Improve financial services operations and performance

Steigerung der Rentabilität im Finanzdienstleistungssektor durch datengesteuerte betriebliche Effizienz

Finanzdienstleister müssen über effiziente interne Abläufe verfügen, um wettbewerbsfähig zu bleiben und ihre Rentabilität zu steigern, insbesondere da Fintech- und Technologieunternehmen weiter in die Finanzdienstleistungsbranche vordringen. Theoretisch gibt es zwei Möglichkeiten, die Rentabilität zu verbessern: Umsatzsteigerung und Kostensenkung. Beide sind unerlässlich. Um die Herausforderung einer wachsenden Rentabilität in einem sich immer schneller entwickelnden Sektor anzugehen und ihre betriebliche Effizienz und Leistung zu verbessern, setzen Finanzdienstleister ihren Fokus auf die Nutzung der enormen Daten- und Informationsmengen, die ihnen zur Verfügung stehen. Durch einen datengesteuerten Ansatz zur Rationalisierung von Prozessen, zur Beseitigung von Redundanzen und zur Optimierung der Ressourcenzuweisung können Finanzdienstleister sowohl Kosten senken als auch ihre Serviceleistungen verbessern.

Dieser letzte Faktor ist in einer so wettbewerbsintensiven, sich schnell weiterentwickelnden und ständig erschütterten Branche besonders wichtig. Unternehmen, die effizient arbeiten, können wettbewerbsfähigere Preise, schnelleren und besseren Service, mehr Präzision und ein besseres Kundenerlebnis als ihre Konkurrenten anbieten. Kunden schätzen schnelle und problemlose Erfahrungen, und positive Kundenerlebnisse tragen zu Kundentreue, Kundenbindung und positiver Mundpropaganda bei, was wiederum zu Wachstum und Umsatzsteigerung führen kann.

Die betriebliche Effizienz bildet außerdem die Grundlage für die Agilität und Anpassungsfähigkeit, die es Finanzdienstleistern ermöglichen, immer einen Schritt voraus zu sein und schnell auf Marktveränderungen, gesetzliche Anforderungen und Kundenwünsche zu reagieren. Agile Unternehmen können neue Produkte schneller auf den Markt bringen, sich an technologische Fortschritte anpassen, neue Chancen nutzen und in einem dynamischen Umfeld erfolgreich sein.

Darüber hinaus spielt die betriebliche Effizienz eine wichtige Rolle für ein wirksames Risikomanagement, das für die Aufrechterhaltung des Vertrauens von Kunden, Aufsichtsbehörden und allen anderen Beteiligten von entscheidender Bedeutung ist. Ineffiziente Betriebsabläufe, einschließlich manueller Fehler, Prozessengpässe und unzureichender Kontrollen, können Risiken mit sich bringen und zu Verstößen gegen die Vorschriften, Sicherheitsverletzungen und Betriebsunterbrechungen führen. Durch die Verbesserung der betrieblichen Effizienz können Finanzdienstleister dazu beitragen, diese Risiken zu mindern, die Einhaltung von Vorschriften zu gewährleisten und die Sicherheit von Kundendaten zu erhöhen.

Diese Vorteile sind für Wachstum unerlässlich. Im Rahmen der Expansion oder der Erschließung neuer Märkte müssen Finanzdienstleister sicherstellen, dass ihre Prozesse ein höheres Volumen bewältigen können, ohne dass die Qualität darunter leidet oder übermäßige Kosten anfallen. Effiziente Prozesse können leicht repliziert, automatisiert oder angepasst werden, um Wachstumsinitiativen zu unterstützen, sodass Unternehmen ihre Chancen nutzen und ihre Marktpräsenz ausbauen können.

Optimierung der betrieblichen Effizienz und Senkung der Kosten mit einer umfassenden Datenplattform

Durch die Erfassung, Aufbereitung und Analyse von Daten über betriebliche Prozesse und Leistungen können Finanzdienstleister Engpässe und Ineffizienzen erkennen und beseitigen, um jede interne und externe Interaktion zu optimieren und die Ergebnisse zu verbessern. Die hier vorgestellte Architektur demonstriert, wie wir empfohlene Oracle Komponenten kombinieren, um eine Analysearchitektur zu erstellen, die den gesamten Datenanalyselebenszyklus abdeckt. Sie soll Finanzdienstleistern dabei helfen, die oben beschriebenen Geschäftsvorteile zu erzielen.

