提高金融服务行业的运营和绩效

以数据驱动的运营效率提高金融服务的盈利能力

如今，金融服务机构必须保持高效内部运营才能保持竞争力和提高盈利能力，尤其是在金融科技公司和高科技企业进一步进军金融服务领域的情况下。理论上，有两种方法可以提高盈利能力：增加收入和减少开支。两者都很重要。为了应对挑战，在这个日益快速发展的领域中提高盈利能力，金融服务机构正在转变关注点，利用海量数据和信息来提高运营效率和绩效。通过采用数据驱动的方法来简化流程、消除冗余和优化资源分配，金融服务机构可以降低成本，改善服务交付。

此外，在这样一个竞争激烈、发展迅速、持续变革的行业中，最后一个因素尤为重要。一个高效运营的组织可比竞争对手提供更有竞争力的价格；更快、更优质的服务；更高的准确性以及更好的客户体验。客户通常更喜欢快速、轻松的体验，因此积极的客户体验有助于提高客户忠诚度和保留率并赢得良好口碑，而这些因素最终都将推动收入增长。

运营效率还能够为提高敏捷性和适应性打下基础，帮助金融服务机构保持领先，快速响应市场变化、监管要求和客户需求。敏捷组织可以更快地推出新产品，适应技术进步，抓住新商机，在动态变化的环境中蓬勃发展。

此外，运营效率在进行有效的风险管理方面也发挥着重要作用，它对于赢得客户、监管机构和利益相关者的信任和信心至关重要。运营效率低下（包括人为错误、流程瓶颈以及控制不当）可能导致风险、合规违规、安全违规和运营中断。通过提高运营效率，金融服务机构可以降低这些风险、确保合规性并增强客户数据的安全性。

这些优势对于业务增长至关重要。随着金融服务机构扩大运营或进入新市场，他们需要确保自己的流程能够在不牺牲质量或不产生过高成本的情况下处理增加的业务量。而高效的流程可以轻松复制、自动化或调整，以支持组织的增长计划，从而助力组织抓住机会，扩大市场占有率。

利用功能全面的数据平台提高运营效率，降低成本

通过摄取、整理和分析运营流程和绩效数据，金融服务机构可以识别和消除瓶颈，解决低效问题，进而优化每一次内外部交互，改善业务成效。下图架构展示了我们如何结合使用推荐的 Oracle 组件构建涵盖整个数据分析生命周期的分析架构，帮助金融服务机构实现上述各种业务优势。

此图展示了面向金融服务业的 Oracle Data Platform 如何用于支持和改善运营效率和绩效。该平台包括以下五个支柱：

1. 1. 数据源、探索
2. 2. 摄取、转换
3. 3. 持久保存、整理、创建
4. 4. 分析、学习、预测
5. 5. 评估、行动

“数据源、探索”支柱包括三类数据。

1. 1. Oracle 应用数据包括来自 Fusion SaaS、Oracle E-Business Suite、CX 的数据
2. 2. 业务记录（第一方数据）包括 CRM、事务处理、账户信息、收入和利润
3. 3. 第三方数据包括外汇汇率、市场反馈数据和商品价格

“摄取、转换”支柱包括四个功能。

1. 1. 批量摄取使用 OCI Data Integration、Oracle Data Integrator 和数据库工具。
2. 2. 批量传输使用 OCI FastConnect、OCI Data Transfer、MFT 和 OCI CLI。
3. 3. 更改数据捕获使用 OCI GoldenGate。
4. 4. 流摄取使用 OCI Streaming Kafka Connect。

所有四种功能都单向连接到“持久保存、整理、创建”支柱中的服务数据存储和云端存储。

此外，流摄取连接至“分析、学习、预测”支柱中的流处理。

“持久保存、整理、创建”支柱包括五个功能。

1. 1. 服务数据存储使用 Oracle Autonomous Data Warehouse 和 Exadata Cloud Service。
2. 2. 云端存储使用 OCI Object Storage。
3. 3. 托管 Hadoop 使用 Oracle Big Data Service。
4. 4. 批处理使用 OCI Data Flow。
5. 5. 治理使用 OCI Data Catalog。

这些功能在支柱内互联。云端存储不仅单向连接至服务数据存储，还双向连接至批处理。

这两种功能连接到“分析、学习、预测”支柱。服务数据存储连接到分析和可视化功能，也连接到数据产品及 API 功能。云端存储连接到机器学习功能。

“分析、学习和预测”支柱包括两个功能。

1. 1. 分析和可视化使用 Oracle Analytics Cloud、GraphStudio 和 ISV。
2. 2. 机器学习使用 Oracle Machine Learning。

