utilizarea învățării automate pentru a rezolva provocările de reconciliere a datelor în serviciile financiare

câștigarea în serviciile financiare se referă din ce în ce mai mult la viteza și acuratețea normalizării și reconcilierii datelor. Bănci, Administratori de active, custozi, brokeri-dealeri, manageri de portofoliu, utilități de piață etc. sunt toate fundamental bazate pe date. Mii de angajați la bord, meci, calcula și să raporteze cantități masive de date în fiecare zi în fiecare parte a afacerii.

reconcilierea datelor astfel încât să poată fi agregate, analizate și raportate este o activitate fără sfârșit în domeniul serviciilor financiare. O mare parte din această lucrare de reconciliere este realizată de echipe de date cu instrumente tradiționale ETL, dar foile de calcul și procesele manuale sunt rampante. Ineficiențele și costurile abundă, în special atunci când sunt îmbarcate noi surse de date.

ineficiențe reconciliere a datelor sunt exact tipul de „fructe agățat scăzut” de învățare mașină de bază poate rezolva. Multiplii de valoare în ceea ce privește timpul, costul de operare și evitarea sancțiunilor de reglementare pot fi deblocați prin utilizarea învățării automate la punctele cheie de reconciliere a datelor.

ineficiențele de reconciliere a datelor pot apărea în orice parte a afacerii în care:

  • noile surse de date trebuie să fie corelate cu înregistrări interne sau externe (client, master de securitate, poziție, LEI etc.)
  • sunt comparate sau agregate mai multe surse / tipuri de date (risc de piață, risc de credit, RWA, testarea la stres a lichidității, limite de expunere, BCBS 239 etc.)
  • datele interne trebuie să corespundă unei baze de date externe de înregistrare (registru central de tranzacții, bază de date de reglementare, rapoarte de credit 3rd party, AML / KYC / CFT etc.)
  • există controale manuale și procese de aprobare (integrarea clienților, controlul tranzacțiilor, controlul împrumuturilor, conturi de plătit etc.)
  • există un sistem sau un proiect de migrare a datelor (agregarea mai multor sisteme într-unul singur, integrarea unui nou sistem, achiziționarea unui nou portofoliu de credite sau conturi de clienți etc.)
  • raportarea de reglementare este mandatată (Dodd-Frank, MiFID II / MiFiR, OFAC, GDPR etc.)
  • traseele de Audit sunt produse și analizate (audituri interne, audituri de reglementare, CAT 613, OATS, IFRS 9, SMR, SOX etc.)
  • reconcilierile multiple de la 1 la 1 sunt agregate în reconcilieri în mai multe părți (compensarea garanțiilor, raportarea holdingului bancar etc.)
  • cerințele pieței au evoluat rapid (schimburi multiple, structura pieței, cloud computing, așezări TARGET2, utilități etc.)

„noua normalitate” — de CE ETL-ul tradițional și structurile de date fixe eșuează

noile cerințe de afaceri și de reglementare de anvergură care depind de gestionarea rapidă, reconcilierea și agregarea datelor complexe au devenit” noua normalitate ” în serviciile financiare. Din păcate, abordările tradiționale ale modelului de date fixe / ETL se adaptează slab la aceste noi cerințe complexe.

conform modelului tradițional, analiștii de afaceri și specialiștii ETL / data trebuie să creeze cerințe tehnice, să integreze noi surse de date, să analizeze datele și să aplice procese ETL care se potrivesc cu un model de date fix în aval. Acest lucru este extrem de complex, necesită timp semnificativ și necesită adesea extinderea domeniului de aplicare al proiectului la mai multe părți ale afacerii.

aceste limitări pot provoca patru efecte asupra afacerii:

  1. constrângerile riguroase privind ingerarea de noi surse de date pot provoca întârzieri critice atunci când viteza este necesară pentru a îndeplini un obiectiv critic al Misiunii (M&A, reglementare / conformitate)
  2. nu se scalează bine. Saltul de la sarcini de lucru la nivel de BAU și volume de date pentru a gestiona proiecte noi mari pe termene scurte poate arunca echipele de date și tehnologie în haos.
  3. trecutul definește viitorul: sistemele concepute pentru a îndeplini cerințele vechi pot limita substanțial modul în care pot fi ingerate date noi și ce se poate face cu datele din aval.
  4. noile tipuri de date și surse pot necesita re-inginerie, instruire și angajare semnificative. Acest lucru poate împinge intervalele de timp ale proiectului dincolo de datele „hard stop” definite de afaceri sau de autoritățile de reglementare.

pot apărea și alte două lucruri (foarte negative) :

  • noile proiecte de afaceri sau de reglementare pot rămâne în urmă și pot depăși bugetele disponibile.
  • utilizatorii de afaceri evită implicarea echipei de date și își dezvoltă propriile procese bazate pe foi de calcul pentru a integra și reconcilia datele. Acest lucru determină costuri ridicate, transparență / auditabilitate scăzută și rate ridicate de eroare.

modul în care învățarea automată poate crește eficiența și Reduce costurile de reconciliere a datelor

învățarea automată de bază poate fi implementată pentru a ajuta la rezolvarea problemelor de viteză și Costuri ale îmbarcării și reconcilierii noilor surse de date.

principala problemă cu abordările structurate de date / ETL este viteza lentă de preluare a datelor noi și de potrivire. Cel mai mare „bang pentru dolar” poate fi realizat prin eliminarea proceselor lente bazate pe om în etapa inițială de îmbarcare a datelor și înlocuirea lor cu o mașină care analizează și învață cum să gestioneze noile date.

sistemul ideal pentru acest scop:

