Improve financial services operations and performance

Повышение рентабельности финансовых услуг за счет операционной эффективности на основе данных

Для сохранения конкурентоспособности и повышения рентабельности финансовые учреждения должны внедрять эффективные внутренние операции, особенно когда финансово-технологические и технологические компании все активнее вовлекаются в сферу финансовых услуг. Теоретически существуют два способа повышения рентабельности: увеличение доходов и сокращение расходов. Оба имеют решающее значение. Для решения задачи повышения рентабельности в быстро развивающемся секторе финансовые учреждения вновь сосредотачивают внимание на использовании огромных объемов данных и информации для повышения операционной эффективности и производительности. Используя подход, основанный на данных, для упрощения процессов, устранения избыточности и оптимизации распределения ресурсов, финансовые организации могут как сократить расходы, так и повысить качество предоставляемых услуг.

Последнее обстоятельство особенно важно в такой высококонкурентной, быстро развивающейся и подверженной постоянным изменениям отрасли. Организации, работающие эффективно, могут предложить более конкурентоспособные цены, более быстрые и качественные услуги, более высокую точность и улучшенное качество обслуживания клиентов в сравнении с конкурентами. Клиенты ценят быстрое и простое обслуживание, а полученный положительный опыт способствует их лояльности, удержанию и результативной устной рекламе — все это может содействовать развитию организации и повышению доходов.

Операционная эффективность также обеспечивает основу для гибкости и адаптивности, помогая финансовым организациям опережать конкурентов и быстро реагировать на изменения рынка, нормативные требования и запросы клиентов. Гибкие организации могут быстрее запускать новые продукты, адаптироваться к технологическому прогрессу, использовать возникающие возможности и процветать в динамичной среде.

Кроме того, операционная эффективность играет важную роль в эффективном управлении рисками, что крайне важно для поддержания доверия клиентов, официальных органов и заинтересованных сторон. Неэффективная операционная деятельность, в том числе ошибки, обусловленные человеческим фактором, узкие места в процессах и ненадлежащий контроль, может привести к возникновению рисков, нарушениям нормативно-правового соответствия и безопасности, а также к сбоям в работе. Повышение операционной эффективности позволяет финансовым организациям снизить эти риски, обеспечить нормативно-правовое соответствие и усилить защиту клиентских данных.

Все эти преимущества имеют важное значение для роста. По мере расширения деятельности или выхода на новые рынки финансовым организациям необходимо убедиться, что их процессы позволяют справиться с возросшими объемами без снижения качества и чрезмерных затрат. Эффективные процессы можно легко воспроизвести, автоматизировать или адаптировать для поддержки инициатив по развитию, что позволяет организациям использовать возможности и расширять свое присутствие на рынке.

Оптимизация операционной эффективности и снижение затрат с помощью комплексной платформы данных

Импортируя, отбирая и анализируя данные об операционных процессах и производительности, финансовые организации могут выявлять и устранять узкие места и неэффективные процессы, оптимизируя все внутренние и внешние взаимодействия и повышая результативность. Представленная здесь архитектура демонстрирует, как можно объединить рекомендуемые компоненты Oracle для построения аналитической архитектуры, охватывающей весь жизненный цикл аналитики данных и призванной помочь финансовым учреждениям обрести широкий спектр преимуществ для бизнеса, описанных выше.

На этом изображении показано, как платформу данных Oracle для финансовых услуг можно использовать для поддержания и повышения операционной эффективности и производительности. Платформа включает в себя следующие пять основных компонентов:

1. 1. Источники данных, обнаружение
2. 2. Импорт, преобразование
3. 3. Сохранение, отбор, создание
4. 4. Анализ, обучение, прогнозирование
5. 5. Измерение, исполнение

Компонент «Источники данных, обнаружение» включает три категории данных.

1. 1. К данным приложений Oracle относятся данные из Fusion SaaS, Oracle E-Business Suite и CX.
2. 2. К данным бизнес-записей (данные первой стороны) относятся данные CRM, транзакции, информация о счетах, доходе и марже.
3. 3. Третьи стороны предоставляют данные о валютных курсах, рыночных котировках и ценах на товары.

Компонент «Импорт, преобразование» содержит четыре ресурса.

1. 1. Для пакетного импорта используются OCI Data Integration, Oracle Data Integrator и DB Tools.
2. 2. Массовый перенос предполагает использование OCI FastConnect, OCI Data Transfer, MFT и OCI CLI.
3. 3. Для сбора данных об изменениях используется OCI GoldenGate.
4. 4. Потоковый импорт предполагает использование OCI Streaming Kafka Connect.