Diese Abbildung zeigt, wie Oracle Data Platform für Finanzdienstleistungen zur Unterstützung und Verbesserung der betrieblichen Effizienz und Leistung eingesetzt werden kann. Die Plattform umfasst die folgenden fünf Pillar:

1. 1. Datenquellen, erkennen
2. 2. Aufnehmen, transformieren
3. 3. Ausharren, kuratieren, schaffen
4. 4. Analysieren, lernen, prognostizieren
5. 5. Messen, handeln

Der Pillar „Datenquellen, Entdeckung“ umfasst drei Datenkategorien.

1. 1. Die Daten der Oracle App umfassen Daten aus Fusion SaaS, Oracle E-Business Suite, CX
2. 2. Geschäftsdatensätze (First-Party-Daten) CRM, Transaktionen, Kontoinformationen, Umsatz und Gewinnspanne
3. 3. Third-Party-Daten umfassen Devisenkurse, Marktfeeds und Rohstoffpreise

Der Pillar „Aufnehmen, transformieren“ umfasst vier Funktionen.

1. 1. Die Batch-Ingestion verwendet OCI Data Integration, Oracle Data Integrator und DB-Tools.
2. 2. Die Massenübertragung verwendet OCI FastConnect, OCI Data Transfer, MFT und OCI CLI.
3. 3. Die Datenänderungserfassung verwendet OCI GoldenGate.
4. 4. Die Streaming-Ingestion verwendet OCI Streaming Kafka Connect.

Alle vier Funktionen verbinden sich unidirektional mit dem bereitstellenden Datenspeicher und dem Cloud-Speicher innerhalb des Pillars „Beibehalten, kurieren, erstellen“.

Darüber hinaus ist die Streaming-Aufnahme mit der Stream-Verarbeitung innerhalb des Pillars „Analysieren, lernen, prognostizieren“ verbunden.

Der Pillar „Beibehalten, kurieren, erstellen“ umfasst fünf Funktionen.

1. 1. Der zugrunde liegende Datenspeicher verwendet Oracle Autonomous Data Warehouse und Exadata Cloud Service.
2. 2. Der Cloud-Speicher verwendet OCI Object Storage.
3. 3. Managed Hadoop verwendet Oracle Big Data Service.
4. 4. Die Batchverarbeitung verwendet OCI Data Flow.
5. 5. Governance verwendet OCI Data Catalog.

Diese Funktionen sind innerhalb des Pillars miteinander verbunden. Der Cloud-Speicher ist unidirektional mit dem Serving Data Store und außerdem bidirektional mit der Batchverarbeitung verbunden.

Zwei Funktionen sind mit dem Pillar „Analysieren, lernen, prognostizieren“ verbunden. Der bereitstellende Datenspeicher ist sowohl mit der Analyse- und Visualisierungsfunktion als auch mit den Datenprodukten und API-Funktionen verbunden. Der Cloud-Speicher ist mit der ML-Funktion verbunden.

Der Pillar „Analysieren, lernen, prognostizieren“ umfasst zwei Funktionen.

1. 1. Analysen und Visualisierungen verwenden Oracle Analytics Cloud, GraphStudio und ISVs.
2. 2. Maschinelles Lernen nutzt Oracle Machine Learning.

Der Pillar „Messen, handeln“ erfasst, wie die Datenanalyse verwendet werden kann: von Mitarbeitern und Partnern.

Mitarbieter und Partner umfassen betriebliche Effizienz (Verarbeitungszeiten, Fehlerquoten, Ressourcenauslastung), Identifizierung von Prozessengpässen, Customer Lifetime Value, Markt- und Wettbewerbsanalyse, Performance-Attribution.

Die drei zentralen Pillar – Aufnehmen, transformieren; Ausharren, kuratieren, schaffen; und Analysieren, lernen, prognostizieren – werden durch Infrastruktur, Netzwerk, Sicherheit und IAM unterstützt.

Daten verbinden, aufnehmen und transformieren

Unsere Lösung besteht aus drei Pillar, die jeweils spezifische Datenplattformfunktionen unterstützen. Der erste Pillar bietet die Möglichkeit, Daten zu verbinden, aufzunehmen und zu transformieren.

Es gibt vier Möglichkeiten, Daten in eine Architektur einzuspeisen, um die betriebliche Effizienz und Leistung von Finanzdienstleistern zu verbessern.

