Improve risk calculations and regulatory reporting

Herausforderungen für das regulatorische Reporting

Mit der zunehmenden Komplexität der Reporting-Anforderungen von Aufsichtsbehörden auf der ganzen Welt sind die Kosten und der Ressourcenaufwand für die Berichterstattung in den letzten Jahren sprunghaft angestiegen. Finanzunternehmen, die mit dem ständigen Wandel nicht Schritt halten können, müssen Wege finden, um die wachsenden Datenanforderungen effizienter und genauer zu erfüllen und gleichzeitig ihre Datenarchitektur strategisch weiterzuentwickeln, um die Leistung zu steigern und das Wachstum zu fördern.

Viele Finanzdienstleister vergeuden immer noch viel Zeit und qualifizierte Ressourcen mit der Erstellung regulatorischer Berichte. Ohne ein automatisiertes System, das Datenqualitätsprüfungen durchführt und Datensilos beseitigt, können Banken nicht sicher sein, dass ihre regulatorischen Berichte auch wirklich korrekt sind. Sie müssen unzählige Stunden mit der Überprüfung der Berichte verbringen. Der Zugriff auf Daten in der gewünschten Granularität ist eine weitere Herausforderung, da verschiedene Systeme Daten auf unterschiedlichen Ebenen erfassen. Kreditsysteme erfassen Daten beispielsweise auf Konto- und Transaktionsebene, Kreditvergabesysteme auf Anfrageebene und Kreditkartensysteme auf Karten- und Transaktionsebene. Die Analyse von Daten auf einer einheitlichen Granularitätsebene ermöglicht es Finanzinstituten, ein umfassendes Verständnis ihrer Abläufe, Kunden und Märkte zu gewinnen. Sie ermöglicht es ihnen, Daten im Kontext zu betrachten und Beziehungen, Muster und Trends zu erkennen, die bei einer uneinheitlichen Zusammenfassung oder Aufteilung der Daten übersehen werden könnten.

Um diese Probleme zu lösen, definieren Finanzdienstleister ihren Ansatz zur Risikoberechnung, zum regulatorischen Reporting und zur Einhaltung von Vorschriften als ganzheitlichen Prozess neu und streben eine durchgängige Automatisierung und Steuerung an – von der Datenerfassung und -analyse bis hin zum Reporting, einschließlich der endgültigen Übermittlung an die Behörden.

Effektivere Verwaltung von Compliance und Risiken mit maschinellem Lernen und KI

Die folgende Architektur zeigt, wie wir Oracle Komponenten und Funktionen wie erweiterte Analysen, KI und maschinelles Lernen kombinieren können, um eine umfassende Datenplattform für das regulatorische Reporting und die Risikoberechnung zu schaffen und so die Datenintegration, Datenqualität, Standardisierung, Verarbeitung, Abstammung und Flexibilität zu erleichtern. Die Datenplattform bietet Finanzinstituten eine solide Grundlage zur Erfüllung regulatorischer Anforderungen, zur Erstellung pünktlicher und genauer Berichte und zur Durchführung effektiver Risikoberechnungen.

Diese Abbildung zeigt, wie Oracle Data Platform for Healthcare zur Unterstützung der wertorientierten Pflege mit Leistungsüberwachung verwendet 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. Oracle Apps beinhaltet Fusion SaaS, Oracle E-Business Suite und EPM.
2. 2. Business Records (First-Party-Daten) besteht aus Transaktionen, Umsatz und Gewinnspanne.
3. 3. Zu Third Parties gehören Daten aus Devisenkursen, Marktfeeds und Rohstoffpreisen.

Der Pillar „Aufnehmen, transformieren“ umfasst vier Funktionen.

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

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

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

1. 1. Der zugrunde liegende Datenspeicher verwendet Autonomous Data Warehouse.
2. 2. Rechner-Farmen verwenden HPC.
3. 3. Der Cloud-Speicher verwendet OCI Object Storage.
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/Data Lake ist unidirektional mit dem zugrunde liegenden Datenspeicher verbunden; er ist außerdem bidirektional mit der Batch-Verarbeitung und der Rechner-Farm verbunden.

Zwei Funktionen sind mit dem Pillar „Analysieren, lernen, prognostizieren“ verbunden: Der zugrunde liegende Datenspeicher verbindet sich unidirektional mit der Analyse- und Visualisierungsfunktion und ist bidirektional mit der KI-Services-Funktion verbunden. Der Cloud-Speicher ist mit den KI-Services verbunden.

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

1. 1. Analysen und Visualisierungen nutzen GraphStudio, Oracle Analytics Cloud und ISVs.
2. 2. KI-Services umfassen OCI-Anomalieerkennung, OCI-Sprache, OCI Forecasting und OCI Vision.
3. 3. Der zugrunde liegende Datenspeicher, die Analysen, die Visualisierung und der Objektspeicher stellen Metadaten für den OCI Data Catalog bereit.

