Improve risk calculations and regulatory reporting

Provocări ale raportării de reglementare

Având în vedere complexitatea tot mai mare a cerințelor de raportare ale autorităților de reglementare din întreaga lume, povara costurilor și resurselor pentru raportarea de reglementare a crescut în ultimii ani. Străduindu-se să țină pasul cu schimbările constante, firmele financiare trebuie să găsească modalități de a îndeplini mai eficient și mai exact cerințele de date extinse, dezvoltându-și totodată strategic arhitectura de date, pentru a îmbunătăți performanța și a accelera dezvoltarea.

Multe organizații de servicii financiare continuă să aloce elaborării rapoartelor de reglementare foarte mult timp și resurse umane calificate. Fără un sistem automatizat care să efectueze verificări ale calității datelor și să elimine datele inutile, băncile nu pot avea siguranța că rapoartele lor de reglementare sunt exacte, dacă nu dedică nenumărate ore verificării acestora. Accesarea datelor la nivelul de granularitate dorit este o altă provocare, deoarece diferite sisteme captează date la diferite niveluri – de exemplu, sistemele de credit captează date la nivel de cont și de tranzacție, sistemele de acordare a creditelor captează date la nivel de verificare, iar sistemele de carduri de credit captează date la nivel de card și de tranzacție. Analizarea datelor la un nivel de granularitate consecvent le permite instituțiilor financiare să obțină o imagine la 360 de grade a operațiunilor, clienților și piețelor lor. Le permite să vizualizeze datele în context și să identifice relațiile, tiparele și tendințele care ar putea fi ratate dacă datele ar fi fost agregate sau dezagregate în mod inconsecvent.

Pentru a soluționa aceste probleme, organizațiile de servicii financiare își redefinesc abordarea față de calculul riscurilor, raportarea de reglementare și conformitatea ca proces holistic, dorind automatizare și guvernanță peste tot – de la captarea și analiza datelor până la raportare, inclusiv trimiterea finală către autoritățile de reglementare.

Gestionați conformitatea și riscurile mai eficient cu machine learning și AI

Următoarea arhitectură arată cum combinăm componente și capacități Oracle, inclusiv analiza avansată, AI și machine learning, pentru a crea o platformă de date complexă dedicată raportării de reglementare și calculelor de risc, care oferă o foarte bună integrare, calitate, standardizare, prelucrare, descendență și flexibilitate a datelor. Platforma de date le oferă instituțiilor financiare o bază solidă cu ajutorul căreia pot să respecte cerințele de reglementare, să creeze la timp rapoarte corecte și să efectueze calcule de risc eficiente.

Această imagine prezintă modul în care se poate utiliza Oracle Data Platform for Health pentru a sprijini îmbunătățirea îngrijirii medicale prin monitorizarea performanței. Platforma conține următorii cinci piloni:

1. 1. Surse de date, descoperire
2. 2. Asimilare, transformare
3. 3. Persistență, organizare, creare
4. 4. Analiză, învățare, estimare
5. 5. Măsurare, acționare

Pilonul Surse de date, descoperire include trei categorii de date.

1. 1. Oracle Apps implică Fusion SaaS, Oracle E-Business Suite și EPM.
2. 2. Evidențe companie (date din surse primare) este compusă din tranzacții, venituri și profituri.
3. 3. Terți include datele privind cursurile de schimb valutar, fluxurile de piață și prețurile mărfurilor.

Pilonul Asimilare, transformare cuprinde patru capacități.

1. 1. Transferul în masă utilizează OCI FastConnect, OCI Data Transfer, MFT și OCI CLI.
2. 2. Asimilarea în set utilizează OCI Data Integration, Oracle Integration Cloud și Data Studio.
3. 3. Captarea datelor de modificare utilizează OCI GoldenGate și Oracle Data Integrator.
4. 4. Asimilarea în flux utilizează OCI Streaming Kafka Connect și instrumente pentru bazele de date.

Toate cele patru capacități se conectează unidirecțional în spațiul de stocare în cloud din cadrul pilonului Persistență, organizare, creare.

Pilonul Persistență, organizare, creare cuprinde cinci capacități.

1. 1. Banca de date de deservire utilizează Autonomous Data Warehouse.
2. 2. Sistemele de calcul utilizează HPC.
3. 3. Stocarea în cloud utilizează OCI Object Storage.
4. 4. Prelucrarea în set utilizează OCI Data Flow.
5. 5. Organizarea utilizează OCI Data Catalog.

Aceste capacități sunt conectate în cadrul pilonului. Spațiul de stocare/depozitare din cloud este conectat unidirecțional la banca de date pentru deservire și bidirecțional la prelucrarea în set și la ferma de servere.

