Usprawnienie obliczeń dotyczących ryzyka i sprawozdawczości ustawowej

Wyzwania związane ze sprawozdawczością ustawową

Wraz z rosnącą złożonością wymogów w zakresie sprawozdawczości nakładanych przez organy nadzoru na całym świecie, w ostatnich latach wzrosły koszty i zasoby związane ze sprawozdawczością ustawową. Przedsiębiorstwa finansowe, starając się nadążyć za stale zmieniającymi się przepisami, muszą znaleźć sposoby na bardziej efektywne i precyzyjne spełnienie rosnących wymagań dotyczących danych, a jednocześnie strategicznie rozwijać swoją architekturę danych, aby poprawić wyniki i stymulować rozwój.

Wiele organizacji świadczących usługi finansowe wciąż marnuje dużo czasu i wykwalifikowanych pracowników na przygotowywanie ustawowych raportów. Bez zautomatyzowanego systemu przeprowadzającego kontrolę jakości danych i eliminującego silosy danych banki nie mogą mieć pewności, czy składane przez nie sprawozdania są dokładne, bez poświęcania wielu godzin na przeglądanie raportów. Innym wyzwaniem jest uzyskanie dostępu do danych na wymaganym poziomie szczegółowości, ponieważ różne systemy pobierają dane na różnych poziomach. Na przykład systemy kredytowe pobierają dane na poziomie konta i transakcji, systemy procedur kredytowych pobierają dane na poziomie zapytania, a systemy kart kredytowych pobierają dane na poziomie karty i transakcji. Analizowanie danych na spójnym poziomie szczegółowości pozwala instytucjom finansowym na uzyskanie 360-stopniowego obrazu prowadzonej działalności, klientów i rynków. Umożliwia przeglądanie danych w kontekście oraz identyfikowanie relacji, wzorców i trendów, które mogłyby zostać pominięte, gdyby dane zostały zagregowane lub zdezagregowane w niespójny sposób.

Aby rozwiązać te problemy, organizacje usług finansowych definiują na nowo podejście do obliczania ryzyka, sprawozdawczości ustawowej i zgodności z przepisami w ramach całościowego procesu i dążą do kompleksowej automatyzacji i zarządzania — od gromadzenia i analizowania danych po sprawozdawczość, w tym przesyłanie ostatecznych sprawozdań organom nadzoru.

Efektywniejsze zarządzanie zgodnością z przepisami i ryzykiem dzięki uczeniu maszynowemu i sztucznej inteligencji

Poniższa architektura pokazuje, w jaki sposób możemy łączyć składniki i funkcjonalności Oracle, w tym zaawansowane funkcje analityczne, sztuczną inteligencję i uczenie maszynowe, aby stworzyć wszechstronną platformę danych do sprawozdawczości ustawowej i obliczania ryzyka, ułatwiającą integrację, jakość, standaryzację, przetwarzanie, zgodność i elastyczność danych. Platforma danych zapewnia instytucjom finansowym solidną podstawę, która pomaga im w spełnianiu wymogów prawnych, tworzeniu terminowych i dokładnych raportów oraz przeprowadzaniu efektywnych obliczeń ryzyka.

Na rysunku przedstawiono, jak za pomocą platformy Oracle skupiającej dane dla opieki zdrowotnej można wspierać opiekę zdrowotną opartą na wartościach przy użyciu monitorowania wydajności. Platforma obejmuje następujące pięć filarów:

1. 1. Źródła danych, odkrywanie
2. 2. Wchłanianie, przekształcanie
3. 3. Utrwalanie, selekcjonowanie, tworzenie
4. 4. Analizowanie, uczenie się, przewidywanie
5. 5. Pomiar, działanie

Filar „Źródła danych, odkrywanie” zawiera trzy kategorie danych.

1. 1. Oracle Apps obejmuje rozwiązania Fusion SaaS, Oracle E-Business Suite i EPM.
2. 2. Rekordy biznesowe (dane pochodzące bezpośrednio od klienta) składają się z transakcji, przychodów i marży.
3. 3. Strony trzecie zawierają dane dotyczące kursów walut obcych, kanałów rynkowych i cen towarów.

Filar „Wchłanianie, przekształcanie” składa się z czterech funkcjonalności.

1. 1. W transferze masowym wykorzystuje się OCI FastConnect, OCI Data Transfer, MFT oraz OCI CLI.
2. 2. We wchłanianiu wsadowym wykorzystywane są usługi OCI Data Integration, Oracle Integration Cloud i Data Studio.
3. 3. W rejestrowaniu zmian danych wykorzystuje się OCI GoldenGate i Oracle Data Integrator.
4. 4. Wchłanianie przesyłania strumieniowego korzysta z usług OCI Streaming, Kafka Connect i narzędzi baz danych.