• Um unseren Prozess zu starten, aktivieren wir die Massenübertragung von operativen Transaktionsdaten. Bulk-Transfer-Services werden in Situationen verwendet, in denen große Datenmengen zum ersten Mal in die Oracle Cloud Infrastructure (OCI) verschoben werden müssen, z. B. Daten aus vorhandenen On-Premises-Analyse-Repositorys oder anderen Cloud-Quellen . Welcher Massenübertragungsdienst verwendet wird, hängt vom Speicherort der Daten und der Häufigkeit der Übertragung ab. Beispielsweise kann OCI Data Transfer Service oder OCI Data Transfer Appliance verwendet werden, um eine große Menge an On-Premises-Daten aus historischen Planungs- oder Data Warehouse-Repositorys zu laden. Wenn große Datenmengen kontinuierlich verschoben werden müssen, empfehlen wir die Verwendung von OCI FastConnect, das eine dedizierte private Netzwerkverbindung mit hoher Bandbreite zwischen dem Data Center eines Kunden und OCI bietet.
• Häufige Echtzeit- oder nahezu Echtzeit-Extracts sind oft erforderlich, und Daten werden regelmäßig von Transaktions- und Kundenmanagementsystemen über OCI GoldenGate eingespeist. OCI GoldenGate verwendet die Datenänderungserfassung, um Änderungsereignisse in der zugrunde liegenden Struktur der Systeme zu erkennen, die die zugrunde liegenden Betriebsprozesse liefern (z. B. die Einrichtung eines Kontos, ein Kundenproblem, Betrugsanzeigen usw.), und sendet die Daten in Echtzeit an eine Persistenzschicht und/oder die Streaming-Schicht.
• Die Möglichkeit, Daten aus verschiedenen Quellen in Echtzeit zu analysieren, kann Finanzdienstleistern wertvolle Einblicke in ihre betriebliche Effizienz und Gesamtleistung verschaffen, sodass sie die Effizienz ihrer Kernprozesse verstehen und messen können. In diesem Anwendungsfall verwenden wir die Streaming-Ingestion, um alle von Kunden oder internen Ereignissen eingelesenen Daten über mobile Interaktionen, IoT, Machine-to-Machine-Kommunikation und andere Mittel einzuspeisen. Die Streams können aus einer Vielzahl interner und externer Quellen stammen und Transaktionsdaten, Daten zur Kundeninteraktion, Marktdaten, Daten aus sozialen Medien sowie Daten aus Compliance- und Regulierungssystemen umfassen. Daten (Ereignisse) werden aufgenommen und es finden einige grundlegende Transformationen/Aggregationen statt, bevor sie im OCI Object Storage gespeichert werden. Mit zusätzlichen Streaminganalysen können korrelierende Ereignisse identifiziert werden, und alle identifizierten Muster können (manuell) zur Prüfung der Rohdaten anhand von OCI Data Science zurückgesendet werden.
• Auch wenn sich die Echtzeit-Anforderungen weiterentwickeln, ist der gängigste Extract aus Transaktions-, Warenwirtschafts-, Kunden-, Risiko- und Compliance-Management-Systemen eine Art Batch-Ingestion mithilfe eines ETL-Prozesses. Die Batch-Ingestion wird verwendet, um Daten aus Systemen zu importieren, die kein Daten-Streaming unterstützen (z. B. ältere Mainframe-Kernbankensysteme). Diese Extracts können häufig aufgenommen werden, so oft wie alle 10 oder 15 Minuten. Sie sind jedoch immer noch in Batch-Form, da Transaktionsgruppen extrahiert und verarbeitet werden und nicht einzelne Transaktionen. OCI bietet verschiedene Services für die Batch-Ingestion, wie z. B. den nativen OCI Data Integration-Service und Oracle Data Integrator, die auf einer OCI Compute-Instanz ausgeführt werden. Die Wahl des Services würde in erster Linie eher auf Kundenpräferenzen als auf technischen Anforderungen basieren.

Daten beibehalten, verarbeiten und kuratieren

Die Datenpersistenz und -verarbeitung basiert auf drei Komponenten. Einige Kunden werden alle verwenden, und andere wiederum nur einen Teil. Je nach Volumes und Datentypen können Daten in den Objektspeicher oder direkt in eine strukturierte relationale Datenbank zur dauerhaften Speicherung geladen werden. Wenn wir die Anwendung von Data Science-Funktionen erwarten, werden Daten, die aus Datenquellen in ihrer Rohform (als unverarbeitete native Datei oder Extrakt) abgerufen werden, in der Regel erfasst und von Transaktionssystemen in den Cloud-Speicher geladen.

