Melhore os cálculos de riscos e geração de relatórios regulatórios

Desafios dos relatórios regulatórios

Com a crescente complexidade dos requisitos de relatórios dos reguladores em todo o mundo, a carga de custos e recursos dos relatórios regulatórios aumentou nos últimos anos. Tentando com dificuldade acompanhar o ritmo constante das mudanças, as empresas financeiras devem encontrar maneiras de atender aos requisitos de dados em expansão de forma mais eficiente e precisa, evoluindo estrategicamente sua arquitetura de dados para melhorar o desempenho e impulsionar o crescimento.

Muitas organizações de serviços financeiros ainda estão desperdiçando uma quantidade significativa de tempo e recursos qualificados preparando relatórios de regulamentação. Sem um sistema automatizado que executa verificações de qualidade de dados e elimina silos de dados, os bancos não conseguem ter certeza de que suas submissões regulatórias estão precisas sem passar inúmeras horas revisando os relatórios. Acessar dados no nível desejado de granularidade é outro desafio porque diferentes sistemas capturam dados em diferentes níveis; por exemplo, sistemas de empréstimo capturam dados no nível da conta e da transação, sistemas de criação de empréstimo capturam dados no nível da consulta e sistemas de cartão de crédito capturam dados no nível do cartão e da transação. Analisar dados em um nível consistente de granularidade permite que as instituições financeiras compreendam suas operações, clientes e mercados por completo. Isso permite que elas visualizem dados no contexto e identifiquem relacionamentos, padrões e tendências que poderiam passar despercebidos se os dados fossem agregados ou desagregados de maneira inconsistente.

Para resolver essas questões, as organizações de serviços financeiros estão redefinindo sua abordagem de cálculo de risco, relatórios regulatórios e conformidade como um processo holístico e buscando automação e governança de ponta a ponta, desde a captura e análise de dados até a geração de relatórios, incluindo o envio final aos órgãos reguladores.

Gerencie a conformidade e os riscos de forma mais eficaz com machine learning e IA

A arquitetura a seguir demonstra como podemos combinar componentes e recursos da Oracle, incluindo análises avançadas, IA e machine learning, para criar uma plataforma de dados abrangente para relatórios regulatórios e cálculo de risco que facilita a integração de dados, a qualidade dos dados, a padronização, o processamento, a linhagem e a agilidade. A plataforma de dados fornece às instituições financeiras uma base sólida para ajudá-las a atender aos requisitos regulatórios, criar relatórios precisos e em tempo hábil e executar cálculos de risco eficazes.

Esta imagem mostra como a Oracle Data Platform para saúde pode ser usada para oferecer suporte a cuidados baseados em valor com monitoramento de desempenho. 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 Aplicativos Oracle incluem Fusion SaaS, Oracle E-Business Suite e EPM.
2. 2. Os Registros de Negócios (Dados Primários) são compostos por transações, receita e margem.
3. 3. Os Dados de Terceiros incluem dados de taxas de câmbio, feeds de mercado e preços de commodities.

O pilar Ingestão, Transformação abrange quatro recursos.

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

Os quatro recursos se conectam unidirecionalmente ao recurso de armazenamento em nuvem no pilar Persistência, Curadoria, Criação.

O pilar Persistência, Curadoria, Criação abrange cinco recursos.

1. 1. O armazenamento de dados de serviço usa o Autonomous Data Warehouse.
2. 2. O Compute Farms usa HPC.
3. 3. O armazenamento em nuvem usa OCI Object Storage.
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/data lake é conectado unidirecionalmente ao armazenamento de dados de serviço; ele também é conectado bidirecionalmente ao processamento em lote e ao farm de computação.

Dois recursos se conectam ao pilar Análise, Aprendizado, Predição: O armazenamento de dados de serviço se conecta unidirecionalmente à capacidade de análise e visualização e é conectado bidirecionalmente ao recurso do AI Services. O armazenamento em nuvem se conecta ao recurso do IA Services.

