Improve financial services operations and performance

Aumenta la redditività dei servizi finanziari con efficienza operativa basata sui dati

Gli istituti di servizi finanziari devono disporre di operazioni interne efficienti per rimanere competitivi e aumentare la redditività, in particolare perché le società di tecnologia finanziaria rendono più incisive le attività nel settore dei servizi finanziari. In teoria, ci sono due modi per migliorare la redditività: aumentare i ricavi e diminuire le spese. Entrambi sono fondamentali. Per affrontare la sfida della crescente redditività in un settore in rapida evoluzione, gli istituti di servizi finanziari si stanno focalizzando sull'uso dell'enorme quantità di dati e informazioni disponibili per migliorare l'efficienza operativa e le prestazioni. Adottando un approccio basato sui dati per semplificare i processi, eliminare le ridondanze e ottimizzare l'allocazione delle risorse, le organizzazioni di servizi finanziari possono ridurre i costi e migliorare l'erogazione dei servizi.

Quest'ultimo fattore è particolarmente importante in un settore così competitivo, in rapida evoluzione e irregolare. Le organizzazioni che operano in modo efficiente possono offrire prezzi più competitivi, un servizio più rapido e di livello superiore, una maggiore precisione e una migliore Customer Experience rispetto alla concorrenza. I clienti apprezzano esperienze rapide e prive di problemi e le esperienze positive dei clienti contribuiscono alla fedeltà dei clienti, alla fidelizzazione e a un passaparola positivo, il tutto in grado di favorire la crescita e i ricavi.

L'efficienza operativa getta anche le basi per agilità e adattabilità, aiutando le organizzazioni di servizi finanziari a stare al passo con i cambiamenti del mercato, i requisiti normativi e le richieste dei clienti. Le organizzazioni agili possono lanciare nuovi prodotti più velocemente, adattarsi ai progressi tecnologici, cogliere opportunità emergenti e prosperare in un ambiente dinamico.

Inoltre, l'efficienza operativa svolge un ruolo importante nell'efficace gestione del rischio, fondamentale per mantenere la fiducia dei clienti, delle autorità di regolamentazione e delle parti interessate. Le inefficienze operative, inclusi errori manuali, colli di bottiglia dei processi e controlli inadeguati, possono introdurre rischi e causare violazioni della compliance, violazioni della sicurezza e interruzioni operative. Migliorando l'efficienza operativa, le organizzazioni di servizi finanziari possono mitigare questi rischi, garantire la conformità alle normative e migliorare la sicurezza dei dati dei clienti.

Questi vantaggi sono tutti essenziali per la crescita. Man mano che le organizzazioni di servizi finanziari espandono le proprie attività o entrano in nuovi mercati, devono assicurarsi che i loro processi possano gestire maggiori volumi senza sacrificare la qualità o sostenere costi eccessivi. I processi efficienti possono essere facilmente replicati, automatizzati o adattati per supportare iniziative di crescita, consentendo alle organizzazioni di cogliere le opportunità ed espandere la propria presenza sul mercato.

Ottimizza l'efficienza operativa e riduci i costi con una piattaforma dati completa

Tramite inserimento, cura e analisi dei dati su processi operativi e prestazioni, le organizzazioni di servizi finanziari possono identificare ed eliminare colli di bottiglia e inefficienze per ottimizzare ogni interazione interna ed esterna e migliorare i risultati. L'architettura illustrata qui dimostra come abbinare i componenti Oracle per creare un'architettura di analisi che copra l'intero ciclo di vita dell'analisi dei dati, progettata per aiutare gli istituti di servizi finanziari a ottenere l'ampia gamma di vantaggi aziendali descritti in precedenza.

Questa immagine mostra in che modo utilizzare Oracle Data Platform for financial services per promuovere e migliorare efficienza operativa e prestazioni. La piattaforma include i seguenti cinque pilastri:

1. 1. Data Sources, Discovery
2. 2. Ingestione, trasformazione
3. 3. Persist, Curate, Create
4. 4. Analyze, Learn, Predict
5. 5. Measure, Act

Il pillar Data Sources, Discovery include due categorie di dati.

1. 1. I dati dell'applicazione Oracle comprendono dati provenienti da Fusion SaaS, Oracle E-Business Suite, CX
2. 2. Record aziendali (dati proprietari) CRM, transazioni, informazioni conto, ricavi e margine
3. 3. I dati di terze parti comprendono tassi Forex, feed di mercato e prezzi delle materie prime

Il pillar Ingest, Transform comprende tre funzionalità.

1. 1. Batch ingestion utilizza OCI Data Integration, Oracle Integration Cloud e strumenti DB.
2. 1. Il trasferimento in blocco usa OCI FastConnect, OCI Data Transfer, MFT e OCI CLI.
3. 3. L'acquisizione dei dati di modifica utilizza OCI GoldenGate.
4. 4. Streaming ingest utilizza OCI Streaming Kafka Connect.

