Improve risk calculations and regulatory reporting

Desafíos de la información reglamentaria

Con la creciente complejidad de los requisitos de información de los reguladores, el costo y la carga de recursos de la información reglamentaria se han disparado en los últimos años. Las empresas financieras, que luchan por mantenerse al día ante los cambios, deben encontrar la manera de satisfacer los requisitos de datos de forma más eficiente y precisa, al tiempo que evolucionan estratégicamente su arquitectura de datos para mejorar el desempeño e impulsar el crecimiento.

Muchas organizaciones de servicios financieros siguen desperdiciando una cantidad significativa de tiempo y recursos cualificados en la preparación de informes normativos. Sin un sistema automatizado que realice verificaciones de calidad de los datos y elimine los silos entre ellos, los bancos no pueden estar seguros de que las presentaciones enviadas a las autoridades sean precisas sin pasar incontables horas revisando los informes. Acceder a los datos con el nivel de granularidad deseado es otro desafío, ya que los diferentes sistemas capturan los datos a diferentes niveles: por ejemplo, los sistemas de préstamos los capturan a nivel de cuenta y transacción, los sistemas de originación de préstamos los capturan a nivel de consulta, y los sistemas de tarjetas de crédito lo hacen a nivel de tarjeta y transacción. Analizar los datos con un nivel coherente de granularidad permite que las instituciones financieras obtengan una comprensión total de sus operaciones, clientes y mercados. Les permite ver los datos en su contexto e identificar relaciones, pautas y tendencias que podrían perderse si éstos se agregaran o desglosaran de forma incoherente.

Para abordar estas cuestiones, estas instituciones están redefiniendo su enfoque del cálculo de riesgos, la información reglamentaria y la conformidad normativa como un proceso holístico y buscan la automatización y la gobernanza de principio a fin, desde la captura y el análisis de datos hasta la elaboración de informes, incluida la presentación final a los reguladores.

Gestiona la conformidad y el riesgo de forma más eficaz con las tecnologías de machine learning e IA

La siguiente arquitectura demuestra cómo podemos combinar los componentes y las capacidades de Oracle, como los análisis avanzados, la IA y el machine learning, para crear una plataforma de datos integral que elabore informes normativos, calcule riesgos y facilite la integración, la calidad, la estandarización, el procesamiento, el linaje y la agilidad de los datos. La plataforma de datos ofrece a las entidades financieras una base sólida que les ayuda a cumplir los requisitos normativos, crear informes puntuales y precisos y realizar cálculos de riesgo eficaces.

En esta imagen se muestra cómo se puede utilizar Oracle Data Platform for Healthcare para fortalecer la atención basada en el valor con supervisión del rendimiento. La plataforma incluye estos cinco pilares:

1. 1. Orígenes de datos, detección
2. 2. Ingerir, transformar
3. 3. Persistir, curar, crear
4. 4. Analizar, aprender, predecir
5. 5. Medir, actuar

El pilar Orígenes de datos, detección incluye tres categorías de datos.

1. 1. Oracle Apps incluye Fusion SaaS, Oracle E-Business Suite y EPM.
2. 2. Business Records (datos de primera parte) se componen de transacciones, ingresos y margen.
3. 3. Terceros incluye datos de tipos de cambio, alimentación de mercados y precios de materias primas.

El pilar "Ingerir, transformar" comprende cuatro capacidades.

1. 1. La transferencia masiva utiliza OCI FastConnect, OCI Data Transfer, MFT y OCI CLI.
2. 2. La ingesta por lotes utiliza OCI Data Integration, Oracle Integration Cloud y Data Studio.
3. 3 La captura de datos modificados utiliza OCI GoldenGate y Oracle Data Integrator.
4. 4. La ingesta de streaming utiliza OCI Streaming, Kafka Connect y DB Tools.

Las cuatro capacidades se conectan unidireccionalmente al almacenamiento en la nube dentro del pilar Persistir, curar, crear.

El pilar "Persistir, curar, crear" incluye cinco capacidades.

1. 1. El almacén de datos de servicio utiliza Autonomous Data Warehouse.
2. 2. Compute Farms utiliza HPC.
3. 3 El almacenamiento en la nube utiliza OCI Object Storage.
4. 4. El procesamiento por lotes utiliza OCI Data Flow.
5. 5. La gobernanza utiliza OCI Data Catalog.

Estas capacidades están conectadas dentro del pilar. El almacenamiento en la nube/lago de datos está conectado unidireccionalmente al almacén de datos de servicio; también está conectado bidireccionalmente al procesamiento por lotes y a la granja de servicios de computación.

