改善金融服務營運與績效

運用資料導向的營運效率提升金融服務獲利能力

金融服務機構必須有效率的內部作業，才能保持競爭力並提高獲利能力，尤其是金融科技與科技公司進一步進入金融服務領域。理論上，有兩種改善盈利能力的方式：增加收入和減少開支。兩者都非常重要。為了應對日益快速成長的磁區中日益增加的獲利挑戰，金融服務機構正在重續使用大量資料和資訊來協助其改善營運效率和效能。金融服務組織可透過採用資料導向方法簡化流程、消除冗餘，並最佳化資源分配，從而降低成本並改善服務交付。

最後一個因素在競爭激烈、迅速發展且持續中斷的產業中尤其重要。高效率營運的組織可以比競爭對手提供更具競爭力的定價、更快且更優質的服務、更高的準確度，以及更好的客戶體驗。客戶感謝快速且無障礙的體驗，而積極的客戶體驗則有助客戶忠誠度、保留率及正面口碑，這些都有助於推動成長和營收。

營運效率也為靈活度和適應性提供基礎，協助金融服務組織保持領先狀態，並快速因應市場變化、法規要求和客戶需求。靈活的組織可以更快地推出新產品、適應技術發展、抓住新興機會，並在動態環境中蓬勃發展。

此外，營運效率在有效的風險管理上扮演重要角色，這對維護客戶、監管機構和利益相關者的信任和信心至關重要。營運效率低下 (包括手動錯誤、程序瓶頸及控制項不足) 可能引進風險，導致法規遵循違規、安全漏洞及作業中斷。藉由提升營運效率，金融服務組織可以協助降低這些風險、確保法規遵循，以及強化客戶資料的安全性。

這些優勢對成長至關重要。隨著金融服務組織擴大營運或進入新市場，他們必須確保流程能夠處理增加的數量，而不會犧牲品質或產生過多的成本。高效率的流程可以輕鬆複製、自動化或適應支援成長計劃，讓組織能夠掌握商機並擴大其市場佔有率。

使用全面的資料平台最佳化營運效率並降低成本

金融服務組織可藉由擷取、策劃及分析營運流程和績效的資料，找出並排除瓶頸和無效率情況，以最佳化每個內部和外部互動並改進結果。此處提供的架構示範了我們如何結合推薦的 Oracle 元件，以建立涵蓋整個資料分析生命週期的分析架構，並旨在協助金融服務機構獲得上述廣泛的業務優勢。

此影像顯示如何使用 Oracle Data Platform for Financial Services 支援和提升營運效率和效能。此平台包含下列五個要素：

1. 1. 資料來源，探索
2. 2. 擷取、轉換
3. 3. 堅持、策劃、建立
4. 4. 分析、學習、預測
5. 5. 衡量、行動

「資料來源」、「探索」支柱包含三種資料類別。

1. 1.Oracle App 的資料包含來自 Fusion SaaS、Oracle E-Business Suite、CX 的資料
2. 2. 業務記錄 (第一方資料) CRM、交易、帳戶資訊、收入及毛利
3. 3. 第三方資料包括外匯匯率、市場摘要及商品價格

「擷取，轉換」支柱由四個功能組成。

1. 1. 批次擷取會使用 OCI 資料整合、Oracle Data Integrator 和資料庫工具。
2. 2. 大量傳輸使用 OCI FastConnect、OCI 資料傳輸、MFT 及 OCI CLI。
3. 3. 使用 OCI GoldenGate 進行變更資料擷取。
4. 4. 串流擷取會使用 OCI Streaming Kafka Connect。

這四個功能會以單向方式連結到「持續」、「策劃」、「建立」支柱內的服務資料存放區和雲端儲存空間中。

此外，串流擷取會連線至「分析」、「學習」、「預測」支柱中的串流處理。

「堅持」、「策劃」、「建立」支柱由五個功能組成。

1. 1. 服務資料存放區使用 Oracle Autonomous Data Warehouse 和 Exadata Cloud Service。
2. 2. 雲端儲存空間使用 OCI 物件儲存。
3. 3. 託管 Hadoop 使用 Oracle Big Data Service。
4. 4. 批次處理使用 OCI 資料流程。
5. 5. 治理使用 OCI 資料目錄。

這些功能會在支柱內連接。雲端儲存空間會以單向方式連線至服務資料存放區，也會以雙向方式連線至批次處理。

兩項功能可連接至「分析、學習、預測」支柱。服務資料存放區可同時連線至分析和視覺化功能，也可連線至資料產品、API 功能。雲端儲存空間可連線至機器學習功能。

分析、學習、預測支柱包含兩個功能。

1. 1. 分析和視覺化使用 Oracle Analytics Cloud、GraphStudio 和 ISV。
2. 2. 機器學習使用 Oracle Machine Learning。