Wszystkie cztery funkcjonalności w jednokierunkowy sposób łączą się z magazynem w chmurze w ramach filaru „Utrwalanie, selekcjonowanie, tworzenie”.

Filar „Utrwalanie, selekcjonowanie, tworzenie” składa się z pięciu funkcjonalności.

1. 1. Obsługujący magazyn danych korzysta z usługi Autonomous Data Warehouse.
2. 2. Compute Farms korzysta z HPC.
3. 3. Magazyn w chmurze korzysta z usługi OCI Object Storage.
4. 4. Przetwarzanie wsadowe korzysta z OCI Data Flow.
5. 5. Usługa Governance korzysta z katalogu OCI Data Catalog.

Funkcjonalności te są połączone w ramach filaru. Magazyn w chmurze / jezioro danych są jednokierunkowo połączone z obsługującym magazynem danych, a także dwukierunkowo z przetwarzaniem wsadowym i farmą obliczeniową.

Dwie funkcjonalności są połączone z filarem „Analizowanie, uczenie się, przewidywanie”: obsługujący magazyn danych łączy się jednokierunkowo z funkcjonalnością analiz i wizualizacji oraz dwukierunkowo z funkcjonalnością usług sztucznej inteligencji. Magazyn w chmurze łączy się z funkcjonalnością usług sztucznej inteligencji.

Filar „Analizowanie, uczenie się, przewidywanie” składa się z trzech funkcjonalności.

1. 1. Analizy i wizualizacje wykorzystują rozwiązania GraphStudio, Oracle Analytics Cloud i niezależnych dostawców oprogramowania (ISV).
2. 2. Usługi sztucznej inteligencji obejmują OCI Anomaly Detection, OCI Language, OCI Forecasting i OCI Vision.
3. 3. Metadane z obsługującego magazynu danych, analiz i wizualizacji oraz magazynu obiektów są dostarczane do usługi OCI Data Catalog.

W filarze „Pomiar, działanie” przedstawiony jest sposób wykorzystania analizy danych do obliczania ryzyka i wspierania sprawozdawczości ustawowej. Te zastosowania są podzielone na dwie grupy.

1. 1. Pierwsza grupa „Pracownicy i partnerzy” obejmuje zgodność z przepisami i sprawozdawczość ustawową oraz agregację ryzyka i sprawozdawczość.
2. 2. Druga grupa „Aplikacje” obejmuje analitykę ryzyka kredytowego i ryzyka rynkowego, wartości zagrożonej, ryzyka operacyjnego i ryzyka płynności oraz testy warunków skrajnych i analizę scenariuszy.

Trzy główne filary — „Wchłanianie, przekształcanie”, „Utrwalanie, selekcjonowanie, tworzenie” oraz „Analizowanie, uczenie się i przewidywanie” — są obsługiwane przez infrastrukturę, sieć, zabezpieczenia i IAM.

Istnieją trzy główne sposoby wprowadzania danych do architektury umożliwiające organizacjom świadczącym usługi finansowe usprawnienie procesów obliczania ryzyka i sprawozdawczości ustawowej, przy jednoczesnym zwiększeniu dokładności.