Der Pillar „Messen, handeln“ erfasst, wie die Datenanalyse angewendet werden kann, um eine Lösung zur Risikoberechnung und zum regulatorischen Reporting zu unterstützen. Diese Anwendungen werden in zwei Gruppen unterteilt.

1. 1. Die erste Gruppe „Mitarbeiter und Partner“ umfasst Compliance und regulatorisches Reporting sowie Risikoaggregation und Berichterstellung.
2. 2. Die zweite Gruppe „Anwendungen“ umfasst Kreditrisikoanalysen, Marktrisiken, Analysen mit Risikowerten, betriebliche Risikoanalysen, Liquiditätsrisikoanalysen, Stresstests und Szenarioanalysen.

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

Es gibt im Wesentlichen drei Möglichkeiten, Daten in eine Architektur einzuspeisen, um es Finanzdienstleistern zu ermöglichen, Risikoberechnungen und regulatorische Berichtsprozesse zu rationalisieren und gleichzeitig die Genauigkeit zu verbessern.

• Zunächst müssen wir Daten aus Transaktionssystemen und Kernbankenanwendungen einspeisen. Diese Daten können dann mit Kundendaten aus Drittquellen angereichert werden, was beispielsweise unstrukturierte Daten aus sozialen Medien beinhalten könnte. Häufige Echtzeit- oder nahezu Echtzeit-Extracts, die eine Datenänderungserfassung erfordern, sind üblich, und Daten werden regelmäßig von Transaktions-, Risiko- und Kundenmanagementsystemen mit Oracle Cloud Infrastructure (OCI) GoldenGate aufgenommen. OCI GoldenGate ist auch eine entscheidende Komponente sich entwickelnder Data-Mesh-Architekturen, bei denen „Datenprodukte“ über Unternehmensdaten-Ledger und mehrsprachige Datenströme verwaltet werden, die kontinuierliche Transformations- und Ladeprozesse ausführen (anstelle der in monolithischen Architekturen verwendeten Batch-Aufnahme- und ETL-Prozesse).
• Wir können jetzt die Streaming-Ingestion verwenden, um Handelsdaten in Echtzeit einzuspeisen. Wenn beispielsweise ein Geschäft abgewickelt wird, werden alle damit verbundenen Informationen erfasst und dann verwendet, um Konten und Hauptbücher zu aktualisieren, Risiken neu zu berechnen und Abwicklungsprozesse einzuleiten. Diese Daten werden über den HDFS/S3-Connector für eine langfristige Persistenz in Rohform (nicht transformiert) aufgenommen, und einige grundlegende Transformationen/Aggregationen werden durchgeführt, bevor die Daten im Cloud-Speicher gespeichert werden. Parallel zur Aufnahme können wir mithilfe von Streaminganalysen große Datenmengen aus mehreren Quellen in Echtzeit filtern, aggregieren, korrelieren und analysieren. Auf diese Weise können Finanzinstitute Geschäftsbedrohungen und -risiken erkennen. Korrelierende Ereignisse und identifizierte Muster können (manuell) zurückgespeist werden, und die Rohdaten können mit OCI Data Science geprüft werden. Darüber hinaus können Ereignisse generiert werden, um Aktionen auszulösen. Diese Maßnahmen können direkt kundenorientiert sein, zum Beispiel die Benachrichtigung von Kunden über potenziellen E-Mail- oder SMS- Betrug oder die Sperrung kompromittierter Debitkarten, oder sie können interne Prozesse rationalisieren, indem sie beispielsweise das Compliance-Team darüber informieren, dass ein potenzielles Problem ermittelt wurde. OCI Oracle GoldenGate Stream Analytics ist eine In-Memory-Technologie, die Analyseberechnungen in Echtzeit für Streaming-Daten durchführt.
• Um Risiken genau zu verstehen und vorherzusagen, ist der Zugriff auf historische Leistungsdaten, Trends und Muster erforderlich. Das erfordert in der Regel das Laden einer großen Menge von Transaktionsdaten sowie anderen betrieblichen Metriken und Datensätzen (wie Marktdaten und Rohstoffpreise) aus lokalen Datenspeichern unter Verwendung von Massenübertragungsmethoden und -diensten wie OCI Data Transfer Service.
• Während sich die Echtzeit-Anforderungen ständig weiterentwickeln, ist der gängigste Extract aus Kernbanken-, Kunden- und Finanzsystemen eine Batch-Ingestion mit einem Extraktions-, Transformations- und Ladeprozess. Die Batch-Ingestion wird häufig verwendet, um Daten aus Systemen zu importieren, die keine Streaming-Ingestion unterstützen (z. B. ältere Mainframe-Systeme), oder Daten, die nicht unbedingt in Echtzeit analysiert werden müssen, wie z. B. Kredit- und Hypothekendaten. Diese Daten sind hochgradig strukturiert und weisen ein hohes Maß an Qualität bzw. Integrität auf. Sie werden häufig von der Transaktionsanwendung bzw. dem Transaktionssystem in großen Mengen nach einem bestimmten Zeitplan verarbeitet, z. B. stündlich 15 Minuten nach einer vollen Stunde oder täglich um 12 Uhr (die Zeiträume können auch länger sein, um komplexe Prozesse zu berücksichtigen). Die Aufnahme von Daten in großen Mengen nach Abschluss der Quellverarbeitung ist die rechen- und netzwerkeffizienteste Art der Aufnahme. Batchaufnahmen können häufig sein, 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. Je nach Volumes und Datentypen können Daten in den Objektspeicher oder direkt in eine strukturierte relationale Datenbank zur dauerhaften Speicherung geladen werden.

