金融サービスにおけるデータ調整の課題を解決するための機械学習の活用

金融サービスでの勝利は、データの正規化と調整のスピードと正確さについてますますです。 銀行、資産管理者、カストディアン、ブローカーディーラー、ポートフォリオマネージャー、市場ユーティリティなど すべて基本的にデータ駆動型です。 何千人もの従業員が、ビジネスのあらゆる部分で毎日大量のデータをオンボードし、照合し、計算し、報告します。

データを集約、分析、報告できるように調整することは、金融サービスにおける終わりのない活動です。 この調整作業の多くは、従来のETLツールを使用してデータチームによって行われますが、スプレッドシートや手動プロセスは横行しています。 非効率性とコストは、特に新しいデータソースに搭乗するときにたくさんあります。

データ調整の非効率性は、基本的な機械学習が解決できる”低吊り果実”のタイプです。 主要なデータ調整ポイントで機械学習を採用することで、時間、運用コスト、規制上の罰則の回避という点で価値の倍数を解き放つことができます。

データ調整の非効率性は、ビジネスのどの部分でも発生する可能性があります。:

  • 新しいデータソースは、内部または外部のレコード(得意先、セキュリティマスタ、ポジション、LEIなど)と一致する必要があります。)
  • 複数のデータソース/タイプを比較または集計しています(市場リスク、信用リスク、RWA、流動性ストレステスト、エクスポージャー制限、BCBS239など)。)
  • 内部データは、外部のレコードデータベース(取引リポジトリ、規制当局データベース、サードパーティの信用報告書、AML/KYC/CFTなど)と一致する必要があります。)
  • 手動制御および承認プロセスが存在します(顧客のオンボーディング、トランザクション制御、ローン制御、買掛金勘定など)。)
  • システムまたはデータ移行プロジェクトがあります(複数のシステムを一つに集約したり、新しいシステムをオンボーディングしたり、新しいローンポートフォリオや顧客アカウントを取得したりするなど)。
  • 規制報告が義務付けられています(Dodd-Frank、MiFiD II/MiFiR、OFAC、GDPRなど。
  • 監査証跡の作成および分析内部監査、規制監査、CAT613、OATS、IFRS9、SMR、SOXなど。)
  • 複数の1対1リコンシレーションは、マルチパートリコンシレーションに集約されています(担保ネット、銀行持株会社の報告など)。)
  • 市場要件は急速に進化している(複数の取引所、市場構造、クラウドコンピューティング、TARGET2決済、ユーティリティなど。)

“New Normal”-従来のETLと固定データ構造が失敗する理由

複雑なデータを迅速に処理、調整、集計することに依存する広範囲にわたる新しいビジネスと規制要件は、金融 残念なことに、従来の固定データモデル/ETLアプローチは、これらの複雑な新しい要件にはあまり適応しません。

従来のモデルでは、ビジネスアナリストとETL/データスペシャリストは、技術的要件を作成し、新しいデータソースをオンボードし、データを分析し、下流の固定デー これは非常に複雑で、かなりの時間がかかり、多くの場合、プロジェクトの範囲をビジネスの複数の部分に拡大する必要があります。

これらの制限は、ビジネスに四つの影響を引き起こす可能性があります:

  1. 新しいデータソースの取り込みに対する厳格な制約は、ミッションクリティカルな目標(M&A、規制/コンプライアンス)
  2. を達成するために速度が必要な場合、重大な遅延を引き起こす可能性があります。 BAUレベルのワークロードとデータ量から、短期間で大規模な新しいプロジェクトを処理するためにジャンプすると、データチームとテクノロジーチームが混乱に陥る可能性があります。
  3. 過去は未来を定義しています:古い要件を満たすように設計されたシステムは、新しいデータをどのように取り込むことができ、下流のデータで何をす
  4. 新しいデータ型とソースは、プロセスの再設計、トレーニング、雇用を大幅に必要とする可能性があります。 これは、ビジネスや規制当局によって定義された”ハードストップ”の日付を過ぎてプロジェクトの時間枠をプッシュすることができます。

さらに二つの(非常に否定的な)ものも発生する可能性があります:

  • 新しいビジネスや規制プロジェクトは、スケジュールに遅れて、利用可能な予算を超える可能性があります。
  • ビジネスユーザーは、データチームの関与を避け、データをオンボードして調整するための独自のスプレッドシートベースのプロセスを開発します。 これにより、高いコスト、低い透明性/監査可能性、および高いエラー率が発生します。

機械学習が効率を高め、データ調整コストを削減する方法

基本的な機械学習を実装して、オンボーディングと新しいデータソースの調整のスピードとコス

構造化データ/ETLアプローチの主な問題は、新しいデータを取得してマッチングする速度が遅いことです。 最大の”バックのための強打”は、初期のデータオンボーディング段階で遅い人間ベースのプロセスを取り出し、分析し、新しいデータを処理する方法を自分自身