În cadrul pilonului Analiză, învățare și estimare se conectează două capacități: banca de date pentru deservire se conectează unidirecțional la capacitatea de analiză și vizualizare și bidirecțional la capacitatea AI Services. Stocarea în cloud se conectează la capacitatea AI Services.

Pilonul Analiză, învățare și estimare cuprinde trei capacități.

1. 1. Analize și vizualizări utilizează GraphStudio, Oracle Analytics Cloud și ISV-uri.
2. 2. AI Services include OCI Anomaly Detection, OCI Language, OCI Forecasting și OCI Vision.
3. 3. Banca de date pentru deservire, Analiză și vizualizare și Stocare obiecte furnizează metadate pentru OCI Data Catalog.

Pilonul Măsurare, acționare captează modul în care poate fi aplicată analiza datelor pentru a sprijini calculul riscurilor și soluția pentru raportarea de reglementare. Aceste aplicații sunt împărțite în două grupuri.

1. 1. Primul grup, „Persoane și parteneri”, cuprinde raportarea de conformitate și de reglementare, precum și agregarea și raportarea riscurilor.
2. 2. Al doilea grup, „Aplicații”, include analiza riscului în cazul creditelor și riscul pieței, analiza valorii la risc, analiza riscului operațional, analiza riscului privind lichiditățile și analiza testelor și situațiilor de stres.

Cei trei piloni centrali – Asimilare, transformare; Persistență, organizare, creare și Analiză, învățare, estimare – sunt acceptați de infrastructură, rețea, securitate și IAM.

Există patru moduri principale în care organizațiile de servicii financiare pot injecta date într-o arhitectură pentru a eficientiza calculul riscurilor și raportarea de reglementare, îmbunătățind totodată acuratețea acestora.

• Pentru început, trebuie să preluăm date din sistemele tranzacționale și din aplicațiile bancare de bază. Aceste date pot fi apoi îmbogățite cu date despre clienți din surse terțe, care ar putea include date nestructurate din rețelele de socializare, de exemplu. Extrasele frecvente în timp real sau aproape real necesită, de obicei, captarea datelor de modificare, iar datele sunt asimilate periodic din sistemele tranzacționale, de risc și de management al clienților utilizându-se Oracle Cloud Infrastructure (OCI) GoldenGate. Și OCI GoldenGate este o componentă esențială a arhitecturilor moderne de rețele de date, în care „produsele de date” sunt gestionate prin intermediul registrelor corporative și fluxurilor de date poliglote, care efectuează procese continue de transformare și încărcare (nu procesele de asimilare, extragere, transformare și încărcare în set utilizate în arhitecturile monolitice).
• Acum, putem utiliza asimilarea în flux pentru a colecta datele de tranzacționare în timp real. De exemplu, în momentul unei tranzacții, toate informațiile aferente sunt colectate și apoi implementate pentru actualizarea conturilor și evidențelor, pentru recalcularea riscului și pentru demararea proceselor de debitare. Aceste date sunt asimilate în stare brută (netransformate), prin conectorul HDFS/S3, pentru persistență pe termen lung, înainte de stocarea lor în cloud fiind efectuate doar niște transformări/agregări de bază. În paralel cu asimilarea, putem filtra, agrega, corela și analiza volume mari de date din mai multe surse în timp real utilizând analiza în flux. Astfel, instituțiile financiare pot detecta amenințările și riscurile pentru activitatea lor. Evenimentele corelate și tiparele identificate pot fi transmise înapoi (manual), iar datele brute pot fi examinate cu ajutorul OCI Data Science. În plus, pot fi generate evenimente, pentru declanșarea unor acțiuni. Aceste acțiuni pot fi orientate direct către clienți, cum ar fi notificarea acestora despre posibile fraude prin e-mail sau SMS ori despre blocarea cardului de debit compromis sau pot simplifica procesele interne – de exemplu, prin notificarea echipei de conformitate în privința identificării unei posibile probleme. OCI GoldenGate Stream Analytics este o tehnologie in-memory care efectuează calcule analitice în timp real utilizând date în flux.
• Pentru cunoașterea și anticiparea cu exactitate a riscurilor, este necesar accesul la istoricul datelor, tendințelor și modelelor de performanță. În acest scop, de obicei, trebuie încărcat un volum mare de date tranzacționale, indicatori și seturi de date operaționale (cum ar fi datele de piață și prețurile mărfurilor) din depozitele de date on-premises, cu ajutorul unor metode și servicii de transfer în masă precum OCI Data Transfer Service.
• Deși nevoile în timp real evoluează, cea mai comună extragere din sistemele de banking, clienți și financiare de bază este o asimilare în set printr-un proces de extragere, transformare și încărcare. Asimilarea în set este utilizată adesea pentru importul datelor din sisteme care nu pot accepta asimilarea în flux (de exemplu, sistemele mainframe mai vechi) sau date care nu trebuie analizate neapărat în timp real, cum ar fi cele privind împrumuturile și creditele ipotecare. Aceste date sunt foarte structurate și au un grad înalt de calitate/integritate, fiind de cele mai multe ori prelucrate în set de aplicația/sistemul pentru tranzacții, conform unui anumit program – de exemplu, cu 15 minute după fiecare oră sau zilnic la prânz (perioadele pot fi și mai lungi, în cazul proceselor complexe). Asimilarea în set după finalizarea prelucrării sursei este modalitatea de asimilare cea mai eficientă sub aspectul calculului și rețelei. Asimilările în set pot fi frecvente, adică la fiecare 10 sau 15 minute, dar sunt, de fapt, tot în masă, deoarece sunt extrase și prelucrate grupuri de tranzacții, nu tranzacții individuale. OCI oferă diferite servicii pentru asimilarea în set, cum ar fi serviciul nativ OCI Data Integration sau Oracle Data Integrator, care rulează pe o instanță OCI Compute. În funcție de volumul și de tipul datelor, datele pot fi încărcate în spațiul de stocare pentru obiecte sau direct într-o bază de date relațională, structurată pentru stocarea persistentă.