Tutte e quattro le funzionalità si connettono in modo unidirezionale all'interno del data store e nello storage cloud nel pillar Persist, Curate, Create.

Inoltre, l'inserimento dello streaming è connesso all'elaborazione dei flussi all'interno del pillar Analyze, Learn, Predicti.

Il pillar Persist, Curate, Create comprende cinque funzionalità.

1. 1. Il data store preposto utilizza Oracle Autonomous Data Warehouse ed Exadata Cloud Service.
2. 3. Cloud Storage utilizza OCI object storage.
3. 3. Hadoop gestito utilizza Oracle Big Data Service
4. 4. L'elaborazione batch utilizza il flusso dati OCI.
5. 5. Governance utilizza il catalogo dati OCI.

Queste funzionalità sono connesse all'interno del pillar. Lo storage cloud è connesso in modo unidirezionale al data store di servizio e, inoltre, è connesso in modo bidirezionale all'elaborazione in batch.

Due funzionalità si connettono al pillar Analyze, Learn, Predict. Il data store di servizio si connette sia alla funzionalità di analisi e visualizzazione, sia ai prodotti dati, funzionalità API. Lo storage cloud si connette alla funzionalità di apprendimento automatico.

Il pillar Analyze, Learn, Predict comprende due funzionalità.

1. 1. Analitycs e visualizzazione utilizzano Oracle Analytics Cloud, GraphStudio e ISV.
2. 2. Il machine learning utilizza Oracle Machine Learning.

Il pillar Measure, Act acquisisce il modo in cui l'analisi dei dati può essere utilizzata: da persone e partner.

People and Partner comprende l'efficienza operativa (tempi di elaborazione, tassi di errore, utilizzo delle risorse), l'identificazione dei punti critici del processo, il ciclo di vita del cliente, l'analisi del mercato e della concorrenza, l'attribuzione delle prestazioni.

I tre pillar centrali: Ingest, Transform; Persist, Curate, Create; and Analyze, Learn, Predict sono supportati dall'infrastruttura, dalla rete, dalla sicurezza e da IAM.

Connetti, includi e trasforma i dati

La nostra soluzione è composta da tre pillar, ognuno dei quali supporta funzionalità specifiche della piattaforma dati. Il primo pillar offre la possibilità di connettere, ingerire e trasformare i dati.

Esistono quattro modi principali per inserire i dati in un'architettura e consentire alle organizzazioni di servizi finanziari di migliorare l'efficienza operativa e le prestazioni.

• Per avviare il nostro processo, abiliteremo il trasferimento di massa dei dati operativi delle transazioni. I servizi di trasferimento di massa vengono utilizzati nei casi in cui per la prima volta è necessario spostare grandi volumi di dati in Oracle Cloud Infrastructure (OCI), ad esempio i dati provenienti da repository analitici on premise esistenti o da altre origini cloud. Il servizio specifico di trasferimento di massa che utilizzeremo dipenderà dalla posizione dei dati e dalla frequenza di trasferimento. Ad esempio, possiamo utilizzare OCI Data Transfer service o OCI Data Transfer Appliance per caricare un grande volume di dati on-premise da repository di pianificazione storica o data warehouse. Quando è necessario spostare su base continuativa grandi volumi di dati, si consiglia di utilizzare OCI FastConnect, che fornisce una connessione di rete privata dedicata a larghezza di banda elevata tra il data center di un cliente e OCI.
• Le estrazioni frequenti in tempo reale o quasi in tempo reale sono in genere necessarie e i dati vengono regolarmente inseriti nei sistemi di gestione dellle transazioni e dei clienti tramite OCI GoldenGate. OCI GoldenGate utilizza l'acquisizione di modifica dei dati per rilevare gli eventi di modifica nella struttura di base dei sistemi dei processi operativi assistiti (ad esempio, la creazione di un account, un problema del cliente, le indicazioni sulle frodi e così via) e invia i dati in tempo reale a livello di persistenza e/o a livello di streaming.
• La capacità di analizzare i dati provenienti da più fonti in tempo reale può aiutare le organizzazioni di servizi finanziari a fornire preziose informazioni sull'efficienza operativa e sulle prestazioni complessive in modo da poter comprendere e misurare l'efficienza dei propri processi di base. In questo caso d'uso utilizziamo l'streaming ingest per includere tutti i dati di eventi interni o dei clienti tramite interazioni mobili, IoT, le comunicazioni da computer a computer e altri mezzi. I flussi possono provenire da una vasta gamma di fonti interne ed esterne e possono includere dati sulle transazioni, dati sulle interazioni dei clienti, dati sul mercato, dati sui social media e dati provenienti dai sistemi di compliance e normativi. I dati (eventi) verranno inclusi e alcune trasformazioni/aggregazioni di base verranno eseguite prima che vengano memorizzati in OCI Object Storage. È possibile utilizzare ulteriori funzionalità di analisi in streaming per identificare gli eventi correlati e qualsiasi pattern identificato può essere riutilizzato (manualmente) per un esame dei dati grezzi tramite OCI Data Science.
• Sebbene le esigenze in tempo reale si evolvano, l'estrazione più comune da sistemi transazionali, ERP, di pianificazione, dei clienti e di rischi e compliance è un tipo batch ingestion mediante un processo ETL. Batch ingestion viene utilizzata per importare dati da sistemi che non sono in grado di supportare lo streaming, ad esempio i sistemi mainframe bancari meno recenti. Queste estrazioni possono essere inserite di frequente, spesso ogni 10 o 15 minuti, ma sono ancora in natura batch poiché vengono estratti ed elaborati gruppi di transazioni piuttosto che singole transazioni. OCI offre servizi diversi per gestire la batch ingestion, ad esempio il servizio OCI Data Integration e Oracle Data Integrator in esecuzione su OCI Compute instance. La scelta del servizio si baserebbe principalmente sulle preferenze dei clienti piuttosto che sui requisiti tecnici.

