Melhore as operações e o desempenho dos serviços financeiros

Aumente a lucratividade em serviços financeiros com eficiência operacional orientada a dados

As instituições de serviços financeiros devem ter operações internas eficientes para se manterem competitivas e aumentar a lucratividade, especialmente à medida que as fintech e empresas de tecnologia fazem novas incursões no espaço de serviços financeiros. Em teoria, há duas maneiras de melhorar a lucratividade: aumentar a receita e diminuir as despesas. Ambas são fundamentais. Para enfrentar o desafio de aumentar a lucratividade em um setor em constante mudança, as instituições de serviços financeiros estão renovando seu foco no uso da vasta quantidade de dados e informações disponíveis para ajudá-las a melhorar a eficiência operacional e o desempenho. Ao adotar uma abordagem orientada a dados para simplificar processos, eliminar redundâncias e otimizar a alocação de recursos, as organizações de serviços financeiros podem reduzir custos e melhorar a entrega de serviços.

Esse último fator é ainda mais importante em um setor tão altamente competitivo, em rápida evolução e com interrupções contínuas. As organizações que operam com eficiência podem oferecer preços mais competitivos, serviços mais rápidos e superiores, maior precisão e melhores experiências do cliente do que seus concorrentes. Os clientes valorizam experiências rápidas e sem complicações, e experiências positivas do cliente contribuem para a fidelidade, retenção e bons comentários do cliente, tudo isso pode ajudar a impulsionar o crescimento e a receita.

A eficiência operacional também fornece a base para agilidade e adaptabilidade, ajudando as organizações de serviços financeiros a permanecer à frente e responder rapidamente às mudanças do mercado, aos requisitos regulatórios e às demandas dos clientes. As organizações ágeis podem lançar novos produtos mais rapidamente, se adaptar aos avanços tecnológicos, aproveitar as oportunidades emergentes e prosperar em um ambiente dinâmico.

Além disso, a eficiência operacional desempenha um papel importante no gerenciamento eficaz de riscos, o que é fundamental para manter a confiança dos clientes, reguladores e partes interessadas. As ineficiências operacionais, incluindo erros manuais, gargalos de processos e controles inadequados, podem introduzir riscos e levar a violações de conformidade, violações de segurança e interrupções operacionais. Ao melhorar a eficiência operacional, as organizações de serviços financeiros podem ajudar a mitigar esses riscos, garantir a conformidade regulatória e aumentar a segurança dos dados do cliente.

Estes benefícios são essenciais para o crescimento. À medida que as organizações de serviços financeiros expandem suas operações ou adentram novos mercados, elas precisam garantir que seus processos possam lidar com volumes aumentados sem sacrificar a qualidade ou incorrer em custos excessivos. Processos eficientes podem ser facilmente replicados, automatizados ou adaptados para apoiar iniciativas de crescimento, permitindo que as organizações aproveitem oportunidades e expandam sua presença no mercado.

Otimize a eficiência operacional e reduza custos com uma plataforma de dados abrangente

Ao ingerir, adaptar e analisar dados sobre processos operacionais e desempenho, as organizações de serviços financeiros podem identificar e eliminar gargalos e ineficiências para otimizar cada interação interna e externa e melhorar os resultados. A arquitetura apresentada aqui demonstra como podemos combinar componentes recomendados da Oracle para criar uma arquitetura de análise que abrange todo o ciclo de vida da análise de dados e foi projetada para ajudar as instituições de serviços financeiros a obter a ampla gama de benefícios de negócios descritos acima.

Esta imagem mostra como a Oracle Data Platform para serviços financeiros pode ser usada para apoiar e melhorar a eficiência e o desempenho operacionais. A plataforma inclui os seguintes cinco pilares:

1. 1. Fontes de dados, Descoberta
2. 2. Ingestão, Transformação
3. 3. Persistência, Curadoria, Criação
4. 4. Análise, Aprendizado, Predição
5. 5. Medição, Ação

O pilar Fontes de Dados, Descoberta inclui três categorias de dados.

1. 1. Os dados do Aplicativo Oracle incluem dados do Fusion SaaS, Oracle E-Business Suite, CX
2. 2. CRM de Registros de Negócios (Dados Primários), Transações, Informações da Conta, Receita e Margem
3. 3. Dados de Terceiros incluem Taxas Forex, Feeds de Mercado e Preços de Commodities

O pilar Ingestão, Transformação abrange quatro recursos.