Die Datenpersistenz und -verarbeitung basieren auf drei (optional vier) Komponenten.

• Aufgenommene Rohdaten werden für algorithmische Zwecke im Cloud-Speicher gespeichert. Hierbei wird OCI Object Storage als primäre Datenpersistenzebene verwendet. Spark in OCI Data Flow ist die primäre Batchverarbeitungs-Engine für Daten wie Transaktions-, Standort-, Anwendungs- und Geomappingdaten. 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.
• Diese verarbeiteten Datasets werden zur weiteren Persistenz, Pflege und Analyse an den Cloud-Speicher zurückgespeist und schließlich in optimierter Form in den zugrunde liegenden Datenspeicher geladen, der hier von Oracle Autonomous Data Warehouse bereitgestellt wird. Daten werden jetzt in optimierter relationaler Form für Kuration und Abfrageleistung gespeichert. Alternativ kann dies je nach architektonischer Präferenz mit Oracle Big Data Service als verwalteter Hadoop-Cluster erreicht werden. In diesem Anwendungsfall wird im Objektspeicher auf alle Daten zugegriffen, die zum Trainieren der ML-Modelle erforderlich sind. Zum Trainieren der Modelle werden historische Muster mit Datensätzen auf Transaktionsebene kombiniert, um potenzielle Risiken zu identifizieren und zu kennzeichnen. Durch die Kombination dieser Datasets mit anderen, wie z. B. Gerätedaten und Geodaten, können wir Data-Science-Techniken anwenden, um bestehende Modelle zu verfeinern und neue zu entwickeln, um potenzielle Betrugsfälle besser bewältigen und vorhersagen zu können. Diese Art der Persistenz kann auch zum Speichern von Daten für Schemas verwendet werden, die Teil der Datenspeicher sind, auf die über externe Tabellen und Hybridpartitionen zugegriffen wird.
• Wie im Abschnitt „Ingestion“ beschrieben, haben Finanzdienstleister mit riesigen Datenmengen zu tun, darunter historische Marktdaten, Echtzeit-Handelsdaten, Wirtschaftsindikatoren und vieles mehr. High Performance Computing (HPC) ermöglicht die effiziente Verarbeitung und Analyse großer Datensätze und damit eine umfassende Risikobewertung. Die Vorhersage von Finanzrisiken erfordert den Einsatz komplexer mathematischer und statistischer Modelle, wie Monte-Carlo-Simulationen, Optionspreismodelle und Risikofaktormodelle. Diese Modelle verlangen eine erhebliche Rechenleistung, um Berechnungen und Simulationen schnell und präzise durchzuführen. HPC-Systeme in einer Rechner-Farm bieten die notwendigen Rechenressourcen, um diese komplexen Modelle auf äußerst ressourceneffiziente Weise zu verarbeiten, indem sie die Grundlagen des Cloud Computing nutzen.

Die Fähigkeit, zu analysieren, zu lernen und Vorhersagen zu treffen, beruht auf drei Technologien.