• Najpierw musimy pobrać dane z systemów transakcyjnych i podstawowych aplikacji bankowych. Dane te można następnie wzbogacić o dane klientów pochodzące ze źródeł zewnętrznych, które mogą obejmować na przykład nieustrukturyzowane dane uzyskane z mediów społecznościowych. Częste wyodrębnienia danych w czasie rzeczywistym lub niemal rzeczywistym, wymagające uchwycenia zmian danych są powszechne, a dane są regularnie pobierane z systemów transakcyjnych, zarządzania ryzykiem i klientami za pomocą Oracle Cloud Infrastructure (OCI) GoldenGate. OCI GoldenGate to także krytyczny składnik rozwijających się architektur o topologii siatki danych, w których „produkty danych” są zarządzane za pomocą firmowych ksiąg danych i wielojęzycznych strumieni danych, które przeprowadzają ciągłe procesy transformacji i ładowania (zamiast procesów wsadowego wchłaniania i ekstrakcji, przekształcania i ładowania używanych w architekturach monolitycznych).
• Możemy teraz używać wchłaniania strumieniowego do pozyskiwania danych handlowych w czasie rzeczywistym. Na przykład po wykonaniu transakcji wszystkie dołączone do niej informacje są wchłaniane, a następnie wdrażane w celu aktualizacji kont i ksiąg, ponownego obliczania ryzyka i uruchomienia procesów rozliczeniowych. Dane te są wchłaniane w nieprzetworzonej (nieprzekształconej) formie za pośrednictwem łącznika HDFS/S3, co umożliwia ich długotrwałe utrwalenie, a niektóre podstawowe przekształcenia/agregacje są wykonywane przed zapisaniem danych w chmurze. Równolegle z wchłanianiem możemy w czasie rzeczywistym filtrować, agregować, korelować i analizować duże ilości danych z różnych źródeł, korzystając z analiz przesyłanych strumieniowo. Pomaga to instytucjom finansowym wykrywać zagrożenia i ryzyka biznesowe. Można ręcznie wprowadzać korelacyjne zdarzenia i zidentyfikowane wzorce, a dane nieprzetworzone można sprawdzić za pomocą OCI Data Science. Ponadto można generować zdarzenia wyzwalające określone działania. Działania te mogą być ukierunkowane bezpośrednio na klienta, na przykład w celu poinformowania go o potencjalnych nadużyciach finansowych za pośrednictwem wiadomości e-mail lub SMS lub zablokowania uszkodzonej karty debetowej, czy też usprawniające wewnętrzne procesy, na przykład w celu powiadomienia zespołu ds. zgodności o wykryciu potencjalnego problemu. OCI GoldenGate Stream Analytics to technologia w pamięci, która wykonuje obliczenia analityczne w czasie rzeczywistym na strumieniowo przesyłanych danych.
• Dostęp do historycznych danych dotyczących wydajności, trendów i wzorców jest konieczny do dokładnego zrozumienia i przewidywania ryzyka. Zazwyczaj wymaga to wczytywania dużej ilości danych transakcyjnych oraz innych miar operacyjnych i zbiorów danych (takich jak dane rynkowe i ceny towarów) z lokalnych magazynów danych przy użyciu metod i usług masowego transferu, takich jak OCI Data Transfer Service.
• Ponieważ potrzeby w czasie rzeczywistym ewoluują, najpopularniejszym ekstraktem z podstawowych systemów bankowych, klientów i finansowych jest wchłanianie wsadowe w ramach procesu ekstrahowania, przekształcania i ładowania. Wchłanianie wsadowe jest często używane do importowania danych z systemów, które nie obsługują wchłaniania strumieniowego (na przykład ze starszych systemów głównych) lub danych, które nie muszą być analizowane w czasie rzeczywistym (na przykład dane dotyczące pożyczek i kredytów hipotecznych). Dane te charakteryzują się wysokim poziomem jakości/integracji danych i są często przetwarzane przez aplikację transakcyjną / system transakcyjny w trybie masowym zgodnie z określonym harmonogramem, na przykład co godzinę 15 minut po każdej pełnej godzinie lub codziennie w południe (okresy mogą być dłuższe niż w przypadku złożonych procesów). Wchłanianie masowe, gdy przetwarzanie źródła zostanie ukończone, jest najlepszym sposobem wchłaniania pod względem obliczeniowym i wydajności sieci. Wchłanianie wsadowe może odbywać się często, co 10 lub 15 minut, ale nadal ma charakter masowy, ponieważ ekstrahowane i przetwarzane są grupy transakcji, a nie pojedyncze transakcje. OCI oferuje różne usługi do obsługi wchłaniania wsadowego, takie jak natywna usługa OCI Data Integration lub Oracle Data Integrator działająca w instancji OCI Compute. W zależności od ilości i typów dane mogą być ładowane do magazynu obiektów lub bezpośrednio do strukturalnej relacyjnej bazy danych w celu trwałego przechowywania.

Utrwalanie i przetwarzanie danych opiera się na dwóch (opcjonalnie czterech) składnikach.