1. 1. A ingestão em lote usa OCI Data Integration, Oracle Data Integrator e ferramentas de banco de dados.
2. 2. A transferência em massa usa OCI FastConnect, OCI Data Transfer, MFT e OCI CLI.
3. 3. A captura de dados de alteração usa o OCI GoldenGate.
4. 4. A ingestão de streaming usa o OCI Streaming e Kafka Connect.

Todos os quatro recursos se conectam unidirecionalmente ao armazenamento de dados de serviço e ao armazenamento em nuvem no pilar Persistência, Curadoria, Criação.

Além disso, a ingestão de streaming está conectada ao processamento de stream no pilar Análise, Aprendizado, Previsão.

O pilar Persistência, Curadoria, Criação abrange cinco recursos.

1. 1. O armazenamento de dados de serviço usa o Autonomous Data Warehouse e o Exadata Cloud Service.
2. 2. O armazenamento em nuvem usa OCI Object Storage.
3. 3. O Hadoop gerenciado usa Oracle Big Data Service.
4. 4. O processamento em lote usa OCI Data Flow.
5. 5. A governança usa OCI Data Catalog.

Esses recursos estão conectados no pilar. O armazenamento em nuvem é conectado unidirecionalmente ao armazenamento de dados de serviço; ele também é conectado bidirecionalmente ao processamento em lote.

Dois recursos se conectam ao pilar Análise, Aprendizado, Previsão. O armazenamento de dados de serviço se conecta ao recurso de análise e visualização e também ao recurso de produtos de dados e APIs. O armazenamento em nuvem se conecta ao recurso de machine learning.

O pilar Análise, Aprendizado, Predição abrange dois recursos.

1. 1. Análise e visualização usam Oracle Analytics Cloud, GraphStudio e ISVs.
2. 2. O machine learning usa o Oracle Machine Learning.

O pilar Medida, Ação captura como a análise de dados pode ser usada: por pessoas e parceiros.

Pessoas e Parceiros incluem Eficiência Operacional (Tempos de processamento, Taxas de erro, Utilização de recursos), Identificação de Gargalos de Processo, Valor da Vida Útil do Cliente, Análise de Mercado e Competitiva, Atribuição de Desempenho.

Os três pilares centrais—Ingestão, Transformação; Persistência, Curadoria, Criação; e Análise, Aprendizado, Previsão — têm suporte de infraestrutura, rede, segurança e IAM.

Conecte, ingira e transforme dados

Nossa solução é composta por três pilares, cada um suportando recursos específicos da plataforma de dados. O primeiro pilar fornece a capacidade de conectar, ingerir e transformar dados.

Há quatro maneiras principais de injetar dados em uma arquitetura para permitir que organizações de serviços financeiros melhorem a eficiência e o desempenho operacional.

• Para iniciar nosso processo, habilitaremos a transferência em massa de dados de transações operacionais. Os serviços de transferência em massa são usados em situações em que grandes volumes de dados precisam ser movidos para a Oracle Cloud Infrastructure (OCI) pela primeira vez, por exemplo, dados de repositórios analíticos on-premises existentes ou outras fontes de nuvem. O serviço específico de transferência em massa que a Oracle usará dependerá da localização dos dados e da frequência da transferência. Por exemplo, poderemos usar o OCI Data Transfer Service ou o OCI Data Transfer Appliance para carregar um grande volume de dados on-premises do planejamento histórico ou de repositórios de data warehouse. Quando grandes volumes de dados devem ser movidos continuamente, recomendamos o uso do OCI FastConnect, que fornece uma conexão de rede privada dedicada de alta largura de banda entre o data center de um cliente e a OCI.
• Extrações frequentes em tempo real ou quase em tempo real são normalmente necessárias, e os dados são ingeridos regularmente a partir de sistemas de gerenciamento de transação e do cliente usando o OCI GoldenGate. O OCI GoldenGate usa a captura de alteração de dados para detectar eventos de alteração na estrutura subjacente dos sistemas que fornecem os processos operacionais que precisam de manutenção (por exemplo, a criação de uma conta, um problema do cliente, indicações de fraude e assim por diante) e envia os dados em tempo real para uma camada de persistência e/ou de streaming.
• A capacidade de analisar dados de várias origens em tempo real pode ajudar a fornecer às organizações de serviços financeiros informações valiosas sobre sua eficiência operacional e desempenho geral para que possam entender e medir a eficiência de seus processos principais. Neste caso de uso, usamos ingestão de streaming para ingerir todos os dados lidos de eventos internos ou do cliente por meio de interações móveis, IoT, comunicações máquina a máquina e outros meios. Os fluxos podem se originar de diversas fontes internas e externas e podem incluir dados de transação, dados de interação com o cliente, dados de mercado, dados de redes sociais e dados de sistemas de conformidade e regulamentação. Os dados (eventos) serão ingeridos, e algumas transformações/agregações básicas ocorrerão antes de eles serem armazenados no OCI Object Storage. Análises de streaming adicionais podem ser usadas para identificar eventos correlacionados e quaisquer padrões identificados podem voltar (manualmente) para uma verificação dos dados dos dados brutos utilizando o OCI Data Science.
• Embora as necessidades em tempo real estejam evoluindo, a extração mais comum de sistemas transacionais, de planejamento de recursos empresariais, de clientes e de gerenciamento de riscos e conformidade é algum tipo de ingestão em lote usando um processo de ETL. A ingestão em lote é usada para importar dados de sistemas que não suportam fluxos de dados (por exemplo, sistemas bancários principais de mainframe mais antigos). Essas extrações podem ser ingeridas com frequência, a cada 10 ou 15 minutos, mas ainda são de natureza 'em lote', pois grupos de transações são extraídos e processados, em vez de transações individuais. A OCI oferece diferentes serviços para lidar com a ingestão em lote, como o serviço OCI Data Integration nativo e o Oracle Data Integrator em execução em uma instância do OCI Compute. A escolha do serviço seria baseada principalmente na preferência do cliente e não nos requisitos técnicos.

