Improve risk calculations and regulatory reporting

Défis liés au reporting réglementaire

Compte tenu de la complexité croissante des exigences de reporting des régulateurs du monde entier, le coût et les ressources monopolisées par le reporting réglementaire a augmenté ces dernières années. Pour suivre le rythme soutenu des transformations, les institutions financières se doivent de trouver les moyens de répondre plus efficacement et plus précisément aux exigences croissantes en matière de données, tout en faisant évoluer stratégiquement leur architecture de données pour améliorer les performances et stimuler la croissance.

De nombreuses organismes de services financiers gaspillent encore une quantité considérable de temps et de ressources qualifiées pour établir des rapports réglementaires. Sans un système automatisé qui effectue des contrôles de qualité des données et élimine les silos de données, les banques ne peuvent pas être certaines de l'exactitude de leurs déclarations réglementaires sans passer d'innombrables heures à vérifier les rapports. L'accès aux données au niveau de granularité souhaité est un autre défi car différents systèmes capturent les données à différents niveaux. Par exemple, les systèmes de prêt capturent les données au niveau des comptes et des transactions, les systèmes de constitution de dossier de prêt capturent les données au niveau des demandes et les systèmes de carte de crédit capturent les données au niveau des cartes et des transactions. L'analyse des données à un niveau de granularité constant permet aux établissements financiers de bénéficier d'une compréhension intégrale de leurs opérations, de leurs clients et de leurs marchés. Elle leur permet de visualiser les données en contexte et d'identifier les relations, les modèles et les tendances qui peuvent être manqués si les données ont été agrégées ou désagrégées de manière incohérente.

Pour résoudre ces problèmes, les organismes de services financiers redéfinissent leur approche du calcul des risques, du reporting réglementaire et de la conformité au sein d'un processus global et recherchent une automatisation et une gouvernance de bout en bout, de la capture et de l'analyse des données au reporting, jusqu'à la déclaration finale aux régulateurs.

Gérer plus efficacement la conformité et les risques grâce au machine learning et à l'IA

L'architecture suivante montre comment combiner les composants et fonctionnalités d'Oracle, y compris les analyses avancées, l'IA et le machine learning, afin de créer une plateforme de données complète pour le reporting réglementaire et le calcul des risques en vue de faciliter l'intégration des données, la qualité des données, la normalisation, le traitement, le lignage et l'agilité. La plateforme de données fournit aux établissements financiers une base solide pour les aider à répondre aux exigences réglementaires, à créer des rapports précis et opportuns et à effectuer des calculs de risques efficaces.

Cette illustration montre comment la plateforme de données Oracle pour le secteur de la santé peut être utilisée pour prendre en charge les soins reposant sur la valeur avec le suivi des performances. La plateforme comprend les cinq piliers suivants :

1. 1. Sources de données et repérage
2. 2. Ingestion et transformation
3. 3. Sauvegarde, tri et création
4. 4. Analyses, apprentissage et prévision
5. 5. Mesures et réactions

Le pilier « Sources de données et repérage » inclut trois catégories de données.

1. 1. Les applications Oracle incluent Fusion SaaS, Oracle E-Business Suite et EPM.
2. 2. Les enregistrements d'entreprise (données internes) comprennent les transactions, le chiffre d'affaires et la marge.
3. 3. Les données de tiers sont les taux de change, les flux de marché et les prix des marchandises.

Le pilier « Ingestion et transformation » comprend quatre fonctionnalités.

1. 1. Le transfert en masse utilise OCI FastConnect, OCI Data Transfer, MFT et l'interface de ligne de commande OCI.
2. 2. L'ingestion par lots utilise OCI Data Integration, Oracle Integration Cloud et Data Studio.
3. 3. La capture des données de modification utilise OCI GoldenGate et Oracle Data Integrator.
4. 4. L'ingestion de flux utilise OCI Streaming, Kafka Connect et DB Tools.

Les quatre fonctionnalités se connectent de manière unidirectionnelle au stockage cloud dans le pilier « Sauvegarde, tri et création ».

Le pilier « Sauvegarde, tri et création » comprend cinq fonctionnalités.

1. 1. Le dépôt de données de service utilise Autonomous Data Warehouse.
2. 2. Les groupes de serveurs utilisent le calcul hautes performances.
3. 3. Le stockage cloud utilise OCI Object Storage.
4. 4. Le traitement par lots utilise OCI Data Flow.
5. 5. La gouvernance utilise OCI Data Catalog.

Ces fonctionnalités sont connectées au sein du pilier. Le stockage cloud/lac de données est connecté de manière unidirectionnelle au dépôt de données de service. Il est également connecté de manière bidirectionnelle au traitement par lots et au groupe de serveurs.