• Der Cloud-Speicher ist die häufigste Datenpersistenzschicht für unsere Datenplattform. Er kann sowohl für strukturierte als auch für unstrukturierte Daten verwendet werden. OCI Object Storage, OCI Data Flow und Oracle Autonomous Data Warehouse sind die grundlegenden Bausteine. Aus Datenquellen im Rohformat abgerufene Daten werden erfasst und in den OCI Object Storage geladen. OCI Object Storage ist die primäre Datenpersistenzschicht, und Spark in OCI Data Flow ist die primäre Batchverarbeitungs-Engine. Die Batchverarbeitung umfasst mehrere Aktivitäten, einschließlich der grundlegenden Behandlung hinsichtlich der Qualität, der Verwaltung fehlender Daten und der Filterung basierend auf definierten ausgehenden Datasets. Die Ergebnisse werden basierend auf der erforderlichen Verarbeitung und den verwendeten Datentypen in verschiedene Ebenen des Objektspeichers oder in ein persistentes relationales Repository zurückgeschrieben.
• Wir verwenden nun einen zugrunde liegenden Datenspeicher, um unsere kuratierten Daten in einer für die Abfrageleistung optimierten Form zu speichern und einen 360-Grad-Blick auf die Abläufe des Unternehmens zu erhalten. Der bereitstellende Datenspeicher bietet eine persistente relationale Ebene, über die qualitativ hochwertige kuratierte Daten über SQL-basierte Tools direkt an Endbenutzer bereitgestellt werden. In dieser Lösung wird Oracle Autonomous Data Warehouse als bereitstellender Datenspeicher für das Data Warehouse des Unternehmens und, falls erforderlich, spezialisiertere Data Marts auf Domainebene instanziiert. Außerdem kann es die Datenquelle für Data Science-Projekte oder das für Oracle Machine Learning erforderliche Repository sein. Der bereitstellende Datenspeicher kann eine von mehreren Formen annehmen, einschließlich Oracle MySQL HeatWave, Oracle Database Exadata Cloud Service oder Oracle Exadata Cloud@Customer.

Daten analysieren; lernen und vorhersagen

Die Fähigkeit, zu analysieren, zu lernen und vorherzusagen, wird durch zwei Technologieansätze erleichtert.

• Erweiterte Analysefunktionen sind für die Optimierung der betrieblichen Effizienz und Leistung von entscheidender Bedeutung. In diesem Anwendungsfall verlassen wir uns für die Bereitstellung von Analysen und Visualisierungen auf Oracle Analytics Cloud. Dadurch kann das Unternehmen deskriptive Analysen (beschreiben aktuelle Trends mit Histogrammen und Diagrammen), Vorhersageanalysen (sagen zukünftige Ereignisse voraus, identifiziert Trends und bestimmen die Wahrscheinlichkeit ungewisser Ergebnisse) und präskriptive Analysen (schlagen geeignete Maßnahmen vor, um eine optimale Entscheidungsfindung zu fördern) verwenden.

  Durch die Anwendung von Prognosemodellen auf historische Daten können Finanzdienstleister zukünftige Ergebnisse vorhersagen und proaktive Entscheidungen treffen. Mithilfe von Vorhersageanalysen sind Banken beispielsweise in der Lage, die Abwanderung von Kunden vorherzusehen, potenzielle Betrugsfälle zu erkennen, Kreditausfälle vorherzusagen und die Cashflow-Prognose zu optimieren. So können sie Präventivmaßnahmen ergreifen und ihre operativen Ressourcen effektiv verteilen.

  Präskriptive Analysen gehen über die Vorhersage von Ergebnissen hinaus und geben Empfehlungen für die beste Vorgehensweise. Finanzdienstleister können präskriptive Analysen nutzen, um die Entscheidungsfindung in Bereichen wie Kreditgenehmigung, Anlagestrategien, Preismodelle und Risikomanagement zu optimieren. Durch die Berücksichtigung verschiedener Einschränkungen und Ziele helfen präskriptive Analysen Unternehmen, datengestützte Entscheidungen zu treffen, die die Effizienz und Rentabilität maximieren. (Die allgemeine Datenkultur in einem Unternehmen spielt letztlich eine wichtige Rolle für den Erfolg eines Vorhersageanalyse-Ansatzes).

