Mejorar las operaciones y el desempeño de los servicios financieros

Aumenta la rentabilidad de los servicios financieros gracias a la eficiencia operativa basada en datos

Las instituciones de servicios financieros deben contar con operaciones internas eficientes para mantenerse competitivas y aumentar la rentabilidad, sobre todo a medida que las empresas tecnológicas y fintech avanzan en el espacio de los servicios financieros. En teoría, existen dos formas de mejorar la rentabilidad: aumentar los ingresos y reducir los gastos. Ambas son fundamentales. Para enfrentar el desafío de aumentar la rentabilidad en un sector cada vez más cambiante, las instituciones de servicios financieros están centrándose en el uso de la gran cantidad de datos e información disponibles para ayudarles a mejorar la eficiencia y el desempeño operativo. Al adoptar este enfoque para simplificar los procesos, eliminar redundancias y mejorar la asignación de recursos, pueden reducir costos y optimizar la prestación de sus servicios.

Este último factor es especialmente importante en un sector tan altamente competitivo, en rápida evolución y con interrupciones continuas. Las organizaciones que operan de forma eficiente pueden ofrecer precios más competitivos, un servicio más ágil y superior, mayor precisión y mejores experiencias de cliente que la competencia. Los clientes aprecian las experiencias rápidas y sin inconvenientes, y dichas experiencias contribuyen a la fidelidad, la retención y el boca a boca positivo, todo lo cual impulsa el crecimiento y los ingresos.

La eficiencia operativa también es la base para la agilidad y la adaptabilidad, ayudando a estas entidades a mantenerse a la vanguardia y responder rápidamente a los cambios del mercado, los requisitos normativos y las demandas de los clientes. Aquelas que sean ágiles podrán lanzar nuevos productos con mayor rapidez, adaptarse a los avances tecnológicos, aprovechar las oportunidades emergentes y prosperar en un entorno dinámico.

Además, la eficiencia operativa desempeña un papel importante en la gestión eficaz de riesgos, que es fundamental para mantener la confianza de los clientes, los reguladores y las partes interesadas. Las ineficiencias operativas, como los errores manuales, los cuellos de botella en los procesos y los controles inadecuados, pueden introducir riesgos y dar lugar a infracciones de la normativa, fallas de seguridad e interrupciones operativas. Al mejorar la eficiencia operativa, las entidades financieras pueden contribuir a mitigar estos riesgos, garantizar el cumplimiento de la normativa y mejorar la seguridad de los datos de los clientes.

Todos estos beneficios son esenciales para el crecimiento. A medida que estas organizaciones amplían sus operaciones o ingresan en nuevos mercados, necesitan asegurarse de que sus procesos son capaces de gestionar mayores volúmenes sin sacrificar la calidad ni incurrir en costos excesivos. Se pueden replicar, automatizar o adaptar los procesos para apoyar iniciativas de crecimiento, permitiendo a las organizaciones aprovechar las oportunidades y ampliar su presencia en el mercado.

Optimiza la eficacia operativa y reduce los costos con una plataforma de datos completa

Al ingerir, curar y analizar datos sobre procesos operativos y desempeño, las instituciones financieras pueden identificar y eliminar cuellos de botella e ineficiencias a fin de optimizar cada interacción interna y externa y mejorar los resultados. La arquitectura aquí presentada demuestra cómo podemos combinar los componentes recomendados de Oracle para desarrollar una arquitectura de análisis que cubra todo el ciclo de vida del análisis de datos y ayude a las instituciones a conseguir la amplia gama de beneficios empresariales descritos anteriormente.

Esta imagen muestra cómo Oracle Data Platform para servicios financieros puede utilizarse para respaldar y mejorar la eficiencia y el desempeño operativo. La plataforma incluye estos cinco pilares:

1. 1. Orígenes de datos, detección
2. 2. Ingerir, transformar
3. 3. Persistir, curar, crear
4. 4. Analizar, aprender, predecir
5. 5. Medir, actuar

El pilar Orígenes de datos, detección incluye tres categorías de datos.

1. 1. Los datos de Oracle App comprenden datos de Fusion SaaS, Oracle E-Business Suite, CX
2. 2. Registros comerciales (datos de primera parte) CRM, transacciones, información de cuentas, ingresos y margen
3. 3. Los datos de terceros incluyen tipos de cambio, fuentes de mercado y precios de productos básicos.

El pilar "Ingerir, transformar" comprende cuatro capacidades.