• Wchłonięte dane nieprzetworzone są przechowywane w magazynie w chmurze w celach algorytmicznych; używamy OCI Object Storage jako podstawowej warstwy utrwalania danych. Spark w OCI Data Flow to podstawowy silnik przetwarzania wsadowego służący do przetwarzania danych transakcyjnych, lokalizacyjnych, aplikacyjnych i odwzorowywania geograficznego. Przetwarzanie wsadowe obejmuje kilka działań, w tym podstawowe techniki radzenia sobie z zakłóceniami (szumem), zarządzanie brakującymi danymi i filtrowanie na podstawie zdefiniowanych zestawów danych wychodzących. Wyniki są zapisywane z powrotem do różnych warstw magazynu obiektów lub do trwałego relacyjnego repozytorium na podstawie wymaganego przetwarzania i stosowanych typów danych.
• Te przetworzone zbiory danych są zwracane do magazynu w chmurze w celu ich utrwalenia, wyselekcjonowania i analizy oraz załadowania w postaci zoptymalizowanej do obsługującego magazynu danych udostępnianego tutaj przez Oracle Autonomous Data Warehouse. Dane są teraz utrwalane w zoptymalizowanej formie relacyjnej, co umożliwia przeprowadzenie selekcji i zapytań. Zależnie od preferencji dotyczących architektury można to osiągnąć za pomocą usługi Oracle Big Data Service jako zarządzanego klastra Hadoop. W tym przykładowym sposobie zastosowania wszystkie dane potrzebne do trenowania modeli uczenia maszynowego są uzyskiwane w postaci nieprzetworzonej z magazynu obiektów. Trenowanie modeli odbywa się poprzez połączenie wzorców historycznych z rekordami na poziomie transakcji w celu zidentyfikowania i oznaczenia potencjalnych zagrożeń. Połączenie tych zbiorów danych z innymi , takimi jak dane urządzeń i dane geoprzestrzenne, pozwala nam stosować techniki danologii w celu udoskonalania istniejących modeli i tworzenia nowych, a tym samym usprawnienia procesów zarządzania ryzykiem i jego przewidywania. Tego typu utrwalania można także użyć do przechowywania danych dotyczących schematów, które są częścią magazynów danych, do których dostęp uzyskuje się za pomocą tabel zewnętrznych i partycji hybrydowych.
• Jak opisano w sekcji poświęconej wchłanianiu danych, organizacje świadczące usługi finansowe mają do czynienia z ogromnymi ilościami danych, w tym historycznymi danymi rynkowymi, danymi transakcyjnymi w czasie rzeczywistym czy wskaźnikami gospodarczymi. High Performance Computing (HPC) umożliwia efektywne przetwarzanie i analizę dużych zbiorów danych, zapewniając kompleksową ocenę ryzyka. Przewidywanie ryzyka finansowego wymaga zastosowania złożonych modeli matematycznych i statystycznych, takich jak symulacje Monte Carlo, modele wyceny opcji i modele czynników ryzyka. Modele te wymagają dużej mocy obliczeniowej do dokładnego i szybkiego wykonywania obliczeń i symulacji. Systemy HPC na farmie obliczeniowej zapewniają niezbędne zasoby obliczeniowe do obsługi tych złożonych modeli w niezwykle efektywny pod względem zasobów sposób, wykorzystując zasady przetwarzania w chmurze.

Funkcjonalność analizowania, uczenia się i przewidywania opiera się na trzech technologiach.