“评估、行动”支柱可捕获如何使用数据分析：由人员和合作伙伴使用。

人员和合作伙伴包括运营效率（处理时间、错误率、资源利用率）、流程瓶颈标识、客户终身价值、市场和竞争分析、绩效归因。

“摄取、转换”、“持久保存、整理、创建”及“分析、学习、预测”这三大核心支柱由基础设施、网络、安全和 IAM 提供支持。

连接、摄取和转换数据

我们的解决方案由三大支柱组成，每个支柱都支持特定的数据平台功能。第一个支柱提供连接、摄取和转换数据功能。

我们通过四种主要方法将数据注入架构，帮助金融服务机构提高运营效率和绩效。

• 首先，我们将启用运营事务数据的批量传输。当首次需要将大量数据（例如来自现有本地分析存储库或其它云技术源的数据）移动到 Oracle Cloud Infrastructure (OCI) 时，可以使用批量传输服务。具体使用哪种批量传输服务取决于数据的位置和传输频率。举例来说，我们可以使用 OCI Data Transfer 服务或 OCI Data Transfer Appliance 从历史计划或数据仓库存储库中加载大量本地数据。当需要持续移动大量数据时，我们建议使用 OCI FastConnect，它可在客户的数据中心与 OCI 之间提供高带宽的专用网络连接。
• 通常需要频繁、实时或近乎实时的提取，并且使用 OCI GoldenGate 定期从事务和客户管理系统中提取数据。OCI GoldenGate 使用更改数据捕获来检测提供运营流程（这些流程需要服务）的系统的底层结构中的更改事件（例如创建账户、解决客户问题、欺诈指示等）并将数据实时发送到持久层和/或流层。
• 通过实时分析多个来源的数据，金融服务机构可以获取有关运营效率和整体绩效的宝贵洞察，了解和评估核心流程的效率。在该使用场景中，我们使用流摄取来摄取通过移动交互、IoT 和机器通信等方式从客户或内部事件中读取的所有数据。数据流可以来自不同的内外部来源，包括交易数据、客户互动数据、市场数据、社交媒体数据以及来自合规和监管系统的数据。数据（事件）摄取后，我们将执行一些基本的转换/聚合操作，然后将其存储到 OCI Object Storage 中。此外，还可以使用其它流分析来识别关联事件，并且可以（手动）反馈任何已识别的模式，使用 OCI Data Science 检查原始数据。
• 虽然实时需求在不断变化，但从事务、企业资源计划、客户以及风险和合规性管理系统中提取数据最常见的方法仍然是使用 ETL 流程进行批量摄取。批量摄取适用于从不支持数据流处理的系统（例如旧的大型机核心银行系统）导入数据。这些提取可以频繁进行，通常每 10 或 15 分钟提取一次，但它们本质上仍然是批量的，因为提取和处理的是一组事务​​而不是单个事务。OCI 提供各种服务来处理批量摄取，例如在 OCI Compute 实例上运行的本机 OCI Data Integration 服务和 Oracle Data Integrator。服务选择主要基于客户偏好，而不是技术要求。

持久保存、处理和整理数据

数据持久性和处理建立在三个组件之上。有些客户会使用所有组件，而另一些客户则使用其中的一个子集。根据容量和数据类型，数据可以加载到对象存储中，或直接加载到结构化关系数据库中以进行永久性存储。当我们预计应用数据科学功能时，从数据源以原始形式（作为未处理的本机文件或提取）检索的数据通常会被捕获，并从事务系统加载到云端存储中。

• 云端存储是我们的数据平台常用的数据持久性层。它可用于结构化和非结构化数据。OCI Object Storage、OCI Data Flow 和 Oracle Autonomous Data Warehouse 是基本构建块。以原始格式从数据源检索的数据将被捕获并加载到 OCI Object Storage 中。OCI Object Storage 是主要是数据持久性层，而 OCI Data Flow 中的 Spark 是主要批处理引擎。批处理涉及多项活动，包括基本噪声处理、缺失数据管理和基于定义的出站数据集筛选。根据所需的处理和使用的数据类型，将结果写回各层对象存储或持久关系存储库。
• 我们现在将使用服务数据存储以优化的格式保存经过整理的数据，以提高查询性能，提供 360 度企业运营视图。服务数据存储提供了一个持久的关系层，用于通过基于 SQL 的工具直接向最终用户提供经过整理的高质量数据。在此解决方案中，Oracle Autonomous Data Warehouse 被实例化为企业数据仓库的服务数据存储，如有需要，还可以被实例化更专业的域级数据集市。它也可以是数据科学项目的数据源或 Oracle Machine Learning 所需的存储库。服务数据存储可以采用多种形式，包括 Oracle MySQL HeatWave、Oracle Database Exadata Cloud Service 或 Oracle Exadata Cloud@Customer。