1. 1. La ingesta por lotes utiliza OCI Data Integration, Oracle Data Integrator y herramientas de bases de datos.
2. 2. La transferencia masiva utiliza OCI FastConnect, OCI Data Transfer, MFT y OCI CLI.
3. 3. La captura de datos de cambios utiliza OCI GoldenGate.
4. 4. La ingesta de streaming utiliza OCI Streaming Kafka Connect.

Las cuatro capacidades se conectan de forma unidireccional al almacén de datos en servicio y al almacenamiento en la nube dentro del pilar Persistir, curar, crear.

Además, la ingesta de streaming está conectada al procesamiento de streaming dentro del pilar "Analizar, aprender, predecir".

El pilar "Persistir, curar, crear" incluye cinco capacidades.

1. 1. El almacén de datos servidor utiliza Oracle Autonomous Data Warehouse y Exadata Cloud Service.
2. 2 El almacenamiento en la nube utiliza OCI Object Storage.
3. 3. Managed Hadoop utiliza Oracle Big Data Service.
4. 4. El procesamiento por lotes utiliza OCI Data Flow.
5. 5. La gobernanza utiliza OCI Data Catalog.

Estas capacidades están conectadas dentro del pilar. El almacenamiento en la nube está conectado unidireccionalmente al almacén de datos de servicio; también está conectado bidireccionalmente al procesamiento por lotes.

Dos capacidades se conectan al pilar "Analizar, aprender, predecir". El almacén de datos de servicio se conecta a la capacidad de análisis y de visualización, así como a los productos de datos, una capacidad de las API. El almacenamiento en la nube se conecta a la capacidad de machine learning.

El pilar Analizar, aprender, predecir comprende dos capacidades.

1. 1. La analítica y la visualización utilizan Oracle Analytics Cloud, GraphStudio e ISV.
2. 2. El machine learning utiliza Oracle Machine Learning.

El pilar Medir, actuar capta cómo puede utilizarse el análisis de datos: por las personas y los asociados.

Personas y asociados comprende la eficiencia operativa (tiempos de procesamiento, tasas de error, uso de recursos), la identificación de cuellos de botella en los procesos, el valor de tiempo de vida del cliente, el análisis del mercado y de la competencia y la atribución de resultados.

Los tres pilares centrales, Ingerir, transformar; Persistir, curar, crear; y Analizar, aprender, predecir, son compatibles con la infraestructura, la red, la seguridad y la gestión de identidades y accesos.

Conectar, ingerir y transformar los datos

Nuestra solución consta de tres pilares y todo ellos admiten capacidades de plataforma de datos específicas. El primer pilar ofrece la capacidad de conectar, ingerir y transformar datos.

Existen cuatro formas principales de inyectar datos en una arquitectura para que las instituciones financieras mejoren la eficiencia y el desempeño operativo.

• Para comenzar nuestro proceso, habilitaremos la transferencia masiva de datos de transacciones operativas. Los servicios de transferencia masiva se utilizan en situaciones en las que es necesario mover grandes volúmenes de datos a Oracle Cloud Infrastructure (OCI) por primera vez, por ejemplo, datos de repositorios analíticos locales u otros orígenes en la nube. El servicio específico de transferencia masiva que utilizaremos dependerá del local de los datos y de la frecuencia de transferencia. Por ejemplo, podemos utilizar el servicio OCI Data Transfer u OCI Data Transfer Appliance para cargar un gran volumen de datos locales procedentes de la planificación histórica o de repositorios de almacenes de datos. Cuando se deban mover grandes volúmenes de datos de forma continua, recomendamos utilizar OCI FastConnect, que proporciona una conexión de red privada dedicada y de gran ancho de banda entre el centro de datos del cliente y OCI.
• Suelen requerirse extracciones frecuentes en tiempo real o casi real, y los datos se ingieren regularmente desde los sistemas de gestión de transacciones y clientes mediante OCI GoldenGate. OCI GoldenGate utiliza captura de datos de cambio para detectar eventos de cambio en la estructura subyacente de los sistemas que ofrecen los procesos operativos a los que se debe prestar servicio (por ejemplo, la creación de una cuenta, el problema de un cliente, indicaciones de fraude, etc.) y envía los datos en tiempo real a una capa de persistencia y/o a la capa de streaming.
• La capacidad de analizar datos de varias fuentes en tiempo real ayuda a proporcionar a las entidades financieras información valiosa sobre su eficiencia operativa y desempeño general, de modo que puedan comprender y medir la eficiencia de sus procesos principales. En este caso de uso, utilizamos streaming de ingesta para ingerir todos los datos leídos de eventos de clientes o internos a través de interacciones móviles, IoT, comunicaciones de máquina a máquina y otros medios. Los flujos pueden proceder de diversas fuentes internas y externas y pueden incluir datos de transacciones, datos de interacción con los clientes, datos de mercado, datos de redes sociales y datos de sistemas de conformidad y regulación. Los datos (eventos) se ingerirán y se producirán algunas transformaciones/agregaciones básicas antes de almacenarlos en el OCI Object Storage. Se pueden utilizar análisis de flujo adicionales para identificar eventos correlacionados y se puede devolver cualquier patrón identificado (manualmente) para llevar a cabo un examen de los datos sin procesar utilizando OCI Data Science.
• Aunque las necesidades en tiempo real están evolucionando, la extracción más común de sistemas transaccionales, planificación de recursos empresariales, clientes, de gestión de riesgos y conformidad es algún tipo de ingestión por lotes mediante un proceso ETL. La ingesta por lotes se utiliza para importar datos de sistemas que no admiten el flujo de datos (por ejemplo, los antiguos sistemas bancarios mainframe). Estos extractos se pueden ingerir constantemente, con una frecuencia de 10 o 15 minutos, pero mantienen la naturaleza de lotes, ya que se extraen y procesan grupos de transacciones en lugar de transacciones individuales. OCI ofrece diferentes servicios para manejar la ingesta por lotes, como el servicio nativo de OCI Data Integration y Oracle Data Integrator, que se ejecutan en una instancia de OCI Compute. La elección del servicio se basaría principalmente en las preferencias del cliente y no en los requisitos técnicos.