「衡量、行動」支柱會擷取資料分析的使用方式：人員與合作夥伴。

人員與合作夥伴包括作業效率 (處理時間、錯誤率、資源使用率)、處理瓶頸識別、客戶終身價值、市場與競爭分析、績效歸因。

基礎架構、網路、安全性和 IAM 均支援三大支柱要素：擷取、轉換、持續、策劃、建立及分析、學習、預測。

連結、擷取及轉換資料

我們的解決方案由三個要素組成，每個要素都支援特定的資料平台功能。第一支柱提供連接、擷取和轉換資料的能力。

將資料注入架構有四種主要方法，能讓金融服務組織提升營運效率和效能。

• 若要開始進行流程，我們會啟用操作交易資料的大量傳輸。大量資料需要第一次移轉至 Oracle Cloud Infrastructure (OCI) 的情況使用大量傳輸服務，例如來自現有內部部署分析儲存區域或其他雲端來源的資料。我們將使用的特定大量傳輸服務，取決於資料的位置和傳輸頻率。例如，我們可能會使用 OCI Data Transfer 服務或 OCI Data Transfer Appliance，從歷史規劃或資料倉儲儲存區域載入大量內部部署資料。若持續移動大量資料，建議使用 OCI FastConnect，以在客戶的資料中心與 OCI 之間提供高頻寬的專用網路連線。
• 經常需要即時或接近即時的擷取，且資料會定期從交易及使用 OCI GoldenGate 的客戶管理系統擷取。OCI GoldenGate 使用變更資料擷取來偵測系統基礎結構中的變更事件，該結構提供了需要服務的作業程序 (例如，建立帳戶、客戶問題、詐騙指示等等)，並將資料即時傳送至持續儲存層和 (或) 串流層。
• 即時分析多個來源的資料的能力，有助於為金融服務組織提供對營運效率和整體績效的寶貴見解，以便他們瞭解和評估核心流程的效率。在此使用案例中，我們使用串流擷取，透過行動互動、IoT、機器對機器通訊以及其他方式，擷取從客戶或內部事件讀取的所有資料。串流可以源自各種內部和外部來源，並可以包括交易資料、客戶互動資料、市場資料、社群媒體資料，以及來自規範和監管系統的資料。資料 (事件) 將被擷取，且一些基本轉換 / 彙總會在儲存於 OCI Object Storage之前進行。其他串流分析可用來識別關聯事件，而任何識別的模式都可以使用 OCI 資料科學 (OCI Data Science) 回饋 (手動) 檢查原始資料。
• 雖然即時需求不斷進化，但最常見的交易擷取、企業資源規劃、客戶以及風險與合規管理系統擷取是使用 ETL 處理的批次擷取。系統會使用批次擷取從不支援資料串流的系統匯入資料 (例如，大型主機核心銀行系統)。這些擷取可頻繁擷取，每 10 或 15 分鐘擷取一次，但由於擷取並處理異動群組，而不是個別異動，它們仍屬批次性質。OCI 提供不同的服務以處理批次擷取，例如 OCI 運算執行處理上執行的原生 OCI 資料整合服務和 Oracle Data Integrator。服務選項主要根據客戶偏好而非技術需求。

堅持、處理及策劃資料

資料持續性與處理建立在三個元件上。有些客戶會使用所有客戶，有些則是子集。視磁碟區和資料類型而定，資料可以載入物件儲存空間，也可以直接載入結構化關聯式資料庫以進行持續儲存。我們預期套用資料科學功能時，從原始形式 (未處理的原生檔案或擷取) 的資料來源擷取的資料，通常會從交易系統擷取並載入到雲端儲存空間。

• 雲端儲存空間是我們資料平台最常見的資料持續儲存層。此方法可同時用於結構化和非結構化資料。OCI Object Storage、OCI Data Flow 和 Oracle Autonomous Data Warehouse 是基本的建構區塊。從原始格式的資料來源擷取的資料，並載入 OCI Object Storage 中。OCI Object Storage是主要資料持續儲存層，而 OCI Data Flow中的 Spark 則是主要批次處理引擎。批次處理涉及數個活動，包括基本雜訊處理、遺失資料管理，以及根據定義的輸出資料集進行篩選。系統會根據需要的處理和使用的資料類型，將結果寫回各種物件儲存層或持續關聯儲存區域。
• 我們現在將使用服務資料存放區，以最佳化形式保留精選資料，提供組織作業的全方位檢視。服務資料存放區提供持續性的關聯式層，可直接透過 SQL 工具為一般使用者提供高品質策劃資料。在本解決方案中，Oracle Autonomous Data Warehouse 已建立為企業資料倉儲提供服務的資料存放區，並視需要進行更多專業化網域層次資料市集。它也可以是資料科學專案的資料來源，也可以是 Oracle Machine Learning 所需的儲存區域。服務資料存放區可能會採用數種形式，包括 Oracle MySQL HeatWave、Oracle Database Exadata Cloud Service 或 Oracle Exadata Cloud@Customer。