Deux fonctionnalités se connectent au pilier Analyses, apprentissage et prévision : le dépôt de données de service se connecte de manière unidirectionnelle à la fonction d'analyse et la visualisation est connectée de manière bidirectionnelle à la fonction Services d'IA. Le stockage cloud se connecte à la fonctionnalité de services d'IA

Le pilier « Analyses, apprentissage et prévision » comprend trois fonctionnalités.

1. 1. L'analyse et la visualisation utilisent GraphStudio, Oracle Analytics Cloud, et des éditeurs de logiciels indépendants.
2. 2. Les services d'IA comprennent OCI Anomaly Detection, OCI Language, OCI Forecasting et OCI Vision.
3. 5. Le dépôt de données de service, l'analytique et la visualisation, et le stockage d'objets fournissent des métadonnées à OCI Data Catalog.

Le pilier Mesure et réactions capture comment l'analyse des données peut être appliquée pour prendre en charge un calcul des risques et une solution de reporting réglementaire. Ces applications sont divisées en deux groupes.

1. 1. Le premier groupe « Personnes et partenaires » comprend des rapports de conformité et réglementaires ainsi que l'agrégation des risques et le reporting.
2. 2. Le deuxième groupe « Applications » comprend l'analyse des risques de crédit et du marché, l'analyse de la valeur à risque, l'analyse des risques opérationnels, l'analyse des risques de liquidité, l'analyse des tests de stress et des scénarios.

Les trois piliers centraux (« Ingestion et transformation », « Sauvegarde, tri et création », et « Analyses, apprentissage et prévision ») sont pris en charge par l'infrastructure, le réseau, la sécurité et IAM.

Il existe trois moyens d'injecter des données dans une architecture pour permettre aux organismes de services financiers de rationaliser les processus de calcul des risques et de reporting réglementaire tout en améliorant la précision.

• Pour commencer, nous avons besoin d'ingérer des données provenant de systèmes transactionnels et d'applications bancaires de base. Ces données peuvent ensuite être enrichies avec des données client provenant de sources tierces, telles que des données non structurées provenant des réseaux sociaux. Les extractions fréquentes en temps réel ou quasiment en temps réel nécessitant une capture de données de modification sont courantes, et les données sont régulièrement ingérées à partir de systèmes de gestion des transactions, des risques et des clients à l'aide d'Oracle Cloud Infrastructure (OCI) GoldenGate. OCI GoldenGate est également un composant essentiel de l'évolution des architectures de maillage de données, où les « produits de données » sont gérés via des registres de données d'entreprise et des flux de données polyglottes qui effectuent des processus de transformation et de chargement continus (plutôt que les processus d'inclusion et d'extraction, de transformation et de chargement par lots utilisés dans les architectures monolithiques).
• Nous pouvons désormais utiliser l'ingestion de flux pour ingérer des données commerciale en temps réel. Par exemple, lorsqu'une transaction est exécutée, toutes les informations qui lui sont associées sont ingérées, puis déployées pour mettre à jour les comptes et les livres, recalculer les risques et lancer les processus de règlement. Ces données sont ingérées au format brut (sous forme non transformée) via le connecteur HDFS/S3 pour la persistance à long terme. Certaines transformations/agrégations de base sont effectuées avant que les données ne soient stockées dans le cloud. Parallèlement à l'ingestion, nous pouvons filtrer, agréger, corréler et analyser de grands volumes de données provenant de plusieurs sources en temps réel à l'aide des analyses de diffusion en continu. Cela permet aux institutions financières de mieux détecter les menaces et les risques. La corrélation des événements et des modèles identifiés peut être renvoyée (manuellement) et les données brutes peuvent être examinées à l'aide d'OCI Data Science. En outre, des événements peuvent être générés pour déclencher des actions. Ces actions peuvent être directement axées sur le client, telles que la notification des fraudes potentielles par e-mail ou SMS, ou le blocage des cartes de débit compromises, ou elles peuvent rationaliser les processus internes, par exemple en informant l'équipe de conformité qu'un problème potentiel a été identifié. OCI GoldenGate Stream Analytics est une technologie en mémoire qui effectue des calculs analytiques en temps réel sur les flux de données.
• Un accès aux données historiques sur les performances, les tendances et les modèles est nécessaire pour comprendre et prévoir les risques avec précision. Cela nécessite généralement le chargement d'un grand volume de données transactionnelles, ainsi que d'autres mesures et ensembles de données opérationnels (comme les données du marché et les prix des produits de base) à partir de banques de données sur site à l'aide de méthodes et de services de transfert en masse, tels qu'OCI Data Transfer Service.
• Alors que les besoins en temps réel évoluent, l'extraction la plus courante des systèmes bancaires de base, des clients et des systèmes financiers est une ingestion par lots à l'aide d'un processus d'extraction, de transformation et de chargement. L'ingestion par lots permet d'importer des données à partir de systèmes qui ne prennent pas en charge l'ingestion en continu (par exemple, d'anciens systèmes mainframe) ou des données qui n'ont pas nécessairement besoin d'être analysées en temps réel, telles que les données de prêt et de prêt hypothécaire. Ces données sont extrêmement structurées avec un niveau élevé de qualité/d'intégrité et sont souvent traitées en masse par l'application/le système transactionnel selon un planning spécifique, par exemple, toutes les heures à 15 minutes après l'heure ou tous les jours à midi (les périodes peuvent être plus longues que cela pour prendre en charge des processus complexes). L'ingestion en masse après la fin du traitement source est la manière la plus efficace sur le plan du calcul et du réseau. Les ingestions par lots peuvent être fréquentes, par exemple toutes les 10 ou 15 minutes, mais elles sont toujours moins fines, car ce sont des groupes de transactions qui sont extraits et traités et non des transactions individuelles. OCI propose différents services pour gérer l'assimilation par lots, tels que le service OCI Data Integration natif ou Oracle Data Integrator exécuté sur une instance OCI Compute. Selon les volumes et les types de données, les données peuvent être chargées dans le stockage d'objets ou directement dans une base de données relationnelle structurée pour le stockage persistant.