Dos capacidades se conectan en el pilar Analizar, aprender, predecir: El almacén de datos de servicio se conecta unidireccionalmente a la capacidad de análisis y visualización y se conecta bidireccionalmente a la capacidad de servicios de IA. El almacenamiento en la nube se conecta a la capacidad de los servicios de IA.

El pilar Analizar, aprender, predecir incluye tres capacidades.

1. 1. Los análisis y la visualización utilizan GraphStudio, Oracle Analytics Cloud e ISV.
2. 2. Los servicios de IA incluyen OCI Anomaly Detection, OCI Language, OCI Forecasting y OCI Vision.
3. 3. El almacén de datos, análisis y visualización, y el almacenamiento de objetos suministran metadatos al OCI Data Catalog.

El pilar Medir, actuar describe cómo puede aplicarse el análisis de datos para respaldar una solución de cálculo de riesgos e información reglamentaria.

1. 1. El primer grupo, "Personas y asociados", incluye la confomidad normativa y los informes reglamentarios, así como la agregación de riesgos y la elaboración de informes.
2. 2. El segundo grupo "Aplicaciones" incluye análisis de riesgo de crédito y de riesgo de mercado, análisis de valor en riesgo, análisis de riesgo operativo, análisis de riesgo de liquidez, pruebas de estrés y análisis de situaciones.

Los tres pilares centrales, Ingerir, transformar; Persistir, curar, crear; y Analizar, aprender, predecir, son compatibles con la infraestructura, la red, la seguridad y la gestión de identidades y accesos.

Existen tres formas principales de inyectar datos en una arquitectura para que las entidades financieras puedan agilizar los procesos de cálculo de riesgos y de elaboración de informes reglamentarios, mejorando al mismo tiempo la precisión.

• Para empezar, necesitamos ingerir datos de sistemas transaccionales y aplicaciones bancarias básicas. A continuación, estos datos se pueden enriquecer con información de clientes de terceros, que podrían incluir datos no estructurados de redes sociales, por ejemplo. Son comunes las extracciones frecuentes en tiempo real o casi en tiempo real que requieren cambiar la captura de datos, y los datos se ingieren regularmente desde sistemas de gestión de clientes, riesgos y transacciones mediante Oracle Cloud Infrastructure (OCI) GoldenGate. OCI GoldenGate también es un componente fundamental para la evolución de las arquitecturas de malla de datos en las que los "productos de datos" se gestionan mediante libros de datos empresariales y flujos de datos políglotas que realizan procesos continuos de transformación y carga (en lugar de los procesos de ingestión y extracción, transformación y carga por lotes utilizados en arquitecturas monolíticas).
• Ahora podemos utilizar integración de streaming para ingestar datos commerciales en tiempo real. Por ejemplo, cuando se realiza una operación, toda la información asociada a la misma se ingiere y luego se implementa para actualizar cuentas y libros contables, recalcular riesgos y poner en marcha procesos de liquidación. Estos datos se ingieren en bruto (sin procesar) a través del conector HDFS/S3 para su persistencia a largo plazo, y se realizan algunas transformaciones/agregaciones básicas antes de almacenarlos en la nube. Al mismo tiempo que la ingestión, podemos filtrar, agregar, correlacionar y analizar grandes volúmenes de datos de múltiples orígenes en tiempo real mediante análisis de flujos. Esto ayuda a las instituciones financieras a detectar amenazas y riesgos empresariales. La correlación de eventos y patrones identificados se puede volver a alimentar (manualmente) y los datos en bruto pueden examinarse utilizando OCI Data Science. Asimismo, se pueden generar eventos para desencadenar acciones. Estas acciones pueden centrarse directamente en el cliente, como notificarle un posible fraude por correo electrónico o SMS o bloquear tarjetas de débito en peligro, o pueden agilizar procesos internos, por ejemplo, notificando al equipo de conformidad que se ha detectado un posible problema. OCI GoldenGate Stream Analytics es una tecnología en memoria que realiza cálculos analíticos en tiempo real sobre datos en streaming.
• El acceso a datos históricos de desempeño, tendencias y patrones es necesario para comprender y predecir los riesgos con precisión. Esto suele requerir cargar un gran volumen de datos transaccionales y otras métricas y conjuntos de datos operativos (como datos de mercado y precios de materias primas) desde almacenes de datos locales utilizando métodos y servicios de transferencia masiva, como OCI Data Transfer Service.
• Aunque las necesidades en tiempo real están evolucionando, la extracción más común de los sistemas bancarios, de clientes y financieros centrales es una ingestión por lotes mediante un proceso de extracción, transformación y carga. La ingesta por lotes suele utilizarse para importar datos de sistemas que no admiten la ingesta en tiempo real (por ejemplo, sistemas mainframe antiguos) o datos que no necesariamente deben analizarse en tiempo real, como datos de préstamos e hipotecas. Estos datos están muy estructurados con un alto grado de calidad/integridad y a menudo son procesados por la aplicación/sistema transaccional de forma masiva de acuerdo con un horario específico, por ejemplo, cada hora a las 15 horas o diariamente al mediodía (los períodos pueden ser más largos para adaptarse a procesos complejos). La ingestión masiva una vez finalizado el procesamiento de origen es la forma de ingestión más eficiente desde el punto de vista de cálculo y de red. Las ingestas por lotes pueden ser frecuentes, con una frecuencia de 10 o 15 minutos, pero siguen siendo de naturaleza masiva a medida que se extraen y procesan grupos de transacciones en lugar de transacciones individuales. OCI ofrece diferentes servicios para manejar la ingesta de lotes, como el servicio nativo de OCI Data Integration u Oracle Data Integrator que se ejecuta en una instancia de OCI Compute. En función de los volúmenes y los tipos de datos, los datos se pueden cargar en el almacenamiento de objetos o directamente en una base de datos relacional estructurada para el almacenamiento persistente.

