Improve risk calculations and regulatory reporting

Sfide nel reporting normativo

Con la crescente complessità dei requisiti di reporting da parte delle autorità di regolamentazione di tutto il mondo, negli ultimi anni sono aumentati il costo e l'onere delle risorse dei report normativi. Per stare al passo con il costante ritmo dei cambiamenti, le aziende finanziarie devono trovare il modo di soddisfare i requisiti in continua espansione in modo più efficiente e accurato, mentre l'architettura dei dati si evolve strategicamente per migliorare le prestazioni e stimolare la crescita.

Molte organizzazioni di servizi finanziari stanno ancora sprecando molto tempo e risorse qualificate per preparare i report normativi. Senza un sistema automatizzato che esegue controlli della qualità dei dati ed elimina i silos di dati, le banche non possono avere la certezza che le comunicazioni normative siano accurate senza dedicare innumerevoli ore a rivedere i report. L'accesso ai dati al livello di granularità desiderato è un'altra sfida perché diversi sistemi acquisiscono dati a diversi livelli, ad esempio i sistemi di prestito acquisiscono dati a livello di conto e transazione, i sistemi di generazione prestiti acquisiscono dati a livello di interrogazione e i sistemi di carte di credito acquisiscono dati a livello di carta e transazione. L'analisi dei dati a un livello coerente di granularità consente agli istituti finanziari di acquisire una conoscenza a 360° delle operazioni, dei clienti e dei mercati. Consente loro di visualizzare i dati nel contesto e di identificare relazioni, pattern e tendenze che potrebbero mancare se i dati fossero aggregati o disaggregati in modo incoerente.

Per affrontare questi problemi, le organizzazioni di servizi finanziari stanno ridefinendo l'approccio al calcolo dei rischi, al reporting normativo e alla compliance come processo olistico e alla ricerca di automazione e governance end-to-end, dall'acquisizione e analisi dei dati al reporting, inclusa la sottomissione finale alle autorità di regolamentazione.

Gestisci la compliance e i rischi in modo più efficace con il machine learning e l'intelligenza artificiale

L'architettura seguente dimostra come possiamo combinare componenti e funzionalità Oracle, tra cui analisi avanzate, intelligenza artificiale e apprendimento automatico, per creare una piattaforma dati completa per il reporting normativo e il calcolo dei rischi che facilita l'integrazione dei dati, la qualità dei dati, la standardizzazione, l'elaborazione, la derivazione e l'agilità. La piattaforma dati offre agli istituti finanziari una solida base per soddisfare i requisiti normativi, creare report tempestivi e accurati ed eseguire calcoli efficaci del rischio.

Questa immagine mostra come utilizzare Oracle Data Platform per il settore sanitario che può essere usato per il supportare basato sul valore della cura con il monitoraggio delle 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. Le applicazioni Oracle implicano Fusion SaaS, Oracle E-Business Suite ed EPM.
2. 2. I record aziendali (dati proprietari) comprendono transazioni, ricavi e margine.
3. 3. Le terze parti includono dati provenienti da tassi di cambio, feed di mercato e prezzi delle materie prime.

Il pillar Ingest, Transform comprende tre funzionalità.

1. 1. Il trasferimento di massa usa OCI FastConnect, OCI Data Transfer, MFT e OCI CLI.
2. 2. Il Batch ingestion utilizza OCI Data Integration, Oracle Integration Cloud e Data Studio.
3. 3. Change data capture utilizza OCI GoldenGate e Oracle Data Integrator.
4. 4. L'inclusione dello streaming utilizza OCI Streaming, Kafka Connect e strumenti di DB.

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

Il pillar Persist, Curate, Create comprende cinque funzionalità.

1. 1. Il data store preposto utilizza Autonomous Data Warehouse.
2. 2. Compute Farms utilizza HPC.
3. 3. Lo storage cloud utilizza lo storage degli oggetti OCI.
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/il data lake è connesso in modo unidirezionale al data store di servizio e, inoltre, è connesso in modo bidirezionale all'elaborazione in batch e alla farm di server.

Due funzionalità si connettono al pillar Analyze, Learn, Predict: il data store di servizio si connette in modo unidirezionale alla funzionalità di analisi e visualizzazione e in modo bidirezionale alle funzionalità dei servizi di IA. Lo storage cloud si connette alla funzionalità dei servizi di IA.