La persistance et le traitement des données reposent sur trois (voire quatre) composants.

• Les données brutes incluses sont stockées dans un stockage cloud à des fins algorithmiques. Nous utilisons OCI Object Storage en tant que niveau de persistance des données principal. Spark dans OCI Data Flow est le moteur de traitement par lots principal pour les données telles que les données transactionnelles, d'emplacement, d'application et de géo-mappage. Le traitement par lots implique plusieurs activités, notamment le traitement du bruit de base, la gestion des données manquantes et le filtrage en fonction des jeux de données sortants définis. Les résultats sont réécrits dans différentes couches de stockage d'objets ou dans un référentiel relationnel persistant en fonction du traitement nécessaire et des types de données utilisés.
• Ces ensembles de données traitées sont renvoyés vers le stockage cloud pour la persistance, le tri, l'analyse et finalement le chargement sous forme optimisée vers le dépôt de données de service, fourni ici par Oracle Autonomous Data Warehouse. Les données sont désormais conservées sous forme relationnelle optimisée pour les performances de traitement et de requête. Selon les préférences d'architecture, vous pouvez également procéder de la même manière avec Oracle Big Data Service en tant que cluster Hadoop géré. Dans ce cas d'utilisation, toutes les données nécessaires à l'entraînement des modèles de machine learning sont accessibles sous forme brute à partir du stockage d'objets. Pour entraîner les modèles, les modèles historiques sont combinés à des enregistrements de transaction afin de détecter et d'étiqueter les risques potentiels. L'association de ces ensembles de données à d'autres, comme les données d'appareil et les données géospatiales, nous permet d'appliquer des techniques de science des données pour affiner les modèles existants et en développer de nouveaux pour mieux gérer et prévoir les risques. Ce type de persistance peut également être utilisé pour stocker les données des schémas faisant partie des dépôts de données accessibles via des tables externes et des partitions hybrides.
• Comme décrit dans la section sur l'ingestion, les organismes de services financiers traitent d'énormes quantités de données, notamment des données historiques de marché, des données commerciales en temps réel, des indicateurs économiques, etc. Le calcul haute performance (HPC) assure un traitement et une analyse efficaces d'ensembles de données volumineux en vue d'une évaluation complète des risques. La prévision des risques financiers implique d'utiliser des modèles mathématiques et statistiques complexes, tels que des simulations de Monte Carlo, des modèles de tarification d'options et des modèles de facteurs de risque. Ces modèles exigent une puissance de calcul importante pour effectuer des calculs et des simulations avec précision et rapidité. Les systèmes HPC d'un groupe de serveurs fournissent les ressources de calcul nécessaires pour gérer très efficacement ces modèles complexes en s'appuyant sur les principes du cloud computing.

La capacité d'analyser, d'apprendre et de prévoir repose sur quatre technologies.