• Analyse- und Visualisierungsservices wie Oracle Analytics Cloud liefern Analysen basierend auf kuratierten Daten aus dem zugrunde liegenden Datenspeicher. Dazu gehören deskriptive Analysen (beschreiben aktuelle Trends bei der Risikoermittlung und markierte Aktivitäten anhand von Histogrammen und Diagrammen), Vorhersageanalysen, wie z. B. die Zeitreihenanalyse (sagen künftige Muster voraus, ermitteln Trends und bestimmen die Wahrscheinlichkeit ungewisser Ergebnisse), und präskriptive Analysen (schlagen geeignete Maßnahmen zur Unterstützung einer optimalen Entscheidungsfindung vor). Diese Analysen können zur Beantwortung von Fragen wie der folgenden verwendet werden: Wie ist das gekennzeichnete Risiko in diesem Zeitraum im Vergleich zu früheren Zeiträumen?
• Neben der erweiterten Analyse werden Machine Learning-(ML-)Modelle entwickelt, trainiert und eingesetzt. Diese trainierten Modelle können sowohl mit aktuellen als auch mit historischen Transaktionsdaten laufen, um Finanzorganisationen dabei zu helfen, Risiken besser vorherzusagen und zu verwalten – zum Beispiel durch Abgleichsmuster von Transaktionen und Verhaltensweisen zur Erkennung von Geldwäsche. Die Ergebnisse können an den Serving Layer zurückgegeben und mit Analysetools wie Oracle Analytics Cloud gemeldet werden. Um das Modelltraining zu optimieren, können Modell und Daten außerdem in Systeme für maschinelles Lernen, wie z. B. OCI Data Science, eingespeist werden. So können die Modelle für eine effektivere Risikoanalyse weiter trainiert werden. Auf diese Modelle kann über APIs zugegriffen werden, die im bereitstellenden Datenspeicher bereitgestellt oder als Teil der Streaming-Analyse-Pipeline von OCI GoldenGate eingebettet werden.
• Darüber hinaus können wir die erweiterten Funktionen von Cloud-nativen KI-Services nutzen.
• OCI Anomaly Detection ist ein KI-Service, mit dem Sie ganz einfach geschäftsspezifische Anomalieerkennungsmodelle erstellen können, die kritische Vorfälle kennzeichnen und die Erkennung und Lösung beschleunigen. In diesem Anwendungsfall würden wir diese Modelle einsetzen, um die Nichteinhaltung von IFRS 9 und IFRS 17, CECL, LDTI, OECD, Basel und anderen Standards und Anforderungen zu ermitteln und zu überwachen. Diese Identifizierung kann zusammen mit historischen Lösungsdaten für Abhilfemaßnahmen und Prozessverbesserungen genutzt werden. Für die Risikobewertung, einschließlich Kredit-, Liquiditäts-, Markt- und Unternehmensleistung, kann OCI Anomaly Detection zur Überwachung von Leistungskennzahlen verwendet werden, um sicherzustellen, dass die aktuelle Leistung und die Transaktionen das Gesamtrisiko nicht erhöhen.
• Außerdem können wir mit OCI Anomaly Detection die Anzahl der konformen/nicht konformen Vorfälle nach Kategorie überwachen und ermitteln, ob eine bestimmte Änderung im Unternehmen ungewöhnliche Compliance-Eskalationen verursacht. Darüber hinaus kann OCI Anomaly Detection dazu beitragen, die Grundursache der Compliance-Verstöße zu identifizieren, indem die Verwendung von Compliance-Regeln überwacht wird. Auf diese Weise überprüft es, ob die letzten Transaktionen ein ungewöhnliches Nutzungsverhalten aufweisen.
• OCI Forecasting kann zur Vorhersage von Leistungskennzahlen sowie von externen Faktoren wie Marktbedingungen und Kundenverhalten verwendet werden, um die Wahrscheinlichkeit eines drohenden Risikos zu analysieren und dieses möglicherweise zu erkennen.
• Mit OCI Language und OCI Vision können Dokumente und Texte aufgenommen werden, die zur Anreicherung von Daten für das Risikomanagement beitragen können.
• Data Governance ist eine weitere wichtige Komponente. Dies wird von OCI Data Catalog bereitgestellt, einem kostenlosen Service, der Data Governance und Metadatenverwaltung (sowohl für technische als auch für geschäftliche Metadaten) für alle Datenquellen im Data Lakehouse-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.
• Letztendlich können unsere jetzt kuratierten, getesteten, hochwertigen und geregelten Daten und Modelle als Datenprodukt (API) innerhalb einer Datennetzarchitektur zur Verteilung über die Finanzdienstleistungsorganisation bereitgestellt werden.

Verbesserung der Risikoberechnungen und des regulatorischen Reporting mit der richtigen Datenplattform

Oracle Data Platform kann Finanzdienstleistern dabei helfen, mit der dynamischen Landschaft des Risikomanagements und des regulatorischen Reporting Schritt zu halten, die zunehmende Komplexität der Reporting-Anforderungen von Behörden auf der ganzen Welt zu bewältigen und sicherzustellen, dass sie Zugang zu Daten auf der richtigen Granularitätsebene haben. Die Lösung von Oracle bietet eine integrierte Umgebung und einen Rahmen für die Verwaltung von Risikodaten, die den wertvollen Zeit- und Ressourcenaufwand von Unternehmen für die Erstellung von regulatorischen Berichten reduzieren. Mit einer automatisierten Lösung, die Qualitätsregeln anwendet und Datensilos beseitigt, können Unternehmen auf ihre Zulassungsanträge vertrauen sowie Risiken besser verstehen, verwalten und minimieren.