL / data szakembereknek technikai követelményeket kell létrehozniuk, új adatforrásokat kell beépíteniük, elemezniük kell az adatokat, és alkalmazniuk kell az ETL folyamatokat, amelyek megfelelnek a rögzített adatmodellnek. Ez rendkívül összetett, jelentős időt vesz igénybe, és gyakran megköveteli a projekt hatókörének kiterjesztését az üzlet több részére.

ezek a korlátozások négy hatást gyakorolhatnak az üzletre:

  1. az új adatforrások bevitelére vonatkozó szigorú korlátozások kritikus késéseket okozhatnak, ha a sebességre szükség van egy küldetés szempontjából kritikus cél eléréséhez (M& a, Szabályozási / megfelelőségi)
  2. nem méretezhető jól. A BAU szintű munkaterhelésekről és adatmennyiségekről való ugrás a nagy új projektek rövid idővonalon történő kezelésére káoszba sodorhatja az adat-és technológiai csapatokat.
  3. a múlt határozza meg a jövőt: a régi követelményeknek megfelelő rendszerek jelentősen korlátozhatják az új adatok bevitelét, és azt, hogy mit lehet tenni az adatokkal.
  4. az új adattípusok és források jelentős folyamatáttervezést, képzést és bérbeadást igényelhetnek. Ez a projekt időkereteit a vállalkozás vagy a szabályozók által meghatározott “kemény stop” dátumokon túlra tolhatja.

két további (nagyon negatív) dolog is előfordulhat:

  • az új üzleti vagy szabályozási projektek elmaradhatnak az ütemtervtől, és meghaladhatják a rendelkezésre álló költségvetést.
  • az üzleti felhasználók elkerülik az adatcsapat bevonását, és saját táblázatalapú folyamatokat fejlesztenek ki az adatok beépítésére és egyeztetésére. Ez magas költségeket, alacsony átláthatóságot / auditálhatóságot és magas hibaarányt eredményez.

hogyan növelheti a gépi tanulás a hatékonyságot és csökkentheti az Adategyeztetési költségeket?

alapvető gépi tanulás valósítható meg az új adatforrások beépítésével és összeegyeztetésével kapcsolatos sebesség-és költségproblémák megoldása érdekében.

a strukturált adatok / ETL megközelítések fő problémája az új adatok lassú felvétele és az illesztés. A legnagyobb “durranás” úgy érhető el, ha a kezdeti adatfelvételi szakaszban lassú emberi alapú folyamatokat veszünk ki, és azokat egy olyan géppel helyettesítjük, amely elemzi és megtanítja magát az új adatok kezelésére.

az ideális rendszer erre a célra:

  • csatlakozik a legtöbb/Összes adatforráshoz (az új forrás, valamint a meglévő források, valamint a meglévő strukturált adatforrások és az ETL réteg)
  • sokféle formátumban (csv, XML, feed, SQL, NoSQL stb.)
  • feldolgozza az adatokat a memóriában, hogy maximalizálja a sebességet és a kapacitást
  • beépített adatmotorral rendelkezik, amely automatikusan “megtanulja” az adatforrásokat és mintákat, elemzi a valószínű egyezéseket több adatkészlet között, kiemeli a megbékélési kivételeket / eltéréseket, és bemutatja a cselekvőképes “tennivalók” listákat az adatproblémák megoldására
  • könnyen használható felülettel rendelkezik, amely segít az elemzőknek gyorsan felépíteni az adatkezelési szabályokat egy központi helyen, azzal a képességgel, hogy automatizált jóváhagyási folyamatokat hajtson végre
  • minden tevékenységet auditálható formátumban rögzít

három Esettanulmányok a gépi tanulásról nagyszabású egyeztetési projektekben

1. eset: díjak, árazás és tranzakciós adatok több mint 200 pénzügyi tanácsadótól egy amerikai székhelyű Vagyonkezelő céghez

a gépi tanulási képességekkel rendelkező egyeztetési platformot egy nagy amerikai székhelyű Vagyonkezelő cégnél hajtották végre. A rendszer bevezetése előtt a műveleti csapatnak naponta több száz adatforrást kellett manuálisan egyeztetnie Excel-ből, PDF-ből, e-mailekből és 220+ Weboldalból, amelyeket a cég pénzügyi tanácsadói nyújtottak be. A folyamatból hiányzott az ellenőrzés, az automatizálás és a felügyeleti felülvizsgálat/jóváhagyás.