• Usługi analiz i wizualizacji, takie jak Oracle Analytics Cloud, dostarczają analizy na podstawie wyselekcjonowanych danych z obsługującego magazynu danych. Obejmuje to analizy opisowe (opisywanie bieżących trendów identyfikacji ryzyka oraz oznaczonej flagą aktywności wraz w histogramami i wykresami), analizy predykcyjne, takie jak analizy szeregów czasowych (przewidywanie przyszłych wzorców, identyfikowanie trendów i określanie prawdopodobieństwa niepewnych wyników) oraz analiz preskryptywnych (proponowanie odpowiednich działań wspierających podejmowanie optymalnych decyzji). Te analizy mogą być używane do udzielania odpowiedzi na pytania dotyczące na przykład porównania ryzyka oflagowanego w tym okresie z poprzednimi okresami.
• Oprócz zaawansowanych narzędzi analitycznych opracowywane, trenowane i wdrażane są modele uczenia maszynowego. Te przetrenowane modele mogą być uruchamiane zarówno na bieżących, jak i historycznych danych transakcyjnych, pomagając organizacjom finansowym lepiej przewidywać ryzyko i nimi zarządzać — na przykład poprzez dopasowywanie wzorców transakcji i zachowań w celu wykrywania procederu prania pieniędzy — a wyniki mogą być utrwalane w warstwie obsługującej i raportowane przy użyciu narzędzi analitycznych, takich jak Oracle Analytics Cloud. Aby zoptymalizować trenowanie modeli, model i dane można także wprowadzić do systemów uczenia maszynowego, takich jak OCI Data Science, w celu dalszego trenowania modeli na potrzeby efektywniejszej analizy ryzyka. Dostęp do tych modeli można uzyskać poprzez interfejsy API wdrażane w obsługującym magazynie danych lub osadzane w ramach przesyłania strumieniowego potoku danych analitycznych OCI GoldenGate.
• Ponadto możemy korzystać z zaawansowanych funkcjonalności usług sztucznej inteligencji natywnych dla chmury.
• OCI Anomaly Detection to usługa sztucznej inteligencji, która ułatwia tworzenie modeli wykrywania anomalii dostosowanych do danej działalności, które służą do oznaczania flagą krytycznych incydentów, przyspieszając w ten sposób wykrywanie i rozwiązywanie problemów. W tym przykładowym sposobie zastosowania te modele zostałyby wdrożone w celu wykrycia niezgodności ze standardami MSSF 9 i MSSF 17, CECL, LDTI, OECD, bazylejskimi oraz innymi standardami i wymaganiami, a także i monitorowania ich nieprzestrzegania. Identyfikacji tej można używać wraz z danymi historycznymi dotyczącymi rozwiązania problemu w celu naprawy i usprawnienia procesu. W celu oceny ryzyka, w tym oceny ryzyka kredytowego, płynności, rynku i wydajności przedsiębiorstwa, można wykorzystać OCI Anomaly Detection do monitorowania wskaźników wydajności, aby zapewnić bieżącą wydajność oraz zapobiec zwiększaniu ogólnego ryzyka przez transakcje.
• Możemy także użyć OCI Anomaly Detection do monitorowania liczby przypadków zgodności / braku zgodności według kategorii w celu określenia, czy jakakolwiek konkretna zmiana w firmie powoduje nietypowe eskalacje zgodności. Ponadto usługa OCI Anomaly Detection może pomóc w zidentyfikowaniu głównej przyczyny braku zgodności poprzez monitorowanie stosowania reguł zgodności w celu sprawdzenia, czy ostatnie transakcje wykazują nietypowe użycie.
• OCI Forecasting można wykorzystać do prognozowania miar wydajności oraz czynników zewnętrznych, takich jak warunki rynkowe i zachowania klientów, w celu analizy prawdopodobieństwa wystąpienia i potencjalnego zidentyfikowania ryzyka.
• OCI Language i OCI Vision mogą wchłaniać dokumenty i teksty, które mogą pomóc we wzbogacaniu danych na potrzeby działań związanych z zarządzaniem ryzykiem.
• Zarządzanie danymi to kolejny kluczowy element. Usługa ta jest realizowana przy użyciu OCI Data Catalog, bezpłatnej usługi zapewniającej zarządzanie danymi i metadanymi (zarówno technicznymi, jak i biznesowymi) dla wszystkich źródeł danych w ekosystemie platformy danych. OCI Data Catalog jest także kluczowym składnikiem w przypadku zapytań z Oracle Autonomous Data Warehouse do OCI Object Storage, ponieważ umożliwia szybkie wyszukiwanie danych bez względu na metodę ich przechowywania. Dzięki temu użytkownicy końcowi, programiści i badacze danych mogą używać wspólnego języka dostępu (SQL) we wszystkich utrwalonych magazynach danych w architekturze.
• Na koniec nasze starannie wyselekcjonowane, przetestowane, wysokiej jakości i zarządzane dane oraz modele mogą zostać teraz udostępnione jako produkt danych (API) w ramach architektury siatki danych do dystrybucji w całej organizacji usług finansowych.

Usprawnienie obliczeń dotyczących ryzyka i sprawozdawczości ustawowej przy użyciu odpowiedniej platformy danych

Oracle Data Platform pomaga organizacjom świadczącym usługi finansowe nadążać za szybko zmieniającym się środowiskiem zarządzania ryzykiem i sprawozdawczości ustawowej, zarządzać coraz bardziej złożonymi wymaganiami w zakresie sprawozdawczości stawianymi przez organy nadzoru na całym świecie oraz zapewniać im dostęp do danych na odpowiednim poziomie szczegółowości. Rozwiązanie Oracle zapewnia zintegrowane środowisko i ramy do zarządzania danymi dotyczącymi ryzyka, które ogranicza cenny czas i zasoby przeznaczane przez organizacje na przygotowywanie sprawozdań ustawowych. Dzięki automatycznemu rozwiązaniu, które stosuje reguły jakości i eliminuje silosy danych, organizacje mogą mieć pewność co do rzetelności swoich sprawozdań ustawowych, a także lepiej rozumieć i minimalizować ryzyko oraz lepiej nim zarządzać.organizations can have confidence in their regulatory submissions