分析数据、学习和预测

分析、学习和预测能力建立在两种技术方法之上。

• 高级分析功能对于提高运营效率和绩效至关重要。在该使用场景中，我们依靠 Oracle Analytics Cloud 来提供分析和可视化。借助该解决方案，企业将能够使用描述性分析（用直方图和图表描述当前趋势）、预测性分析（预测未来事件、确定趋势以及确定不确定结果的可能性）和规范性分析（提出合适的行动建议，从而做出理想决策）。

  通过对历史数据应用预测模型，金融服务机构可以预测未来业务成果并做出前瞻性决策。例如，预测性分析可以帮助银行预测客户流失、识别潜在欺诈案例、预测信用违约情况和优化现金流预测，从而让银行可以提前采取预防性措施并有效分配运营资源。

  规范性分析不仅可以预测结果，还可以提供最佳行动建议。金融服务机构可以使用规范性分析来优化与贷款审批、投资策略、定价模式和风险管理相关的决策。规范性分析可以全面考虑各种限制和目标，帮助企业做出数据驱动的决策，提高运营效率和盈利能力。（在企业中全面推广数据文化最终将在预测性分析方法的成功中发挥重要作用。）

• 除了高级分析之外，越来越多的数据科学、机器学习和人工智能被用于查找异常、预测可能发生的流程延迟以及优化客户旅程。举例来说，机器学习模型可用于信用评分、欺诈检测、客户细分和个性化营销。通过持续学习新数据，这些模型可以随着时间的推移不断适应新情况并提高性能，从而帮助提高运营效率和做出更明智的决策。OCI Data Science、OCI AI 服务和 Oracle Machine Learning 均可在数据库中使用。

  我们使用机器学习和数据科学方法来构建和训练预测模型。然后，我们可以通过 API 来部署这些机器学习模型以进行评分，或者将其嵌入到 OCI GoldenGate 流分析管道中。在某些情况下，这些模型甚至可以使用 Oracle Machine Learning Services REST API 部署在数据库中（为此，模型需要采用开放式神经网络交换格式）。此外，可以在服务或事务数据存储中部署用于以 Jupyter/Python 为中心的笔记本的 OCI Data Science 或用于 Zeppelin 笔记本和机器学习算法的 Oracle Machine Learning。同样，无论是单独使用还是搭配使用，Oracle Machine Learning 和 OCI Data Science 都可以用于开发建议模型/决策模型。这些模型可以作为服务部署，我们可以将其部署在 OCI API Gateway 后面，以作为“数据产品”和服务进行交付。构建后，机器学习模型可以部署到运营决策系统的应用中（如果允许）。

• 最后一个也是关键的组成部分是数据治理。这是一项由 OCI Data Catalog 提供的免费服务，为数据平台生态系统中的所有数据源提供数据治理和元数据管理（包括技术和业务元数据）。OCI Data Catalog 也是从 Oracle Autonomous Data Warehouse 到 OCI Object Storage 的的重要查询组件，因为它提供了一种快速查找数据的方法，无论其存储方式如何。这允许最终用户、开发人员和数据科学家在架构中的所有持久数据存储中使用通用访问语言 (SQL)。

利用数据提高运营效率和绩效的好处

随着业务发展和竞争加剧，用于提供关键运营数据的旧系统已经无法跟上业务发展步伐。这些系统需要大量手动干预来汇总、集成分散的孤立数据并生成报告，而这种方式会导致信息延迟，无法为企业提供需要的优势。评估、了解和提高运营效率可以为金融服务机构提供竞争优势和其它诸多好处，包括：

• 通过高效的服务交付、有竞争力的定价、卓越的客户体验和创新的产品和服务提高获客能力和客户保留能力
• 利用统一、一致、准确的数据视图在适当的时间做出更明智的业务决策
• 提高敏捷性，帮助组织更快地推出新产品，适应技术进步，抓住新机遇
• 降低整个组织范围内的复杂性
• 减少数据重复和人为错误
• 通过改进风险管理和风险缓释来降低风险
• 降低成本
• 更快地提供数据用于分析