Persista, processe e trate os dados

A persistência e o processamento de dados são baseados em três componentes. Alguns clientes usarão todos eles, outros, um subconjunto. Dependendo dos volumes e tipos de dados, os dados podem ser carregados no armazenamento de objetos ou carregados diretamente em um banco de dados relacional estruturado para armazenamento persistente. Quando antecipamos a aplicação de recursos de ciência de dados, os dados recuperados de fontes em sua forma bruta (como um arquivo ou extrato nativo não processado) são normalmente capturados e carregados de sistemas transacionais para o armazenamento na nuvem.

• O armazenamento na nuvem é a camada de persistência de dados mais comum para nossa plataforma. Pode ser usado para dados estruturados e não estruturados. OCI Object Storage, OCI Data Flow e Oracle Autonomous Data Warehouse são os blocos fundamentais. Os dados recuperados de fontes em seu formato bruto são capturados e carregados no OCI Object Storage. O OCI Object Storage é a camada primária de persistência de dados e o Spark no OCI Data Flow é o principal mecanismo de processamento em lote. O processamento em lote envolve várias atividades, incluindo tratamento básico de ruído, gerenciamento de dados ausentes e filtragem com base em conjuntos de dados de saída definidos. Os resultados são gravados em várias camadas de armazenamento de objetos ou em um repositório relacional persistente com base no processamento necessário e nos tipos de dados usados.
• Agora usaremos um armazenamento de dados de serviço para manter nossos dados selecionados em um formato otimizado para o desempenho da consulta e fornecer uma visão completa das operações da organização. O armazenamento de dados de serviço fornece uma camada relacional persistente usada para proporcionar dados selecionados de alta qualidade diretamente aos usuários finais por meio de ferramentas baseadas em SQL. Nessa solução, o Oracle Autonomous Data Warehouse é instanciado como o armazenamento de dados de serviço para o data warehouse corporativo e, se necessário, data marts de nível de domínio mais especializados. Também pode ser a fonte de dados para projetos de ciência de dados ou o repositório necessário para o Oracle Machine Learning. O armazenamento de dados de serviço pode assumir uma de várias formas, incluindo Oracle MySQL HeatWave, Oracle Database Exadata Cloud Service ou Oracle Exadata Cloud@Customer.

Analise dados, aprenda e preveja

A capacidade de analisar, aprender e prever é facilitada por duas abordagens tecnológicas.

• Os recursos de análise avançada são essenciais para otimizar a eficiência operacional e o desempenho. Nesse caso de uso, contamos com a Oracle Analytics Cloud para fornecer análises e visualizações. Isso permite que a organização use análise descritiva (descreve as tendências atuais com histogramas e gráficos), análise preditiva (prevê eventos futuros, identifica tendências e determina a probabilidade de resultados incertos) e análise prescritiva (propõe ações adequadas para apoiar a tomada de decisão ideal).

  Aplicando modelos preditivos a dados históricos, as organizações de serviços financeiros podem prever resultados futuros e tomar decisões proativas. Por exemplo, a análise preditiva pode ajudar os bancos a antecipar a rotatividade de clientes, identificar possíveis casos de fraude, prever padrões de crédito e otimizar a previsão de fluxo de caixa. Isso permite que os bancos tomem ações preventivas e aloquem seus recursos operacionais de forma eficaz.