az új rendszer megvalósítása során az adatforrásokra kellett irányítani, majd lehetővé tenni a gépi tanulási és egyeztetési motor számára az adatok memóriában történő feldolgozását. Valószínűség – alapú algoritmusokat alkalmaztak, és potenciális eltéréseket / kivételeket generáltak egy jelentésben. A műveleti csapat ezután feldolgozta ezeket, és gyorsan ki tudta dolgozni az újrafelhasználható illesztési szabályokat és jóváhagyásokat / vezérlőket egy központi helyen. Miután a szabályokat felépítették, a rendszer automatikusan ellenőrizhette az adatminőséget a megadott tűréshatárokon belül, kivételjelentéseket generálhat, és kiadhat egy fájlt, amelyet a cég számviteli rendszere bevesz. Ez kiküszöbölte a működési kockázatot az adatok kézi vágásából és beillesztéséből, a felügyeleti felülvizsgálatból és az automatikus integrálásból a számviteli rendszerbe. Évente több millió dolláros hatékonyságnövekedést értek el.

2. eset: Broker-kereskedő egyeztetése több cserék több belső rendszerek ETD

egy nagy bróker-kereskedő globális műveletek kereskedik ETD szerte 80 + különböző cserék. Több belső rendszert használnak az értékpapírok, a kereskedelem, az ár, a pozíció és az ügyféladatok rögzítésére és feldolgozására. A magas komplexitási szint és teljesítménykövetelmények, valamint a megbékélés és a normalizált ellenőrzési keret hiánya miatt a cég egyre inkább képtelen volt új piacokra terjeszkedni. A cég becslése szerint több mint 200 embernapot vett igénybe egy új csere fedélzetén.

a cég olyan egyeztetési rendszert vezetett be, amely gépi tanulással és memórián belüli illesztési képességekkel rendelkezik. A rendszer több mint 80 csere adatait vette fel, és normalizálta / összehangolta a különböző belső rendszerekkel a rögzített adatstruktúrájukkal. A tanulási motor képes volt gyorsan feldolgozni több millió történelmi tranzakciót, kivételeket és eltéréseket megjeleníteni, és megfelelő szabályokat javasolni. A cég képes volt a fedélzeten 2 cserék naponta, helyett 2 havonta.

3. példa: Új üzleti hitelportfólió megszerzése egy másik hitelezőtől

egy regionális bank több ezer üzleti hitelből álló portfóliót szerzett egy versenytárstól. Az onboarding folyamat ezen hitelek lenne szükség ügyfél Onboarding, KYC / AML, Treasury, Limits, technológia, projekt menedzsment, követelések, az értékesítési bank hitel műveletek csapat, és potenciálisan a hitelfelvevők pénzügyi csapatok.

az adatokat az értékesítési bankban különböző rendszerekben és formátumokban tárolták, és különböző ügyfél-és hitelnyilvántartásokhoz kötötték. A hiteladatok beépítése az adatok elemzését, a bank belső LMS-jével való egyeztetést, az eltérések és hiányosságok azonosítását, az egyeztetési szabályok létrehozását, valamint a belső ügyfélnyilvántartásokhoz való illesztést igényelte. Ezt a hitelek kezelése előtt kellett megtenni, a P&L-ben és a kockázati számításokban szerepeltetni és számlázni. A bank belső csapata becslése szerint a hitelportfólió beillesztése 5-6 hónapot igényel a meglévő rendszereikkel, elemzéssel minden hitel szükséges.

a bank úgy döntött, hogy felhőalapú egyeztetési rendszert vezet be gépi tanulási képességekkel. A hitelportfóliót, valamint a kapcsolódó ügyfél-és fizetési nyilvántartásokat betöltötték a rendszerbe, és összevetették a bank belső LMS-és számviteli nyilvántartásaival. A rendszer az adatok körülbelül 65% – át 1 napon belül belső rekordokhoz tudta illeszteni, a fennmaradó adatokat pedig egy központi irányítópulton mutatta be felbontás céljából. A teljes portfóliót 2 hét alatt felvették, beleértve az új illesztési szabályokat és nyilvántartásokat, ellenőrzéseket és importálást a cég LMS-jébe.

dióhéjban

amint ezek a példák mutatják, az alapvető gépi tanulási képességek kihasználhatók, hogy gyorsan megfeleljenek az üzleti és szabályozási követelményeknek, ha a hagyományos strukturált adatok megközelítése nem sikerül. A pénzügyi szolgáltatások változásának sebességével annak vizsgálata, hogy a gépi tanulás hogyan használható az adatok egyeztetésére a cégében, jelentős előnyökkel járhat.

Vélemény, hozzászólás?

Az e-mail-címet nem tesszük közzé.