Все четыре ресурса однонаправленно объединяются со служебным хранилищем данных и облачным хранилищем в рамках компонента «Сохранение, отбор, создание».

Кроме того, потоковый импорт подключается к потоковой обработке в рамках компонента «Анализ, обучение, прогнозирование».

Компонент «Сохранение, отбор, создание» содержит пять ресурсов.

1. 1. В качестве служебного хранилища данных используются Oracle Autonomous Data Warehouse и Exadata Cloud Service.
2. 2. В облачном хранилище используется OCI Object Storage.
3. 3. В управляемом Hadoop используется Oracle Big Data Service.
4. 4. Для пакетной обработки используется OCI Data Flow.
5. 5. Для управления используется OCI Data Catalog.

Эти ресурсы связаны в рамках компонента. Облачное хранилище однонаправленно подключено к служебному хранилищу данных, а также двунаправленно подключено к пакетной обработке.

Два ресурса подключаются к компоненту «Анализ, обучение, прогнозирование». Служебное хранилище данных подключается к ресурсу аналитики и визуализации, а также к ресурсу продуктов данных и API. Облачное хранилище подключается к ресурсу машинного обучения.

Компонент «Анализ, обучение, прогнозирование» содержит два ресурса.

1. 1. Для аналитики и визуализации используются Oracle Analytics Cloud, GraphStudio и независимые поставщики ПО (ISV).
2. 2. В машинном обучении используется Oracle Machine Learning.

Компонент «Измерение, исполнение» описывает, как анализ данных может использоваться людьми и партнерами.

Группа «Люди и партнеры» включает в себя операционную эффективность (время обработки, частота ошибок, использование ресурсов), выявление узких мест в процессах, пожизненную ценность клиента, анализ рынка и конкурентов, факторный анализ эффективности.

Три центральных компонента — «Импорт, преобразование», «Сохранение, отбор, создание» и «Анализ, обучение, прогнозирование» — поддерживаются инфраструктурой, сетью, средствами безопасности и продуктами IAM.

Подключение, импорт и преобразование данных

Наше решение состоит из трех компонентов, каждый из которых поддерживает определенные возможности платформы данных. Первый компонент обеспечивает возможность подключения, импорта и преобразования данных.

Существует четыре основных способа импорта данных в архитектуру, позволяющих финансовым организациям повысить операционную эффективность и производительность.

• Для начала мы включим массовый перенос операционных данных транзакций. Сервисы массового переноса используются в ситуациях, когда необходимо впервые перенести большие объемы данных в Oracle Cloud Infrastructure (OCI), например данные из существующих локальных аналитических репозиториев или других облачных источников. Конкретный сервис массового переноса, который будет использоваться, зависит от местонахождения данных и частоты их переноса. Например, для загрузки больших объемов локальных данных из репозиториев архивных данных планирования или репозиториев хранилищ данных может использоваться OCI Data Transfer Service или OCI Data Transfer Appliance. Если требуется постоянно перемещать большие объемы данных, рекомендуется использовать сервис OCI FastConnect, который обеспечивает высокую пропускную способность выделенного частного сетевого соединения между центром обработки данных заказчика и OCI.
• Частые извлечения данных в реальном или близком к реальному времени, являются обычным явлением, и данные регулярно импортируются из транзакций и систем управления клиентами с помощью OCI GoldenGate. OCI GoldenGate использует сбор данных об изменениях для обнаружения событий изменений в базовой структуре систем, поддерживающих операционные процессы, требующие обслуживания (например, создание счета, проблема клиента, признаки мошенничества и т. д.), и в режиме реального времени отправляет эти данные на уровень персистентности и/или потоковый уровень.
• Возможность анализа данных из различных источников в режиме реального времени может помочь финансовым организациям получить ценные сведения об их операционной эффективности и общей производительности, что позволит им понять и оценить эффективность основных процессов. В данном примере мы используем потоковый импорт для ввода всех данных, считываемых из событий клиентов или внутренних событий с помощью мобильного взаимодействия, Интернета вещей, межмашинного взаимодействия и других средств. Потоки могут поступать из различных внутренних и внешних источников и содержать данные транзакций, данные о взаимодействии с клиентами, рыночные данные, данные из социальных сетей, а также данные из систем обеспечения нормативно-правового соответствия и регулирования. Данные (события) будут импортироваться, а перед их сохранением в OCI Object Storage подвергнутся некоторым базовым преобразованиям/агрегированию. Для выявления коррелирующих событий можно использовать дополнительную потоковую аналитику, а выявленные закономерности можно передать обратно (вручную) для изучения необработанных данных с помощью OCI Data Science.
• Несмотря на растущую потребность в обработке в реальном времени, наиболее распространенным способом извлечения данных из транзакционных систем, систем планирования ресурсов предприятия (ERP), систем управления клиентами, рисками и нормативно-правовым соответствием является пакетный импорт с использованием процесса извлечения, преобразования и загрузки (ETL). Пакетный импорт используется для получения данных из систем, которые не поддерживают потоковый импорт (например, старые банковские системы мэйнфреймов). Такие выборки могут импортироваться часто, даже каждые 10 или 15 минут, но они все равно носят пакетный характер, поскольку извлекаются и обрабатываются группы транзакций, а не отдельные транзакции. Инфраструктура OCI предлагает различные сервисы для пакетного импорта, например собственный сервис OCI Data Integration и Oracle Data Integrator, работающий на экземпляре OCI Compute. Выбор сервиса зависит прежде всего от предпочтений клиентов, а не от технических требований.