この目的のための理想的なシステム:

  • ほとんど/すべてのデータソースに接続します(新しいソースと一致する既存のソースに加えて、既存の構造化データソースとETLレイヤー)
  • 幅広い形式(csv、XML、feed、SQL、NoSQLなど)のデータ)
  • データをメモリ内で処理して速度と容量を最大化
  • データソースとパターンを自動的に”学習”し、複数のデータセット間で一致する可能性があるかどうかを分析し、調整の例外/不一致を強調表示し、データ問題を解決するための実用的な”実行可能な”リストを提示する
  • アナリストが迅速にデータ制御ルールを中央の場所に構築するのに役立つ使いやすいインターフェイスを備えています。6060>
  • すべてのアクティビティを監査可能な形式で記録します

three 大規模な調整プロジェクトにおける機械学習のケーススタディ

ケース#1:200人以上のファイナンシャル-アドバイザーから米国のウェルス-マネジメント会社への手数料、価格、取引データ

米国の大手ウェルス-マネジメント会社に機械学習機能を備えた調整プラットフォームが実装されました。 システムを実装する前に、運用チームは、Excel、PDF、電子メール、および会社の財務顧問から提出された220以上のwebサイトから、毎日何百ものデータソースを手動で調整しなければなりませんでした。 このプロセスには、制御、自動化、監督のレビュー/承認が欠けていました。

新しいシステムを実装するには、データソースを指し、機械学習と調整エンジンがメモリ内のデータを処理できるようにする必要がありました。 確率ベースのアルゴリズムが適用され、潜在的な不一致/例外がレポートに生成されました。 その後、運用チームはこれらを処理し、中央の場所で再利用可能な一致ルールと承認/コントロールを迅速に開発することができました。 ルールが構築されると、システムは指定された許容範囲内でデータ品質を自動的にチェックし、例外レポートを生成し、会社の会計システムによって取り込ま これにより、手動でデータを切断して貼り付けることからオペレーショナルリスクが排除され、監督レビューが実施され、会計システムと自動的に統合され 年間数百万ドルの効率向上が達成されました。

ケース#2: ブローカー-ディーラー ETDsの複数の取引所の複数の内部システムへの調整

グローバルオペレーションを持つ大規模なブローカー-ディーラーは、80以上の異なる取引所にわたってEtdを取引します。 複数の内部システムは、有価証券、取引、価格、位置および顧客データを取得および処理するために使用されます。 複雑さのレベルと性能要件が高く、和解と正規化された制御フレームワークの欠如と相まって、同社はますます新しい市場に拡大することができませんでした。 同社は、新しい取引所に乗り込むのに200人の日を要したと推定した。

同社は、機械学習とメモリ内マッチング機能を備えた調整システムを実装しました。 システムは80以上の交換からデータを取り込み、固定されたデータ構造を持つさまざまな内部システムと正規化/調整しました。 学習エンジンは、何百万もの履歴トランザクションを迅速に処理し、例外と不一致を表示し、一致ルールを提案することができました。 同社は月に2回ではなく、日に2回の交換をオンボードすることができました。

例3: 別の貸し手からの新規ビジネスローンポートフォリオの取得

地方銀行は、競合他社から数千のビジネスローンのポートフォリオを取得しました。 これらの融資のオンボーディングプロセスには、クライアントのオンボーディング、KYC/AML、財務、制限、技術、プロジェクト管理、売掛金、販売銀行のローン運用チーム、およ

データは、異なるシステムと形式で販売銀行に保管され、異なる顧客と信用記録に結びついていました。 ローンデータの初期登録には、データの分析、銀行の内部LMSとの照合、不一致とギャップの特定、調整ルールの作成、および内部顧客レコードとの照合が必要でした。 これは、融資を管理し、P&Lおよびリスク計算に含め、請求する前に行わなければならなかった。 銀行の内部チームは、ローンポートフォリオをオンボーディングするには、既存のシステムで5-6ヶ月を必要とし、すべてのローンを分析する必要があ

銀行は、機械学習機能を備えたクラウドベースの調整システムを実装することを選択しました。 ローンポートフォリオと関連する顧客および支払レコードがシステムにロードされ、銀行の内部LMSおよび会計レコードと照合されました。 このシステムは、データの約65%を1日以内に内部レコードに一致させることができ、残りのデータを中央のダッシュボードに提示して解決しました。 新しいマッチングルールやレコード、コントロール、会社のLMSへのインポートを含む、ポートフォリオ全体が2週間でオンボードされました。

一言で言えば

これらの例が示すように、基本的な機械学習機能を活用して、従来の構造化データアプローチが失敗するビジネス要件や規制要件を迅速に満 金融サービスの変化のスピードに伴い、企業内のデータ調整に機械学習をどのように使用できるかを調査することは、大きな利益をもたらす可能性があ

コメントを残す

メールアドレスが公開されることはありません。