Persistența și prelucrarea datelor se bazează pe trei (opțional, patru) componente.

• Datele brute asimilate sunt stocate în spațiul de stocare din cloud, pentru scopuri algoritmice; noi folosim OCI Object Storage ca nivel principal de persistență a datelor. Spark din OCI Data Flow este motorul principal de prelucrare în set a datelor legate de tranzacții, locație, aplicații și maparea geografică. Prelucrarea în set implică mai multe activități, inclusiv tratarea datelor de bază, gestionarea datelor lipsă și filtrarea pe baza anumitor seturi de date de ieșire. Rezultatele sunt scrise înapoi în diferite niveluri ale spațiului de stocare pentru obiecte sau într-un depozit relațional persistent, în funcție de prelucrarea necesară și de tipurile de date utilizate.
• Aceste seturi de date prelucrate sunt returnate în spațiul de stocare din cloud pentru persistența, organizarea și analizarea lor ulterioară și, în cele din urmă, pentru încărcarea lor, într-un format optimizat, în banca de date pentru deservire furnizată, în acest caz, de Oracle Autonomous Data Warehouse. Acum, datele sunt păstrate într-o formă relațională optimizată pentru organizare și interogarea performantă. Sau, în funcție de preferințele arhitecturale, această prelucrare se poate realiza cu Oracle Big Data Service ca cluster Hadoop gestionat. În acest caz de utilizare, toate datele necesare pentru instruirea modelelor de machine learning sunt accesate în formă brută din spațiul de stocare pentru obiecte. Pentru instruirea modelelor, se utilizează atât istoricul tiparelor, cât și evidențele la nivel de tranzacție, posibilele riscuri fiind identificate și etichetate. Combinarea acestor seturi de date cu altele, cum ar fi datele de pe dispozitive și datele geospațiale, ne permite să aplicăm tehnici de știință a datelor pentru a rafina modelele existente și pentru a crea altele noi, astfel încât riscurile să fie gestionate și anticipate mai bine. Acest tip de persistență poate fi utilizat și pentru stocarea datelor necesare schemelor care fac parte din bazele de date accesate prin tabele externe și partiții hibride.
• După cum este descris în secțiunea despre asimilare, organizațiile de servicii financiare lucrează cu cantități masive de date, inclusiv date de piață istorice, date de tranzacționare în timp real, indicatori economici etc. Calculul de înaltă performanță (HPC) permite prelucrarea și analizarea eficientă a unor seturi mari de date, fiind posibilă o evaluare a riscurilor din toate punctele de vedere. Evaluarea riscului financiar implică utilizarea unor modele matematice și statistice complexe, precum simulările Monte Carlo, modelele de stabilire a prețurilor pe bază de opțiuni și modelele factorilor de risc. Aceste modele necesită o putere de calcul substanțială, pentru efectuarea calculelor și simulărilor exact și rapid. Sistemele HPC dintr-o fermă de servere oferă resursele de calcul necesare gestionării acestor modele complexe într-un mod extrem de eficient sub aspectul consumului de resurse, utilizându-se principiile calculului în cloud.

Capacitatea de analiză, învățare și estimare se bazează pe trei tehnologii.