Il pillar Analyze, Learn, Predict comprende tre funzionalità.

1. 1. Analytics e visualizzazione utilizzano GraphStudio, Oracle Analytics Cloud e ISV.
2. 2. I servizi AI includono il rilevamento delle anomalie OCI, il linguaggio OCI, le previsioni OCI e la visione OCI.
3. 3. Il data store, l'analisi, la visualizzazione e lo storage degli oggetti forniscono metadati a OCI Data Catalog.

Il pillar Measure, Act acquisisce il modo in cui l'analisi dei dati può essere applicata per supportare il calcolo dei rischi e le applicazioni di reporting normativo. Queste applicazioni sono suddivise in due gruppi.

1. 1. Il primo gruppo "Persone e partner" include compliance e reporting normativo, oltre all'aggregazione dei rischi e alla reportistica.
2. 2. Il secondo gruppo "Applicazioni" include l'analisi del rischio di credito e del rischio di mercato, l'analisi del valore a rischio, l'analisi del rischio operativo, l'analisi del rischio di liquidità e l'analisi dello stress test e degli scenari.

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

Esistono tre modi principali per inserire i dati in un'architettura per consentire alle organizzazioni di servizi finanziari di semplificare i processi di calcolo dei rischi e di reporting normativo, migliorando al contempo la precisione.

• Per iniziare, abbiamo bisogno di includere dati da sistemi transazionali e applicazioni bancarie di base. Questi dati possono quindi essere arricchiti con dati dei clienti provenienti da fonti di terze parti, che potrebbero includere ad esempio dati non strutturati provenienti dai social media. In genere, si ricorre a estrazioni in tempo reale o quasi che richiedono l'acquisizione delle modifiche dei dati e tali informazioni vengono incluse regolarmente nei sistemi di gestione dei clienti, dei rischi e delle transazioni utilizzando Oracle Cloud Infrastructure (OCI) GoldenGate. OCI GoldenGate è anche un componente essenziale dell'evoluzione delle architetture di data mesh in cui i "prodotti dati" vengono gestiti tramite libri contabili di dati aziendali e flussi di dati poliglotti che eseguono processi di trasformazione e caricamento continui (anziché processi di inclusione ed estrazione, trasformazione e caricamento batch utilizzati in architetture monolitiche).
• Ora possiamo utilizzare lo streaming ingest per includere dati di trading in tempo reale. Ad esempio, quando viene eseguita una transazione commerciale, tutte le informazioni ad essa associate vengono incluse e poi distribuite per aggiornare conti e libri contabili, ricalcolare i rischi e avviare i processi di liquidazione. Questi dati vengono inclusi in formato raw (formato non trasformato) tramite il connettore HDFS/S3 per la persistenza a lungo termine e alcune trasformazioni/aggregazioni di base vengono eseguite prima che i dati vengano memorizzati nello storage cloud. Parallelamente all'inserimento, possiamo filtrare, aggregare, correlare e analizzare elevati volumi di dati da più sorgenti in tempo reale utilizzando streaming analytics. Ciò consente agli istituti finanziari di rilevare minacce e rischi aziendali. Gli eventi di correlazione e i pattern identificati possono essere recuperati (manualmente) e i dati grezzi possono essere esaminati utilizzando OCI Data Science. È inoltre possibile generare eventi per attivare le azioni. Queste azioni possono essere incentrate direttamente sui clienti, ad esempio notificare ai clienti potenziali frodi tramite e-mail o SMS o bloccare carte di debito compromesse oppure semplificare i processi interni, ad esempio avvisando il team di compliance che è stato identificato un problema potenziale. OCI GoldenGate Stream Analytics è una tecnologia in-memory che esegue calcoli analitici in tempo reale sui dati di streaming.
• E' necessario l'accesso ai dati cronologici sulle prestazioni, alle tendenze e ai pattern per comprendere e prevedere con precisione i rischi. In genere, questa procedura richiede il caricamento di un grande volume di dati transazionali e altre metriche e set di dati operativi (ad esempio dati di mercato e prezzi delle materie prime) da data store on-premise utilizzando metodi e servizi di trasferimento di massa, come OCI Data Transfer Service.
• Sebbene le esigenze in tempo reale si evolvano, l'estrazione più comune da parte dei sistemi bancari di base, clienti e sistemi finanziari è un batch ingestion che utilizza un processo di estrazione, trasformazione e caricamento. Batch ingestion viene spesso utilizzata per importare dati da sistemi che non supportano l'ingestion in streaming (ad esempio vecchi sistemi mainframe) o dati che non devono necessariamente essere analizzati in tempo reale, ad esempio dati su prestiti e mutui. Questi dati sono altamente strutturati con un elevato grado di qualità/integrità e sono spesso elaborati dall'applicazione/dal sistema transazionale in massa secondo una pianificazione specifica, ad esempio, ogni ora, 15 minuti dopo l'ora o il giorno a mezzogiorno (i periodi possono essere più lunghi per soddisfare processi complessi). Ingestion in bulk dopo che l'elaborazione dell'origine è stata completata rappresenta la modalità di inserimento più efficiente a livello di rete. Queste Batch ingestions possono essere eseguite di frequente, spesso ogni 10 o 15 minuti, ma sono ancora in massa poiché vengono estratti ed elaborati gruppi di transazioni piuttosto che singole transazioni. OCI offre servizi diversi per gestire batch ingestion, ad esempio il servizio nativo OCI Data Integration o Oracle Data Integrator in esecuzione su OCI Compute Instance. A seconda dei volumi e dei tipi di dati, è possibile caricare i dati nell'object storage o caricarli direttamente in un database relazionale strutturato per lo storage persistente.