O pilar Análise, Aprendizado, Previsão abrange três recursos.

1. 1. Análise e visualização usam GraphStudio, Oracle Analytics Cloud e ISVs.
2. 2. O AI Services inclui OCI Anomaly Detection, OCI Language, OCI Forecasting e OCI Vision.
3. 3. O serviço de armazenamento de dados, análise e visualização e metadados de suprimento de armazenamento de objetos no OCI Data Catalog.

O pilar Medida, Ação captura como a análise de dados pode ser aplicada para dar suporte a um cálculo de risco e uma solução de relatórios regulatórios. Essas aplicações são divididas em dois grupos.

1. 1. O primeiro grupo, “Pessoas e Parceiros”, inclui relatórios de conformidade e regulamentação com agregação de risco e relatórios.
2. 2. O segundo grupo, “Aplicações”, inclui análise de risco de crédito e risco de mercado, análise de valor em risco, análise de risco operacional, análise de risco de liquidez, teste de estresse e análise de cenário.

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

Há três maneiras principais de injetar dados em uma arquitetura para permitir que as organizações de serviços financeiros simplifiquem os processos de cálculo de risco e relatórios regulatórios, melhorando a precisão.

• Para começar, precisamos ingerir dados de sistemas transacionais e aplicações bancárias. Esses dados podem ser enriquecidos com dados de clientes de fontes de terceiros, que podem incluir dados não estruturados de redes sociais, por exemplo. Extrações frequentes em tempo real ou quase em tempo real que exigem captura de alteração de dados são comuns, e os dados são ingeridos regularmente de sistemas transacionais, de risco e de gerenciamento de clientes usando o Oracle Cloud Infrastructure (OCI) GoldenGate. O OCI GoldenGate também é um componente crítico da evolução das arquiteturas de malha de dados, em que os “produtos de dados” são gerenciados por meio de registros de dados corporativos e fluxos de dados poliglotas que executam processos contínuos de transformação e carregamento (em vez dos processos de ingestão e extração, transformação e carregamento em lote usados em arquiteturas monolíticas).
• Agora podemos usar streaming de ingestão para ingerir dados de negociação em tempo real. Por exemplo, quando uma negociação é executada, todas as informações anexadas a ela são ingeridas e implantadas para atualizar contas e razões, recalcular riscos e iniciar processos de liquidação. Esses dados são ingeridos em formato bruto (não transformado) por meio do conector HDFS/S3 para persistência de longo prazo, e algumas transformações/agregações básicas são executadas antes que os dados sejam armazenados no armazenamento na nuvem. Paralelamente à ingestão, podemos filtrar, agregar, correlacionar e analisar grandes volumes de dados de várias fontes em tempo real usando análise de streaming. Isso ajuda as instituições financeiras a detectar ameaças e riscos nos negócios. Eventos correlacionados e padrões identificados podem ser alimentados (manualmente), e os dados brutos podem ser examinados usando o OCI Data Science. Além disso, os eventos podem ser gerados para acionar ações. Essas ações podem ser direcionadas diretamente ao cliente, como notificar os clientes sobre possíveis fraudes via e-mail ou SMS ou bloquear cartões de débito comprometidos, ou podem agilizar processos internos, por exemplo, notificando a equipe de conformidade de que um possível problema foi identificado. O OCI GoldenGate Stream Analytics é uma tecnologia in-memory que faz cálculos analíticos em tempo real em dados de streaming.
• O acesso a dados históricos de desempenho, tendências e padrões é necessário para entender e prever o risco com precisão. Em geral, isso demanda o carregamento de um grande volume de dados transacionais e outras métricas operacionais e conjuntos de dados (como dados de mercado e preços de commodities) a partir de armazenamentos de dados on-premises usando métodos e serviços de transferência em massa, como o OCI Data Transfer Service.
• Embora as necessidades em tempo real estejam evoluindo, a extração mais comum dos principais sistemas bancários, de clientes e financeiros é uma ingestão em lote usando um processo de extração, transformação e carregamento. A ingestão em lote geralmente é usada para importar dados de sistemas que não podem suportar a ingestão de streaming (por exemplo, sistemas de mainframe mais antigos) ou dados que não precisam necessariamente ser analisados em tempo real, como dados de empréstimo e hipoteca. Esses dados são altamente estruturados com um alto grau de qualidade/integridade dos dados e geralmente são processados pela aplicação/sistema transacional em massa de acordo com um cronograma específico, por exemplo, de hora em hora, 15 minutos após a hora, ou diariamente, ao meio-dia (os períodos podem ser mais longos do que isso para acomodar processos complexos). A ingestão em massa após a conclusão do processamento da origem é a forma de ingestão mais eficiente em termos computacionais e de rede. As ingestões em lote podem ser frequentes, a cada 10 ou 15 minutos, mas ainda são de natureza volumosa, 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 ou o Oracle Data Integrator em execução em uma instância do OCI Compute. Dependendo dos volumes e tipos, os dados podem ser carregados no armazenamento de objetos ou diretamente em um banco de dados relacional estruturado para armazenamento persistente.