Sii persistente, elabora e cura i dati

La persistenza e l'elaborazione dei dati si basano su tre componenti. Alcuni clienti li useranno tutti, altri un sottoinsieme. A seconda dei volumi e dei tipi di dati, è possibile caricare i dati nell'object storagei o caricarli direttamente in un database relazionale strutturato per lo storage persistente. Quando si prevede di applicare le funzionalità di data science, i dati recuperati dalle sorgente di dati nel formato raw (come file nativo non elaborato o estrazione) vengono in genere acquisiti e caricati dai sistemi transazionali nello storage cloud.

• Lo storage cloud è il livello di persistenza dei dati più comune per la nostra piattaforma dati. Può essere utilizzato per dati strutturati e non strutturati. OCI Object Storage, OCI Data Flow e Oracle Autonomous Data Warehouse sono i componenti di base. I dati recuperati dalle sorgenti di dati nel relativo formato non elaborato vengono acquisiti e caricati OCI Object Storage. OCI Object Storage è il livello di persistenza dei dati primario e Spark in OCI Data Flow è il motore di elaborazione batch primario. L'elaborazione batch coinvolge diverse attività, tra cui il trattamento del rumore di base, la gestione dei dati mancanti e i filtri in base a set di dati in uscita definiti. I risultati vengono scritti di nuovo in vari livelli di object storage o in un repository relazionale persistente basato sull'elaborazione necessaria e sui tipi di dati utilizzati.
• Ora utilizzeremo un data store di servizio per rendere persistenti i nostri dati curati in un form ottimizzato per le prestazioni delle query e fornire una visione a 360° delle operazioni dell'organizzazione. Il data store di servizio fornisce un livello relazionale persistente utilizzato per fornire dati curati di alta qualità direttamente agli utenti finali tramite strumenti basati su SQL. In questa soluzione, viene creata un'istanza di Oracle Autonomous Data Warehouse come data store di servizio per il data warehouse aziendale e, se necessario, data mart a livello di dominio più specializzati. Può anche essere la fonte di dati per i progetti di data science o il repository necessario per Oracle Machine Learning. Il data store di servizio può assumere una delle varie forme, tra cui Oracle MySQL HeatWave, Oracle Database Exadata Cloud Service o Oracle Exadata Cloud@Customer.

Analizza i dati, impara e prevedi

La capacità di analizzare, prevedere e agire è facilitata da due approcci tecnologici.

• Le funzionalità di analisi avanzata sono fondamentali per ottimizzare l'efficienza operativa e le prestazioni. In questo caso d'uso, ci affidiamo a Oracle Analytics Cloud per offrire analisi e visualizzazioni. Questo consente alle organizzazioni di usare analisi descrittive (per descrivere le tendenze attuali con istogrammi e grafici), anaisi predittive (per prevedere eventi futuri, identificare le tendenze e determinare la probabilità di esiti incerti) e analisi prescrittive (per creare azioni appropriate a supporto di un processo decisionale ottimale).

  L'applicazione di modelli predittivi ai dati cronologici consente alle organizzazioni dei servizi finanziari di prevedere i risultati futuri e prendere decisioni proattive. Ad esempio, l'analisi predittiva può aiutare le banche a prevedere l'abbandono dei clienti, identificare potenziali casi di frode, prevedere i rischi di credito e ottimizzare le previsioni dei flussi di cassa. Ciò consente alle banche di intraprendere azioni preventive e di allocare le proprie risorse operative in modo efficace.