La persistenza e l'elaborazione dei dati si basano su tre componenti (facoltativamente quattro).

• I dati di tipo RAW vengono memorizzati nello storage cloud con finalità algoritmiche. OCI Object Storage viene utilizzato come livello di persistenza dei dati primari. Spark in OCI Data Flow è il motore principale di elaborazione batch per dati transazionali, posizione, applicazione e mappatura geografica. 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.
• Una volta elaborati, questi set di dati vengono collocati nuovamente nello storage cloud per le funzioni di persistenza, conservazione e analisi successive e infine per il caricamento in formato ottimizzato per il data store, fornito da Oracle Autonomous Data Warehouse. I dati ora sono persistenti in formato relazionale ottimizzato per la cura e le prestazioni delle query. In alternativa, a seconda dell'architettura scelta, è possibile utilizzare Oracle Big Data Service come cluster Hadoop gestito. In questo caso d'uso, tutti i dati necessari per addestrare i modelli di apprendimento automatico sono accessibili in formato raw dall'Object storage. Per addestrare i modelli, i pattern cronologici vengono abbinati ai record a livello di transazione per identificare e assegnare etichette ai rischi potenziali. La combinazione di questi set di dati con altri, come i dati dei dispositivi e i dati geospaziali, ci consente di applicare tecniche di data science per perfezionare i modelli esistenti e svilupparne di nuovi, nonché migliorare la gestione e la previsione dei rischi. Questo tipo di persistenza può essere utilizzato anche per memorizzare i dati per gli schemi che fanno parte dei data store a cui si accede tramite tabelle esterne e partizioni ibride.
• Come descritto nella sezione Ingestion, le organizzazioni di servizi finanziari si occupano di enormi quantità di dati, tra cui dati storici sul mercato, dati commerciali in tempo reale, indicatori economici e altro ancora. High Performance Computing(HPC) consente l'elaborazione e l'analisi efficienti di set di dati di grandi dimensioni per una valutazione completa dei rischi. La previsione dei rischi finanziari implica l'uso di modelli matematici e statistici complessi, come le simulazioni Monte Carlo, i modelli di prezzo delle opzioni e i modelli dei fattori di rischio. Questi modelli richiedono un notevole potere computazionale per eseguire calcoli e simulazioni in modo accurato e rapido. I sistemi HPC in un compute farm forniscono le risorse computazionali necessarie per gestire questi modelli complessi in modo estremamente efficiente dal punto di vista delle risorse utilizzando i principi del cloud computing.

La capacità di analizzare, apprendere e prevedere si basa su tre tecnologie.