A persistência e o processamento de dados são baseados em três (opcionalmente quatro) componentes.

• Os dados brutos ingeridos são armazenados na nuvem para fins algorítmicos; usamos o OCI Object Storage como a camada primária de persistência de dados. O Spark no OCI Data Flow é o principal mecanismo de processamento em lote para dados tais como transacionais, de localização, de aplicações e de mapeamento geográfico. 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.
• Esses conjuntos de dados processados são devolvidos ao armazenamento em nuvem para persistência, curadoria e análise e, finalmente, para carregamento de forma otimizada no armazenamento de dados de serviço, fornecido aqui pelo Oracle Autonomous Data Warehouse. Os dados agora são mantidos em formato relacional otimizado para curadoria e desempenho de consulta. Como alternativa, dependendo da preferência arquitetônica, isso pode ser feito com o Oracle Big Data Service como um cluster Hadoop gerenciado. Nesse caso de uso, todos os dados necessários para treinar os modelos de machine learning são acessados na forma bruta do armazenamento de objetos. Para treinar os modelos, padrões históricos são combinados com registros no nível da transação para identificar e rotular riscos potenciais. A combinação desses conjuntos de dados com outros, como dados de dispositivos e dados geoespaciais, nos permite aplicar técnicas de ciência de dados para refinar modelos existentes e desenvolver novos para melhor gerenciar e prever riscos. Esse tipo de persistência também pode ser usado para armazenar dados para esquemas que fazem parte dos armazenamentos de dados acessados por meio de tabelas externas e partições híbridas.
• Conforme descrito na seção de ingestão, as organizações de serviços financeiros lidam com grandes volumes de dados, incluindo dados históricos do mercado, dados de negociação em tempo real, indicadores econômicos e muito mais. A computação de alto desempenho (HPC) permite o processamento e a análise eficientes de grandes conjuntos de dados, permitindo uma avaliação de risco abrangente. A previsão de risco financeiro envolve o uso de modelos matemáticos e estatísticos complexos, como simulações de Monte Carlo, modelos de preços de opções e modelos de fatores de risco. Esses modelos demandam capacidade computacional considerável para executar cálculos e simulações de forma precisa e rápida. Os sistemas HPC em um farm de computação fornecem os recursos computacionais necessários para lidar com esses modelos complexos de forma extremamente eficiente em termos de recursos usando os princípios da computação em nuvem.

A capacidade de analisar, aprender e prever é baseada em três tecnologias.