• Zusätzlich zu erweiterten Analysen werden zunehmend Data Science, maschinelles Lernen und künstliche Intelligenz eingesetzt, um nach Anomalien zu suchen, vorauszusagen, wo Prozessverzögerungen auftreten könnten, und die Customer Journey zu optimieren. Modelle für maschinelles Lernen können zum Beispiel für Kreditwürdigkeitsprüfungen, Betrugserkennung, Kundensegmentierung und personalisiertes Marketing eingesetzt werden. Da diese Modelle kontinuierlich aus neuen Daten lernen, können sie sich anpassen und ihre Leistung im Laufe der Zeit verbessern, was zu einer höheren betrieblichen Effizienz und einer besseren Entscheidungsfindung führt. OCI Data Science, OCI AI Services und Oracle Machine Learning können in den Datenbanken verwendet werden.

  Wir nutzen maschinelles Lernen und Data Science, um unsere vorausschauenden Modelle zu entwickeln und zu trainieren. Diese ML-Modelle können dann für die Bewertung über APIs bereitgestellt oder als Teil der OCI GoldenGate-Streamanalyse-Pipeline eingebettet werden. In einigen Fällen können diese Modelle sogar mithilfe der REST-API von Oracle Machine Learning Services in der Datenbank bereitgestellt werden (dazu muss das Modell im Open Neural Network Exchange-Format vorliegen). Darüber hinaus können OCI Data Science für Jupyter/Python-zentrierte Notebooks oder Oracle Machine Learning für das Zeppelin-Notebook und Algorithmen für maschinelles Lernen innerhalb des bereitstellenden oder Transaktionsdatenspeichers bereitgestellt werden. In ähnlicher Weise können Oracle Machine Learning und OCI Data Science (entweder allein oder in Kombination) Empfehlungs-/Entscheidungsmodelle entwickeln. Diese Modelle können als Service eingesetzt werden, und wir können sie hinter OCI API Gateway implementieren, um sie als „Datenprodukte“ und Services bereitzustellen. Schließlich können die einmal erstellten ML-Modelle in Anwendungen eingesetzt werden, die Teil eines operativen Entscheidungssystems sind (falls zulässig).

• Die letzte, aber entscheidende Komponente ist die Data Governance. Dies wird von OCI Data Catalog ausgeführt, einem kostenlosen Service, der Data Governance und Metadatenverwaltung (sowohl für technische als auch geschäftliche Metadaten) für alle Datenquellen im Datenplattform-Ökosystem bereitstellt. OCI Data Catalog ist ebenso eine wichtige Komponente für Abfragen von Oracle Autonomous Data Warehouse an OCI Object Storage, da damit Daten unabhängig von der Speichermethode schnell lokalisiert werden können. Dadurch können Endbenutzer, Entwickler und Data Scientists eine gemeinsame Zugriffssprache (SQL) für alle persistenten Datenspeicher in der Architektur verwenden.

Die Vorteile der Datennutzung zur Verbesserung der betrieblichen Effizienz und Leistung

Mit der zunehmenden Geschwindigkeit der Geschäftsabläufe und des Wettbewerbs können die alten Systeme, die zur Bereitstellung wichtiger Betriebsdaten verwendet werden, nicht mehr mithalten. Diese Systeme erfordern viele manuelle Eingriffe, um fragmentierte und isolierte Daten zu sammeln, zu integrieren und Berichte zu erstellen, was bedeutet, dass die erforderlichen Informationen zu spät eintreffen, um dem Unternehmen den nötigen Vorteil zu verschaffen. Das Messen, Verstehen und Verbessern der betrieblichen Effizienz kann Finanzdienstleistern einen Wettbewerbsvorteil sowie zahlreiche weitere Vorteile verschaffen, darunter die folgenden:

• Die verbesserte Fähigkeit, Kunden durch effiziente Serviceleistungen, wettbewerbsfähige Preise, ein hervorragendes Kundenerlebnis und innovative Angebote zu gewinnen und zu binden
• Bessere geschäftliche Entscheidungen durch eine einzige und einheitliche Ansicht genauer Daten, die zur richtigen Zeit verfügbar sind
• Höhere Agilität, die es Unternehmen ermöglicht, neue Produkte schneller auf den Markt zu bringen, sich an technologische Fortschritte anzupassen und neue Chancen zu nutzen
• Weniger Komplexität im gesamten Unternehmen
• Weniger Datenduplizierung und manuelle Fehler
• Geringeres Risiko durch verbessertes Risikomanagement und Risikominderung
• Geringere Kosten
• Schnellere Datenverfügbarkeit für Analysezwecke