• I servizi di analisi e visualizzazione, come Oracle Analytics Cloud, forniscono analisi basate su dati curati dal data store di servizio. Questo consente alle organizzazioni di usare analisi descrittive (per descrivere le tendenze attuali di identificazione dei rischi e attività flaggate con istogrammi e grafici), analisi predittive, come analisi di serie temporali (per prevedere eventi futuri, identificare le tendenze e determinare la probabilità di esiti incerti) e analisi prescrittive (per proporre azioni appropriate a supporto di un processo decisionale ottimale). Questi dati analitici possono essere utilizzati per rispondere a domande quali: Come si contrassegna il rischio di questo periodo rispetto ai periodi precedenti?
• Oltre all'uso di analytics avanzati, vengono sviluppati, addestrati e distribuiti modelli di machine learning. Questi modelli addestrati possono essere eseguiti su dati transazionali sia attuali che passati per aiutare le organizzazioni finanziarie a prevedere e gestire meglio i rischi, ad esempio abbinando modelli di transazioni e comportamenti per rilevare il riciclaggio di denaro, e i risultati possono essere riportati al livello di servizio utilizzando strumenti di analisi come Oracle Analytics Cloud. Per ottimizzare l'addestramento dei modelli, il modello e i dati possono anche essere inseriti in sistemi di apprendimento automatico, come OCI Data Science, per addestrare ulteriormente i modelli e ottenere un'analisi più efficace. Questi modelli sono accessibili tramite le API, sviulluppate all'interno del data store o incorporate in OCI GoldenGate nell'ambito degli analytics streaming pipeline.
• Inoltre, possiamo utilizzare le funzionalità avanzate dei servizi di intelligenza artificiale cloud native.
• OCI Anomaly Detection è un servizio di intelligenza artificiale che semplifica la creazione di modelli di rilevamento delle anomalie specifici dell'azienda che segnalano incidenti critici, accelerando il rilevamento e la risoluzione. In questo caso d'uso, distribuiremmo questi modelli per identificare e monitorare la non conformità agli IFRS 9 e agli IFRS 17, CECL, LDTI, OECD, Basilea e altri standard e requisiti. Questa identificazione può essere utilizzata insieme ai dati di risoluzione cronologica per la correzione e il miglioramento dei processi. Per la valutazione dei rischi, incluse le valutazioni dei rischi a livello di credito, liquidità, mercato e prestazioni aziendali, OCI Anomaly Detection può essere utilizzato per monitorare le metriche delle prestazioni in modo da garantire che le prestazioni correnti e le transazioni non aumentino i rischi complessivi.
• Possiamo anche utilizzare OCI Anomaly Detection per monitorare il numero di occorrenze conformi/non conformi per categoria al fine di identificare se una modifica specifica dell'attività può causare escalation di compliance insolite. Inoltre, OCI Anomaly Detection può aiutare a identificare la causa principale della non conformità monitorando l'uso delle regole compliance e verificare se le transazioni recenti mostrano un utilizzo insolito.
• OCI Forecasting può essere utilizzata per prevedere le metriche delle prestazioni e i fattori esterni, come le condizioni di mercato e i comportamenti dei clienti, per analizzare la probabilità e identificare potenzialmente il rischio imminente.
• OCI Language e OCI Vision possono includere documenti e testo che consentono di arricchire i dati per le attività di gestione dei rischi.
• La governance dei dati è un'altra componente fondamentale. E' 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 sorgenti 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.
• Infine, i nostri dati e modelli di alta qualità, curati, testati e governati possono essere esposti come un prodotto dati (API) all'interno di un'architettura di data mesh per la distribuzione all'interno dell'organizzazione di servizi finanziari.

Migliora i calcoli dei rischi e la reportistica normativa con la piattaforma dati giusta

Oracle Data Platform può aiutare le organizzazioni di servizi finanziari a stare al passo con lo scenario di gestione dei rischi e reporting normativo in rapida evoluzione, gestire la crescente complessità dei requisiti di reporting da parte delle autorità di regolamentazione a livello mondiale e garantire che abbiano accesso ai dati a un livello di granularità corretto. La soluzione Oracle offre un ambiente e un framework integrati per la gestione dei dati sui rischi e riducono il tempo e le risorse preziose che le organizzazioni devono dedicare alla preparazione dei report normativi. Grazie a una soluzione automatizzata che applica le regole di qualità ed elimina i silos di dati, le organizzazioni possono contare sui propri aspetti normativi e comprendere, gestire e ridurre al minimo i rischi.