• Les services d'analyse et de visualisation, tels qu'Oracle Analytics Cloud, fournissent des analyses reposant sur les données organisées du dépôt de données de service. Il s'agit d'analyses descriptives (décrit les tendances actuelles de détection des risques avec des histogrammes et des graphiques), d'analyses prédictives, telles que l'analyse des séries chronologiques (prédit des modèles, détecte les tendances et détermine la probabilité de résultats incertains) et d'analyses prescriptives (propose des actions appropriées pour prendre des décisions optimales). Ces analyses peuvent être utilisées pour répondre à des questions telles que : Comment les risques détectés sur cette période divergent-ils des périodes précédentes ?
• Outre les analyses avancées, des modèles de machine learning sont développés, entraînés et déployés. Ces modèles entraînés peuvent être exécutés avec des données transactionnelles actuelles et historiques pour aider les organismes financiers à mieux prévoir et gérer les risques, par exemple en mettant en correspondance des modèles de transaction et des comportements pour détecter le blanchiment d'argent. Les résultats peuvent être sauvegardés dans la couche de service et être rapportés à l'aide d'outils d'analyse tels qu'Oracle Analytics Cloud. Pour optimiser l'entraînement des modèles, le modèle et les données peuvent également être intégrés aux systèmes de machine learning, tels qu'OCI Data Science, afin d'entraîner davantage les modèles pour une analyse plus efficace des risques. Ces modèles sont accessibles via des API, déployés dans le dépôt de données de service ou intégrés dans le pipeline OCI GoldenGate d'analyse de flux.
• De plus, nous pouvons utiliser les fonctionnalités avancées des services d'intelligence artificielle natifs du cloud.
• OCI Anomaly Detection est un service d'intelligence artificielle qui facilite la création de modèles de détection d'anomalies spécifiques à l'entreprise qui signalent les incidents critiques, accélérant ainsi la détection et la résolution. Dans ce cas d'utilisation, nous déployons ces modèles pour identifier la non-conformité et surveiller le non-respect des normes et exigences IFRS 9 et IFRS 17, CECL, LDTI, OCDE, Bâle et autres. Cette identification peut être utilisée avec les données de résolution historiques pour la correction et l'amélioration des processus. Pour l'évaluation des risques, y compris les évaluations des risques de crédit, de liquidité, du marché et de performances de l'entreprise, OCI Anomaly Detection peut être utilisé pour surveiller les mesures de performances afin de garantir que les performances et les transactions actuelles n'augmentent pas les risques généraux.
• Nous pouvons également utiliser OCI Anomaly Detection pour surveiller le nombre d'occurrences conformes/non conformes par catégorie afin d'identifier si une modification spécifique de l'entreprise entraîne des escalades de conformité inhabituelles. En outre, OCI Anomaly Detection peut aider à identifier la cause principale de non-conformité en surveillant l'utilisation des règles de conformité afin de vérifier si des transactions récentes indiquent une utilisation inhabituelle.
• OCI Forecasting peut être utilisé pour prévoir les mesures de performances, ainsi que des facteurs externes, tels que les conditions du marché et le comportement des clients, afin d'analyser la probabilité de risque imminent et éventuellement d'identifier celui-ci.
• OCI Language et OCI Vision peuvent ingérer des documents et du texte qui peuvent aider à enrichir les données pour les activités de gestion des risques.
• La gouvernance des données est un autre composant essentiel. Il est proposé par OCI Data Catalog, un service gratuit qui fournit la gouvernance des données et la gestion des métadonnées (pour les métadonnées techniques et commerciales) pour toutes les sources de données de l'écosystème de data lakehouse. OCI Data Catalog est également un composant essentiel pour les requêtes à partir d'Oracle Autonomous Data Warehouse vers OCI Object Storage, car il permet de localiser rapidement des données quelle que soit sa méthode de stockage. Les utilisateurs finaux, développeurs et experts en science des données peuvent ainsi utiliser un langage d'accès commun (SQL) dans tous les dépôts de données persistants de l'architecture.
• Enfin, nos modèles et données actuellement sélectionnés, testés, de haute qualité et régis peuvent être exposés en tant que produit de données (API) au sein d'une architecture de maillage de données à des fins de distribution dans toute l'organisation de services financiers.

Améliorer les calculs des risques et le reporting réglementaire avec la plateforme de données appropriée

Oracle Data Platform peut aider les organismes de services financiers à suivre l'évolution rapide du paysage de la gestion des risques et du reporting réglementaire, à gérer la complexité croissante des exigences de reporting des régulateurs du monde entier et à s'assurer qu'elles ont accès aux données à un niveau de granularité correct. La solution d'Oracle offre un environnement et une structure intégrés pour la gestion des données de risque, afin de réduire le temps et les ressources que les entreprises doivent consacrer à la préparation des rapports réglementaires. Grâce à cette solution automatisée qui applique des règles de qualité et élimine les silos de données, les entreprises peuvent effectuer leurs déclarations réglementaires en toute confiance et mieux comprendre, gérer et minimiser les risques.