• Serviciile de analiză și vizualizare, cum ar fi Oracle Analytics Cloud, oferă analize pe baza datelor organizate din banca de date pentru deservire. Aici sunt incluse analiza descriptivă (descrie prin histograme și diagrame tendințele privind identificarea riscurilor și activitățile semnalate curente), analiza predictivă, cum ar fi analiza seriilor temporale (anticipează tiparele viitoare, identifică tendințele și stabilește probabilitatea rezultatelor incerte) și analiza prescriptivă (propune acțiunile adecvate care susțin un proces decizional optim). Aceste analize pot fi utilizate pentru răspunsuri la întrebări ca: Prin ce se deosebesc riscurile semnalate în această perioadă de cele din perioadele anterioare?
• Pe lângă analizele avansate, sunt create, instruite și implementate modele de machine learning. Aceste modele instruite pot fi rulate atât pentru datele tranzacționale curente, cât și pentru cele istorice, ajutând organizațiile financiare să anticipeze și să gestioneze riscurile mai bine – de exemplu, prin asocierea tiparelor tranzacționale și comportamentale pentru detectarea spălării banilor. Iar rezultatele pot fi păstrate apoi la nivelul de deservire și raportate cu ajutorul unor instrumente de analiză precum Oracle Analytics Cloud. Pentru optimizarea instruirii modelelor, modelele și datele pot fi introduse și în sisteme de machine learning, precum OCI Data Science, pentru instruirea ulterioară a modelelor în scopul creșterii eficienței analizei de risc. Aceste modele pot fi accesate prin API-uri, implementate în banca de date pentru deservire sau integrate ca parte a pipeline-ului de analiză în flux OCI GoldenGate.
• În plus, putem utiliza capacitățile avansate ale serviciilor de inteligență artificială native în cloud.
• OCI Anomaly Detection este un serviciu de inteligență artificială cu ajutorul căruia se pot crea ușor modele de detectare a anomaliilor specifice activității, care semnalează incidentele grave, pentru detectarea și evitarea acestora mai rapid. În acest caz de utilizare, vom implementa modelele respective pentru a identifica lipsa conformității și a monitoriza respectarea IFRS 9 și IFRS 17, CECL, LDTI, OCDE, Basel și a altor standarde și cerințe. Această identificare poate fi utilizată împreună cu datele istorice de rezolvare pentru remediere și pentru îmbunătățirea procesului. Pentru evaluarea riscurilor, inclusiv a celor privind creditele, lichiditățile, piețele și performanța companiei, OCI Anomaly Detection poate fi utilizată pentru monitorizarea indicatorilor de performanță, astfel încât performanțele și tranzacțiile curente să nu crească riscul general.
• Putem utiliza OCI Anomaly Detection și pentru monitorizarea numărului cazurilor de conformitate/neconformitate pe categorii, pentru a se identifica dacă o anumită modificare a activității determină fluctuații neobișnuite ale conformității. În plus, OCI Anomaly Detection poate contribui la identificarea cauzei neconformității prin monitorizarea utilizării regulilor de conformitate pentru a verifica dacă tranzacțiile recente prezintă sau nu o utilizare neobișnuită.
• OCI Forecasting se poate fi utiliza pentru prognozarea indicatorilor de performanță, precum și a factorilor externi, cum ar fi condițiile de piață și comportamentul clienților, în scopul analizării probabilității și identificării oricărui risc iminent.
• OCI Language și OCI Vision pot asimila documente și text cu care pot fi îmbogățite datele pentru activitățile de management al riscurilor.
• Gestionarea datelor este o altă componentă esențială. Aceasta este oferită de OCI Data Catalog, un serviciu de gestionare a datelor și metadatelor (atât tehnice, cât și de afaceri) gratuit, pentru toate sursele de date din ecosistemul depozitului de date. OCI Data Catalog este o componentă esențială și pentru interogările din Oracle Autonomous Data Warehouse în OCI Object Storage, deoarece oferă un mod de localizare rapidă a datelor, indiferent de metoda sa de stocare. Aceasta le permite utilizatorilor finali, dezvoltatorilor și experților în date să utilizeze un limbaj comun de acces (SQL) în toate depozitele de date persistente din arhitectură.
• În cele din urmă, datele și modelele noastre organizate, testate, de înaltă calitate și gestionate pot fi expuse ca produse de date (API) într-o arhitectură de rețea de date, pentru a fi distribuite în întreaga organizație de servicii financiare.

Îmbunătățiți calculele de risc și raportarea de reglementare utilizând platforma de date potrivită

Oracle Data Platform poate ajuta organizațiile de servicii financiare să țină pasul cu schimbările rapide din domeniul managementului riscurilor și raportării de reglementare, să facă față complexității tot mai mari a cerințelor de raportare ale autorităților de reglementare din întreaga lume și să se asigure că accesează datele la nivelul de granularitate corect. Pentru gestionarea datelor referitoare la risc, soluția Oracle oferă un mediu și un framework integrate, reducând timpul și resursele valoroase pe care trebuie să le dedice organizațiile în scopul elaborării rapoartelor de reglementare. Datorită unei soluții automatizate care aplică reguli privind calitatea și elimină datele inutile, organizațiile pot să aibă încredere în rapoartele de reglementare trimise și să înțeleagă, gestioneze și minimizeze riscurile mai bine.