La persistencia y el procesamiento de datos se basan en tres (opcionalmente cuatro) componentes.

• Los datos en bruto ingeridos se alojan en el almacenamiento en la nube con fines algorítmicos; usamos OCI Object Storage como nivel de persistencia de datos principal. Spark en OCI Data Flow es el motor principal de procesamiento por lotes para datos como transaccionales, de ubicación, de aplicación y de distribución geográfica. El procesamiento por lotes incluye varias actividades, como tratamiento básico de ruido, gestión de datos ausentes y filtrado basado en conjuntos de datos de salida definidos. Los resultados se vuelven a escribir en varias capas de almacenamiento de objetos o en un repositorio relacional persistente dependiendo del procesamiento que sea necesario y los tipos de datos que se utilicen.
• Estos conjuntos de datos procesados se devuelven al almacenamiento en la nube para su posterior persistencia, curación y análisis y, en última instancia, para su carga de forma optimizada en el almacén de datos de servicio, proporcionado aquí por Oracle Autonomous Data Warehouse. Los datos ahora se mantienen en un formato relacional optimizado para el rendimiento de las consultas y la curación de contenido. De forma alternativa, en función de la arquitectura preferida, esto puede llevarse a cabo con Oracle Big Data Service como un clúster de Hadoop gestionado. En este caso de uso, se accede a todos los datos necesarios para entrenar los modelos de machine learning desde el almacenamiento de objetos en bruto. Para entrenar los modelos, los patrones históricos se combinan con los registros a nivel de transacción para identificar y etiquetar los riesgos potenciales. La combinación de estos conjuntos de datos con otros, como datos de dispositivos y datos geoespaciales, nos permite aplicar técnicas de ciencia de datos para perfeccionar los modelos existentes y desarrollar otros nuevos con el fin de gestionar y predecir mejor los riesgos. Este tipo de persistencia también se puede utilizar para almacenar datos de esquemas que forman parte de los almacenes de datos a los que se accede a través de tablas externas y particiones híbridas.
• Como se describe en la sección de ingesta, las entidades financieras manejan cantidades ingentes de datos, como datos históricos del mercado, datos comerciales en tiempo real, indicadores económicos, etc. La computación de alto rendimiento (HPC) permite procesar y analizar eficazmente grandes conjuntos de datos, lo que posibilita una evaluación exhaustiva de los riesgos. La predicción de riesgos financieros implica el uso de complejos modelos matemáticos y estadísticos, como simulaciones de Montecarlo, modelos de valoración de opciones y modelos de factores de riesgo. Estos modelos requieren una potencia de cálculo considerable para realizar cálculos y simulaciones con precisión y rapidez. Los sistemas HPC en una granja de recursos informáticos proporcionan los recursos computacionales necesarios para manejar estos complejos modelos de una manera extremadamente eficiente en el uso de los principios de la computación en la nube.

La capacidad de analizar, aprender y predecir se basa en tres tecnologías.