  • se conectează la majoritatea / toate sursele de date (noua sursă, precum și sursele existente pentru a se potrivi, Plus sursele de date structurate existente și stratul ETL)
  • ingerează date într-o gamă largă de formate (csv, XML, feed, SQL, NoSQL etc.)
  • procesează datele din memorie pentru a maximiza viteza și capacitatea
  • are un motor de date încorporat care „învață” automat sursele și modelele de date, îl analizează pentru potriviri probabile în mai multe seturi de date, evidențiază excepțiile / nepotrivirile de reconciliere și prezintă liste de acțiuni „de făcut” pentru a rezolva problemele de date
  • are o interfață ușor de utilizat, care îi ajută pe analiști să construiască rapid reguli de control al datelor într-o locație centrală, cu capacitatea de a implementa procese automate de aprobare
  • înregistrează toate activitățile într-un format auditabil

trei Studii de caz de învățare automată în proiecte de reconciliere la scară largă

cazul #1: Taxe, prețuri și date despre tranzacții de la peste 200 de consilieri financiari către o firmă de gestionare a averii din SUA

o platformă de reconciliere cu capacități de învățare automată a fost implementată la o firmă majoră de gestionare a averii din SUA. Înainte de implementarea sistemului, echipa de operațiuni a trebuit să reconcilieze manual sute de surse de date zilnic din Excel, PDF, e-mailuri și peste 220 de site-uri web transmise de consilierii financiari ai firmei. Procesul nu avea control, automatizare și supraveghere/aprobare.

implementarea noului sistem a implicat indicarea acestuia către sursele de date, permițând apoi motorului de învățare automată și reconciliere să proceseze datele în memorie. Au fost aplicați algoritmi bazați pe probabilitate și potențiale neconcordanțe / excepții generate într-un raport. Echipa de operațiuni le-a procesat apoi și a reușit să dezvolte rapid reguli de potrivire reutilizabile și aprobări / controale într-o locație centrală. Odată ce Regulile au fost construite, sistemul ar putea verifica automat calitatea datelor în limitele toleranțelor specificate, să genereze rapoarte de excepție și să emită un fișier care să fie ingerat de sistemul contabil al firmei. Acest lucru a eliminat riscul operațional din tăierea și lipirea manuală a datelor, a implementat revizuirea supravegherii și a integrat-o automat în sistemul contabil. S-au obținut câștiguri de eficiență de câteva milioane de dolari pe an.

Cazul # 2: Reconcilierea Broker-dealer a mai multor schimburi cu mai multe sisteme interne pentru ETD-uri

un broker-dealer mare cu operațiuni globale tranzacționează ETD-uri în peste 80 de schimburi diferite. Mai multe sisteme interne sunt utilizate pentru a capta și prelucra valorile mobiliare, comerțul, prețul, poziția și datele clienților. Datorită nivelului ridicat de complexitate și cerințelor de performanță, combinate cu lipsa reconcilierii și a cadrului de control normalizat, firma a fost din ce în ce mai incapabilă să se extindă pe noi piețe. Firma a estimat că a fost nevoie de peste 200 de zile de om la bordul unui nou schimb.

firma a implementat un sistem de reconciliere cu capacități de învățare automată și potrivire în memorie. Sistemul a ingerat date din peste 80 de schimburi și le-a normalizat / reconciliat cu diferitele sisteme interne cu structurile lor de date fixe. Motorul de învățare a fost capabil să proceseze rapid milioane de tranzacții istorice, să afișeze excepții și neconcordanțe și să sugereze reguli de potrivire. Firma a reușit să realizeze schimburi 2 pe zi, mai degrabă decât 2 pe lună.

exemplu # 3: Achiziționarea unui nou portofoliu de credite de afaceri de la un alt creditor

o bancă regională a achiziționat un portofoliu de câteva mii de împrumuturi de afaceri de la un concurent. Procesul de onboarding pentru aceste împrumuturi ar necesita Onboarding Client, KYC / AML, trezorerie, limite, tehnologie, management de proiect, conturi de primit, echipa de operațiuni de împrumut a băncii de vânzare și, eventual, echipele financiare ale debitorilor.

datele au fost găzduite la banca de vânzare în diferite sisteme și formate și au fost legate de diferite înregistrări ale clienților și ale creditelor. Integrarea datelor de împrumut necesare analizarea datelor, potrivirea cu LMS-ul intern al Băncii, identificarea nepotrivirilor și lacunelor, crearea regulilor de reconciliere și potrivirea acestora cu înregistrările interne ale clienților. Acest lucru trebuia făcut înainte ca împrumuturile să poată fi gestionate, incluse în p&l și calculele de risc și facturate. Echipa internă a băncii a estimat că integrarea portofoliului de credite ar necesita 5-6 luni cu sistemele existente, cu analiza fiecărui împrumut necesar.

banca a ales să implementeze un sistem de reconciliere bazat pe cloud cu capacități de învățare automată. Portofoliul de credite și înregistrările clienților și plăților asociate au fost încărcate în sistem și corelate cu LMS-ul intern și cu înregistrările contabile ale Băncii. Sistemul a reușit să potrivească aproximativ 65% din date cu înregistrările interne în decurs de 1 zi și a prezentat datele rămase într-un tablou de bord central pentru rezoluție. Întregul portofoliu a fost lansat în 2 săptămâni, inclusiv noi reguli și înregistrări de potrivire, controale și import în LMS-ul firmei.

pe scurt

după cum arată aceste exemple, capacitățile de bază de învățare automată pot fi valorificate pentru a îndeplini rapid cerințele de afaceri și de reglementare în cazul în care abordările tradiționale de date structurate eșuează. Cu viteza schimbării serviciilor financiare, investigarea modului în care învățarea automată poate fi utilizată pentru reconcilierea datelor în firma dvs. ar putea duce la beneficii semnificative.

Lasă un răspuns

Adresa ta de email nu va fi publicată.