Conservar, procesar y curar datos

La persistencia y el procesamiento de datos se basan en tres componentes. Los clientes podrán utilizarlos todos o un subconjunto, según cada caso. En función del volumen y la tipología, los datos se pueden cargar en el almacenamiento de objetos o directamente en una base de datos relacional estructurada para almacenamiento persistente. Cuando anticipamos la aplicación de capacidades de ciencia de datos, los datos recuperados de orígenes de datos en su formato raw (como un archivo nativo o extracción no procesado) se suelen capturar y cargar desde sistemas transaccionales a almacenes en la nube.

• El almacenamiento en la nube es la capa de persistencia de datos más común para nuestra plataforma de datos. Se puede utilizar para datos tanto estructurados como no estructurados. OCI Object Storage, OCI Data Flow y Oracle Autonomous Data Warehouse son los componentes básicos. La información recuperada de orígenes de datos en formato en bruto se captura y carga en OCI Object Storage. OCI Object Storage es la capa de persistencia de datos primaria y Spark en OCI Data Flow es el motor principal de procesamiento por lotes. El procesamiento por lotes incluye varias actividades, como tratamiento básico de ruido, gestión de datos ausentes y filtrado basado en conjuntos de datos de salida definidos. Los resultados se vuelven a escribir en varias capas de almacenamiento de objetos o en un repositorio relacional persistente dependiendo del procesamiento que sea necesario y los tipos de datos que se utilicen.
• Ahora utilizaremos un almacén de datos de servicio para mantener nuestros datos curados de forma optimizada para el desempeño de las consultas y proporcionar una visión integral de las operaciones de la organización. El almacén de datos de servicio proporciona una capa relacional persistente que se utiliza para proporcionar datos curados de alta calidad directamente a los usuarios finales mediante herramientas basadas en SQL. En esta solución, se crea una instancia de Oracle Autonomous Data Warehouse que funciona como almacén de datos de servicio para el almacén de datos empresariales y, si es necesario, data marts de nivel de dominio más especializados. También puede ser el origen de información para proyectos de ciencia de datos o el repositorio necesario para Oracle Machine Learning. El almacén de datos de servicio puede adoptar una de las diversas formas disponibles, como Oracle MySQL HeatWave, Oracle Database Exadata Cloud Service u Oracle Exadata Cloud@Customer.

Analizar datos, aprender y predecir

La capacidad de analizar, aprender y predecir se ve facilitada por dos enfoques tecnológicos.

• Las capacidades analíticas avanzadas son fundamentales para optimizar la eficiencia y el desempeño operativo. En este caso de uso, confiamos en Oracle Analytics Cloud para ofrecer análisis y visualizaciones. Esto permite a la organización utilizar análisis descriptivos (describen las tendencias actuales con histogramas y gráficos), análisis predictivos (predicen acontecimientos futuros, identifican tendencias y determinan la probabilidad de resultados inciertos) y análisis prescriptivos (proponen acciones adecuadas para respaldar una toma de decisiones ideal).

  Al aplicar modelos predictivos a datos históricos, las entidades financieras pueden prever resultados futuros y tomar decisiones proactivas. Por ejemplo, los análisis predictivos pueden ayudar a los bancos a anticiparse a la pérdida de clientes, identificar posibles casos de fraude, predecir impagos y optimizar las previsiones de flujo de caja. Esto les permite tomar medidas preventivas y asignar eficazmente sus recursos operativos.