  A análise prescritiva vai além da previsão de resultados e fornece recomendações sobre o melhor curso de ação. As organizações de serviços financeiros podem usar análises prescritivas para otimizar a tomada de decisões em áreas como aprovações de empréstimos, estratégias de investimento, modelos de preços e gerenciamento de riscos. Ao considerar várias restrições e objetivos, a análise prescritiva ajuda as organizações a tomar decisões baseadas em dados que maximizam a eficiência e a lucratividade. (A cultura de dados mais ampla em uma organização acabará desempenhando um papel significativo no sucesso de uma abordagem de análise preditiva.)

• Além da análise avançada, cada vez mais a ciência de dados, o machine learning e a inteligência artificial são usados para procurar anomalias, prever onde pode ocorrer latência de processos e otimizar a jornada do cliente. Por exemplo, os modelos de machine learning podem ser utilizados para pontuação de crédito, detecção de fraude, segmentação de clientes e marketing personalizado. Ao aprender continuamente com novos dados, esses modelos podem adaptar e melhorar seu desempenho ao longo do tempo, levando ao aumento da eficiência operacional e a uma melhor tomada de decisões. O OCI Data Science, OCI AI Services e Oracle Machine Learning podem ser usados nos bancos de dados.

  Usamos métodos de machine learning e ciência de dados para criar e treinar nossos modelos preditivos. Esses modelos de machine learning podem ser implementados para pontuação por meio de APIs ou incorporados como parte do pipeline de análise de fluxo do OCI GoldenGate. Em alguns casos, esses modelos podem até ser implementados no banco de dados usando a API REST do Oracle Machine Learning Services (para isso, o modelo precisa estar no formato Open Neural Network Exchange). Além disso, o OCI Data Science para notebooks centrados em Jupyter/Python ou Oracle Machine Learning para notebook Zeppelin e algoritmos de machine learning podem ser implementados no armazenamento de dados transacionais ou de serviço. Da mesma forma, Oracle Machine Learning e o OCI Data Science, sozinhos ou combinados, podem desenvolver modelos de recomendação/decisão. Esses modelos podem ser implementados como um serviço e podemos instalá-los por trás do OCI API Gateway para serem entregues como “produtos de dados” e serviços. Por fim, uma vez criados, os modelos de machine learning podem ser implantados em aplicações que fazem parte de um sistema de decisão operacional (se permitido).

• O componente final, porém crítico, é a governança de dados. Isso será fornecido pelo OCI Data Catalog, um serviço gratuito que facilita governança de dados e gerenciamento de metadados (para metadados técnicos e comerciais) para todas as fontes de dados no ecossistema da plataforma de dados. O OCI Data Catalog também é um componente crítico para consultas do Oracle Autonomous Data Warehouse ao OCI Object Storage, pois fornece uma maneira de localizar dados rapidamente, independentemente de seu método de armazenamento. Isso permite que usuários finais, desenvolvedores e cientistas de dados usem uma linguagem de acesso comum (SQL) em todos os armazenamentos de dados persistentes na arquitetura.

Os benefícios de usar dados para melhorar a eficiência operacional e o desempenho

À medida que a velocidade dos negócios (e o nível de concorrência) aumentam, os sistemas legados usados para fornecer dados operacionais críticos não conseguem acompanhar. Esses sistemas precisam de muita intervenção manual para reunir, integrar e criar relatórios com base em dados fragmentados e em silos, o que significa que as informações chegam tarde demais para dar à empresa a vantagem de que ela precisa. Medir, entender e melhorar a eficiência operacional pode fornecer às organizações de serviços financeiros uma vantagem competitiva e vários benefícios, incluindo:

• Uma capacidade melhorada de adquirir e reter clientes por meio da entrega eficiente de serviços, preços competitivos, uma experiência do cliente superior e ofertas inovadoras.
• Melhores decisões de negócios, informadas por uma visão única e consistente de dados precisos disponíveis na hora certa
• Melhor agilidade, permitindo que as organizações lancem novos produtos mais rapidamente, se adaptem aos avanços tecnológicos e aproveitem as oportunidades emergentes
• Complexidade reduzida em toda a organização
• Redução da duplicação de dados e erros manuais
• Redução de riscos por meio de gerenciamento e mitigação de riscos aprimorados
• Custos reduzidos
• Disponibilidade de dados mais rápida para fins analíticos