• Os serviços de análise e visualização, como a Oracle Analytics Cloud, fornecem análises com base nos dados selecionados do armazenamento de dados de serviço. Isso inclui análise descritiva (descreve as tendências atuais de identificação de fraudes e atividades sinalizadas com histogramas e gráficos), análise preditiva, como análise de séries temporais (prevê padrões futuros, identifica tendências e determina a probabilidade de resultados incertos) e análise prescritiva (propõe ações adequadas que apoiam uma tomada de decisão ideal). Essas análises podem ser usadas para responder a perguntas como: Como o risco sinalizado nesse período se compara aos períodos anteriores?
• Juntamente com análises avançadas, modelos de machine learning são desenvolvidos, treinados e implementados. Esses modelos treinados podem ser executados em dados transacionais atuais e históricos para ajudar as organizações de serviços financeiros a melhor prever e gerenciar riscos, por exemplo, combinando padrões de transações e comportamentos para detectar lavagem de dinheiro, e os resultados podem ser mantidos na camada de serviço e relatados usando ferramentas de análise, como a Oracle Analytics Cloud. Para otimizar o treinamento do modelo, o modelo e os dados também podem ser alimentados em sistemas de machine learning, como o OCI Data Science, para treinar ainda mais os modelos para análise de riscos mais eficaz. Esses modelos podem ser acessados por meio de APIs, implementados no armazenamento de dados de serviço ou incorporados como parte do pipeline do OCI GoldenGate de análise de streaming.
• Além disso, podemos usar os recursos avançados dos serviços de inteligência artificial nativos da nuvem.
• O OCI Anomaly Detection é um serviço de inteligência artificial que facilita a criação de modelos de detecção de anomalias específicos de negócios que sinalizam incidentes críticos, acelerando a detecção e a resolução. Neste caso de uso, implantamos esses modelos para identificar a não conformidade e monitorar a não adesão ao IFRS 9 e IFRS 17, CECL, LDTI, OCDE, Basel e outros padrões e requisitos. Essa identificação pode ser usada junto com dados históricos de resolução para remediação e melhoria de processos. Para avaliações de risco, incluindo avaliações de risco de crédito, liquidez, mercado e desempenho empresarial, a OCI Anomaly Detection pode ser usada para monitorar métricas de desempenho para ajudar a garantir que o desempenho atual e as transações não aumentem o risco geral.
• Também podemos usar a OCI Anomaly Detection para monitorar o número de ocorrências compatíveis/não compatíveis por categoria para identificar se alguma alteração específica nos negócios causa escalações de conformidade incomuns. Além disso, a OCI Anomaly Detection pode ajudar a identificar a causa raiz da não conformidade monitorando o uso de regras de conformidade para verificar se as transações recentes mostram o uso incomum.
• O OCI Forecasting pode ser usado para prever métricas de desempenho, bem como fatores externos, como condições de mercado e comportamentos dos clientes, para analisar a probabilidade e potencialmente identificar riscos iminentes.
• O OCI Language e OCI Vision podem ingerir documentos e textos que podem ajudar a enriquecer os dados para atividades de gerenciamento de riscos.
• Governança de dados é outro componente crítico. Isso é fornecido pelo OCI Data Catalog, um serviço gratuito que facilita governança de dados e gerenciamento de metadados (tanto para metadados técnicos quanto comerciais) para todas as fontes de dados no ecossistema do data lakehouse. 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.
• Por fim, nossos dados e modelos agora selecionados, testados, de alta qualidade e governados podem ser expostos como um produto de dados (API) em uma arquitetura de malha de dados para distribuição em toda a organização de serviços financeiros.

Melhore os cálculos de riscos e a geração de relatórios regulatórios com a plataforma de dados certa

A Oracle Data Platform pode ajudar as organizações de serviços financeiros a acompanhar o gerenciamento de riscos e o cenário de relatórios regulatórios em constante mudança, gerenciar a crescente complexidade dos requisitos de relatórios dos reguladores em todo o mundo e garantir que elas tenham acesso aos dados no nível correto de granularidade. A solução da Oracle oferece um ambiente e uma estrutura integrados para gerenciar dados de risco que reduzem o tempo e os recursos valiosos que as organizações devem dedicar à preparação de relatórios regulatórios. Com uma solução automatizada que aplica regras de qualidade e elimina silos de dados, as organizações podem confiar em seus envios regulatórios e entender, gerenciar e minimizar riscos.