  L'analisi prescrittiva va oltre la previsione dei risultati e offre suggerimenti sulla migliore linea di azione. Le organizzazioni di servizi finanziari possono utilizzare l'analisi prescrittiva per ottimizzare il processo decisionale in aree quali l'approvazione dei prestiti, le strategie di investimento, i modelli di prezzo e la gestione del rischio. Considerando vari vincoli e obiettivi, l'analisi prescrittiva aiuta le organizzazioni a prendere decisioni basate sui dati che massimizzano efficienza e redditività. (La più ampia cultura dei dati in un'organizzazione svolgerà in ultima analisi un ruolo significativo nel successo di approccio di analisi predittiva).

• Oltre all'analisi avanzata, sempre più spesso vengono utilizzati data science, machine learning e intelligenza artificiale per cercare anomalie, prevedere dove potrebbero verificarsi le latenze e ottimizzare il percorso del cliente. Ad esempio, i modelli di apprendimento automatico possono essere utilizzati per il punteggio del credito, il rilevamento delle frodi, la segmentazione dei clienti e il marketing personalizzato. Apprendendo costantemente informazioni da nuovi dati, questi modelli possono adattare e migliorare le proprie prestazioni nel tempo, aumentando l'efficienza operativa e migliorando il processo decisionale. OCI Data Science, OCI AI Services e Oracle Machine Learning possono essere utilizzati nei database.

  Utilizziamo i metodi di apprendimento automatico e di data science per creare e addestrare i nostri modelli predittivi. Questi modelli di apprendimento automatico possono quindi essere distribuiti per il punteggio tramite le API o integrati nell'ambito della pipeline di analisi dei flussi GoldenGate OCI. In alcuni casi, questi modelli possono anche essere distribuiti nel database utilizzando l'API REST di Oracle Machine Learning Services (a tale scopo, il modello deve essere nel formato Open Neural Network Exchange). Inoltre, OCI Data Science per i notebook basati su Jupyter/Python o Oracle Machine Learning per i notebook Zeppelin e gli algoritmi di apprendimento automatico possono essere distribuiti all'interno del data store di servizio o transazionale. Analogamente, Oracle Machine Learning e OCI Data Science, da soli o in combinazione, possono sviluppare modelli di raccomandazione/decisione. Questi modelli possono essere distribuiti sotto forma di servizio, anche dietro il gateway API OCI, per essere rilasciati come "prodotti dati" e servizi. Infine, una volta creati, i modelli di apprendimento automatico possono essere distribuiti in applicazioni che fanno parte di un sistema decisionale operativo (se consentito).

• Il componente finale è la governance dei dati. Verrà fornito da OCI Data Catalog, un servizio gratuito che offre gestione della data governance e dei metadati (per metadati tecnici e aziendali) per tutte le fonti di dati nell'ecosistema della piattaforma dati. OCI Data Catalog è anche un componente fondamentale per le query da Oracle Autonomous Data Warehouse a OCI Object Storage in quanto fornisce un modo per individuare rapidamente i dati indipendentemente dal relativo metodo di storage. Ciò consente agli utenti finali, agli sviluppatori e ai data scientist di utilizzare un linguaggio di accesso comune (SQL) in tutti i data store persistenti nell'architettura.

I vantaggi derivanti dall'uso dei dati per migliorare l'efficienza operativa e le prestazioni

Man mano che la velocità del business e il livello di concorrenza aumentano, i sistemi legacy utilizzati per fornire dati operativi critici non riescono a tenere il passo. Questi sistemi hanno bisogno di un notevole intervento manuale per raccogliere, integrare e creare report da dati frammentati e silos e ciò significa che le informazioni arrivano troppo tardi per offrire al business il vantaggio di cui ha bisogno. Misurare, comprendere e migliorare l'efficienza operativa può offrire alle organizzazioni di servizi finanziari un vantaggio competitivo e numerosi benefit, tra cui:

• Una migliore capacità di acquisire e fidelizzare i clienti attraverso un'offerta di servizi efficiente, prezzi competitivi, un'esperienza cliente di livello superiore e offerte innovative.
• Decisioni aziendali più efficaci, informate da una visione unica e coerente di dati accurati disponibili al momento giusto
• Maggiore agilità, consentendo così alle organizzazioni di lanciare nuovi prodotti in tempi più rapidi, adattarsi ai progressi tecnologici e cogliere opportunità emergenti
• Complessità ridotta in tutta l'organizzazione
• Riduzione della duplicazione dei dati e degli errori manuali
• Riduzione del rischio grazie a una migliore gestione e mitigazione
• Riduzione dei costi
• Maggiore disponibilità dei dati a scopo analitico