分析資料、學習及預測

分析、學習和預測的能力由兩種技術方法促進。

• 進階分析功能對於最佳化作業效率和效能至關重要。在此使用案例中，我們仰賴 Oracle Analytics Cloud 來提供分析和視覺化。這可讓組織使用描述性分析 (說明含長條圖與圖表的目前趨勢)、預測分析 (預測未來事件、識別趨勢，以及判斷不確定結果的機率)，以及規範分析 (提供適當的動作以支援最佳決策)。

  將預測模型套用至歷史資料，金融服務組織可以預測未來的結果並做出主動決策。例如，預測分析可協助銀行預測客戶流失、識別潛在詐騙案例、預測信用預設值，以及最佳化現金流量預測。這可讓銀行採取預防措施，並有效分配營運資源。

  規範分析超越了預測結果，並提供最佳行動方案的建議。金融服務組織可以使用規定分析來最佳化貸款核准、投資策略、定價模型及風險管理等領域的決策。藉由考量各種限制條件和目標，規定分析可協助組織做出以資料為導向的決策，以最大限度地提高效率和獲利能力。(組織中更廣泛的資料文化最終會在預測分析方法的成功中扮演重要角色。)

• 除了進階分析之外，還使用越來越多的資料科學、機器學習和人工智慧來尋找異常，預測可能發生處理延遲的情形，並將客戶歷程最佳化。例如，機器學習模型可用於信用評分、詐騙偵測、客戶區隔及個人化行銷。透過不斷學習新資料，這些模型可以隨著時間調整並提升效能，進而提升作業效率和更好的決策品質。OCI Data Science、OCI AI Services 和 Oracle Machine Learning 可用於資料庫中。

  我們使用機器學習和資料科學方法來建立和訓練我們的預測模型。然後，您就可以透過 API 部署這些機器學習模型，或者將其內嵌在 OCI GoldenGate 串流分析管線中。在某些情況下，甚至可以使用 Oracle Machine Learning Services REST API 在資料庫中部署這些模型 (若要這麼做，模型必須使用 Open Neural Network Exchange 格式)。此外，Zeppelin 筆記型電腦和機器學習演算法的 OCI Data Science for Jupyter/Python 導向筆記型電腦或 Oracle Machine Learning 可部署在服務或交易資料存放區中。同樣地，單獨或結合 Oracle Machine Learning 和 OCI Data Science 可以開發建議 / 決策模型。這些模型都可以部署為服務，並在 OCI API Gateway 後部署為「資料產品」和服務。最後，一旦建立機器學習模型，即可部署到屬於作業決策系統 (如果允許) 的應用程式中。

• 最終但關鍵的元件是資料治理。這項服務將由 OCI 資料目錄提供，此免費服務可為資料平台生態系統中的所有資料來源提供資料治理和描述資料管理 (技術和業務描述資料)。OCI Data Catalog 也是從 Oracle Autonomous Data Warehouse 到 OCI Object Storage 查詢的重要元件，因為無論資料儲存方式為何，都能快速找到資料。這可讓一般使用者、開發人員及資料科學家在架構中所有持續儲存的資料存放區中使用常見的存取語言 (SQL)。

使用資料來提升作業效率和效能的優勢

隨著業務的速度和競爭等級增加，用來提供關鍵營運資料的傳統系統無法跟上腳步。這些系統需要大量的人工介入，才能整理、整合及建立來自分散和獨立資料的報表，這表示資訊太遲無法讓業務獲得所需的優勢。衡量、理解及提升營運效率可為金融服務組織提供競爭優勢及多項福利，包括：

• 透過高效的服務交付、具競爭力的定價、卓越的客戶體驗和創新的產品，提升取得客戶及留住客戶的能力
• 透過對正確時間提供之準確資料的單一且一致檢視來獲得更佳的業務決策
• 更高的彈性，使組織能夠更快地推出新產品、適應技術進步並抓住新的機會
• 降低整個組織的複雜性
• 減少資料複製和手動錯誤
• 透過改善風險管理及緩解措施降低風險
• 降低成本
• 更快的資料可用性以供分析之用