• Servicios de análisis y visualización, como Oracle Analytics Cloud, ofrecen análisis basados en datos curados del almacén de datos de servicio. Entre los que se incluyen análisis descriptivo (describe tendencias actuales de identificación de riesgos y actividad marcada con histogramas y gráficos), el análisis predictivo, como el análisis de series temporales (predice patrones futuros, identifica tendencias y determina la probabilidad de resultados inciertos), y el análisis prescriptivo (propone acciones adecuadas para propiciar una toma de decisiones ideal). Estos análisis se pueden utilizar para responder a preguntas como: ¿Cómo se compara el riesgo marcado de este período con el de períodos anteriores?
• Además de los análisis avanzados, se desarrollan, entrenan e implementan modelos de machine learning. Estos modelos entrenados se pueden ejecutar en datos transaccionales tanto actuales como históricos para ayudar a las entidades financieras a predecir y gestionar mejor el riesgo -por ejemplo, comparando patrones de transacciones y comportamientos para detectar el blanqueo de dinero- y los resultados pueden persistir en la capa de servicio y notificarse mediante herramientas analíticas como Oracle Analytics Cloud. Para optimizar el entrenamiento de modelos, el modelo y los datos también pueden introducirse en sistemas de machine learning, como OCI Data Science, a fin de seguir entrenándolos para un análisis de riesgos más eficaz. Se puede acceder a estos modelos a través de API, desplegadas en el almacén de datos de servicio o integradas como parte del pipeline de análisis de flujos de OCI GoldenGate.
• Además, podemos utilizar las capacidades avanzadas de los servicios de inteligencia artificial nativos de la nube.
• OCI Anomaly Detection es un servicio de inteligencia artificial que facilita la creación de modelos de detección de anomalías específicos de negocio que señalan incidentes críticos, lo que acelera su detección y resolución. En este caso de uso, implementaríamos estos modelos para identificar el incumplimiento y supervisar la no adhesión a la NIIF 9, la NIIF 17, la CECL, la LDTI, la OCDE, Basilea y otras normas y requisitos. Esta identificación se puede utilizar junto con datos históricos de resolución para la corrección y mejora del proceso. Para evaluar riesgos, coo es el caso de las evaluaciones de riesgos de crédito, liquidez, mercado y desempeño empresarial, se puede OCI Anomaly Detection para supervisar las métricas de desempeño y ayudar a garantizar que las transacciones actuales no estén aumentando el riesgo general.
• También podemos utilizar esta solución para supervisar el número de incidencias de conformidad/incumplimiento por categoría con el fin de identificar si algún cambio específico en la empresa provoca escaladas de conformidad inusuales. Además, OCI Anomaly Detection ayuda a identificar la causa raíz del incumplimiento supervisando el uso de normas de conformidad para comprobar si las transacciones recientes muestran un uso inusual.
• La previsión de OCI se puede utilizar para predecir métricas de desempeño, así como factores externos, como las condiciones del mercado y los comportamientos de los clientes, para analizar la probabilidad de riesgo inminente e identificarlo potencialmente.
• OCI Language y OCI Vision pueden ingerir documentos y texto que ayudan a enriquecer datos para actividades de gestión de riesgos.
• La gobernanza de datos es otro componente fundamental. Esto lo proporciona OCI Data Catalog, un servicio gratuito que proporciona gobernanza de datos y gestión de metadatos (tanto para metadatos técnicos como de negocio) para todos los orígenes de datos del ecosistema de data lakehouse. OCI Data Catalog también es un componente fundamental para las consultas de Oracle Autonomous Data Warehouse a OCI Object Storage, ya que acelera la localización de datos independientemente de su método de almacenamiento. Esto permite que los usuarios finales, los desarrolladores y los científicos de datos utilicen un lenguaje de acceso común (SQL) en todos los almacenes de datos persistentes de la arquitectura.
• Por último, nuestros datos y modelos ahora curados, testados, de alta calidad y controlados se pueden exponer como un producto de datos (API) dentro de una arquitectura de malla de datos para su distribución en todas las esferas de la organización de servicios financieros.

Mejora los cálculos de riesgos y los informes reglamentarios con la plataforma de datos adecuada

Oracle Data Platform ayuda a las entidades financieras a mantenerse al día con la gestión de riesgos y la elaboración de informes normativos, gestionar la creciente complejidad de los requisitos de informes de los reguladores y garantizar el acceso a los datos con el nivel de granularidad adecuado. La solución de Oracle ofrece un entorno y un marco integrados para gestionar datos de riesgo que reducen el valioso tiempo y los recursos que las organizaciones deben dedicar a preparar informes normativos. Con una solución automatizada que aplica normas de calidad y elimina los silos de datos, éstas pueden confiar en sus presentaciones reglamentarias y comprender, gestionar y minimizar mejor los riesgos.