  El análisis prescriptivo va más allá de la predicción de resultados y ofrece recomendaciones sobre el mejor curso de acción. Las entidades financieras pueden utilizar el análisis prescriptivo para optimizar la toma de decisiones en áreas como la aprobación de préstamos, estrategias de inversión, modelos de fijación de precios y gestión de riesgos. Al tener en cuenta diversas limitaciones y objetivos, los análisis prescriptivos ayudan a tomar decisiones basadas en datos que maximizan la eficiencia y la rentabilidad. (La cultura de datos más amplia de una organización desempeñará un papel importante en el éxito de un enfoque de análisis predictivo).

• Además de la analítica avanzada, cada vez se utilizan más la ciencia de datos, el machine learning y la inteligencia artificial para buscar anomalías, predecir dónde puede producirse latencia en los procesos y optimizar el proceso del cliente. Por ejemplo, los modelos de machine learning se pueden utilizar para la calificación crediticia, la detección de fraudes, la segmentación de clientes y el marketing personalizado. Al aprender continuamente de nuevos datos, estos modelos pueden adaptarse y mejorar su desempeño a lo largo del tiempo, lo que conduce a una mayor eficacia operativa y una mejor toma de decisiones. OCI Data Science, OCI AI Services y Oracle Machine Learning se pueden utilizar en las bases de datos.

  Utilizamos métodos de machine learning y ciencia de datos para desarrollar y capacitar nuestros modelos predictivos. A continuación, estos modelos de machine learning se pueden implementar para su puntuación a través de API o integrarse como parte del canal de análisis de flujos de OCI GoldenGate. En algunos casos, estos modelos se pueden incluso desplegar en la base de datos mediante la API de REST de los servicios de Oracle Machine Learning (para ello, el modelo debe tener el formato Open Neural Network Exchange). Además, se pueden desplegar en el almacén de datos de servicios o transaccionales los blocs de notas centrados en OCI Data Science para Jupyter/Python o Oracle Machine Learning para el bloc de notas y los algoritmos de aprendizaje automático de Zeppelin. Del mismo modo, Oracle Machine Learning y OCI Data Science, solos o por separado, pueden desarrollar modelos de recomendaciones/decisiones. Estos modelos se pueden desplegar como un servicio, y podemos hacerlos detrás de OCI API Gateway para que se entreguen como "productos de datos" y servicios. Por último, una vez desarrollados, se pueden implementar en aplicaciones que formen parte de un sistema operativo de toma de decisiones (si está permitido).

• El último componente, pero no por ello menos importante es la gobernanza de datos. Esta función la brinda OCI Data Catalog, un servicio gratuito que proporciona gobernanza de datos y gestión de metadatos (tanto para metadatos técnicos como de negocio) para todos los orígenes de datos del ecosistema de plataformas de datos. OCI Data Catalog también es un componente fundamental para las consultas de Oracle Autonomous Data Warehouse a OCI Object Storage, ya que acelera la localización de datos independientemente de su método de almacenamiento. Esto permite que los usuarios finales, los desarrolladores y los científicos de datos utilicen un lenguaje de acceso común (SQL) en todos los almacenes de datos persistentes de la arquitectura.

Las ventajas de utilizar datos para mejorar la eficacia y el desempeño operativo

A medida que aumenta la velocidad de los negocios -y el nivel de competencia-, los sistemas heredado utilizados para proporcionar datos operativos críticos no acompañan la evolución. Estos sistemas necesitan mucha intervención manual para recopilar, integrar y elaborar informes a partir de datos fragmentados y aislados, lo que significa que la información llega demasiado tarde para dar a la empresa la ventaja que necesita. Medir, comprender y mejorar la eficiencia operativa puede proporcionar a las instituciones financieras una ventaja competitiva y numerosos beneficios, entre ellos:

• Una mayor capacidad para captar y fidelizar clientes mediante una prestación de servicios eficaz, precios competitivos, una experiencia de cliente superior y ofertas innovadoras.
• Mejores decisiones empresariales, basadas en una visión única y coherente de datos precisos disponibles en el momento adecuado
• Mayor agilidad, que permite lanzar nuevos productos con mayor rapidez, adaptarse a los avances tecnológicos y aprovechar las oportunidades emergentes.
• Menor complejidad en toda la organización
• Reducción de la duplicación de datos y errores manuales
• Disminución de riesgos gracias a una mejor gestión y mitigación de los mismos
• Costos reducidos
• Disponibilidad de datos más rápida para fines analíticos