Сохранение, обработка и отбор данных

Сохранение и обработка данных базируются на трех компонентах. Некоторые клиенты будут использовать все компоненты, другие — только часть. В зависимости от объемов и типов данные могут загружаться в объектное хранилище или непосредственно в структурированную реляционную базу данных для постоянного хранения. Если предполагается использовать возможности науки о данных, то данные, полученные из источников данных в необработанном виде (в виде необработанного исходного файла или выборки), чаще всего собираются и загружаются из транзакционных систем в облачное хранилище.

• Облачное хранилище — самый распространенный уровень персистентности данных для нашей платформы данных. Его можно использовать как для структурированных, так и для неструктурированных данных. Основными стандартными блоками являются OCI Object Storage, OCI Data Flow и Oracle Autonomous Data Warehouse. Данные, извлеченные из источников данных в необработанном формате, собираются и загружаются в OCI Object Storage. OCI Object Storage является основным уровнем персистентности данных, а Spark в OCI Data Flow — основным механизмом пакетной обработки. Пакетная обработка предполагает выполнение несколько операций, в том числе базовую обработку шумов, управление отсутствующими данными и фильтрацию на основе заданных наборов исходящих данных. Результаты записываются на различные слои объектного хранилища или в постоянный реляционный репозиторий в зависимости от требуемой обработки и используемых типов данных.
• Теперь мы будем использовать служебное хранилище данных для сохранения отобранных данных в оптимизированном для выполнения запросов виде и обеспечения полного представления о деятельности организации. Служебное хранилище данных представляет собой постоянный реляционный уровень, используемый для предоставления высококачественных отобранных данных непосредственно конечным пользователям с помощью инструментов на базе SQL. В этом решении Oracle Autonomous Data Warehouse создается в качестве служебного хранилища данных для корпоративного хранилища данных и, если необходимо, для более специализированных киосков данных уровня доменов. Также оно может быть источником данных для проектов исследования данных или репозиторием, необходимым для работы Oracle Machine Learning. Служебное хранилище данных может быть представлено одной из нескольких форм, включая Oracle MySQL HeatWave, Oracle Database Exadata Cloud Service или Oracle Exadata Cloud@Customer.

Анализ данных, обучение и прогнозирование

Способность к анализу, обучению и прогнозированию обеспечивают два технологических подхода.

• Расширенные аналитические возможности имеют решающее значение для оптимизации операционной эффективности и производительности. В этом примере мы используем Oracle Analytics Cloud для аналитики и визуализации. Сервис позволяет организациям использовать описательную аналитику (описывает текущие тренды посредством гистограмм и диаграмм), прогнозную аналитику (прогнозирует события, выявляет тренды и определяет вероятность неопределенных результатов) и предписывающую аналитику (предлагает подходящие действия, способствующие принятию оптимальных решений).

  Применяя прогнозирующие модели к историческим данным, финансовые организации могут предсказывать результаты и принимать упреждающие решения. Например, прогнозная аналитика может помочь банкам предвидеть отток клиентов, выявлять случаи потенциального мошенничества, прогнозировать невозвраты кредитов и оптимизировать прогнозы движения денежных средств. Это позволяет банкам принимать превентивные меры и эффективно распределять свои операционные ресурсы.

  Предписывающая аналитика выходит за рамки предсказания результатов и дает рекомендации по выбору оптимальных действий. Финансовые организации могут использовать предписывающую аналитику для оптимизации процесса принятия решений в таких областях, как утверждение ссуд, инвестиционные стратегии, модели ценообразования и управление рисками. Благодаря учету различных ограничений и целей, предписывающая аналитика помогает организациям принимать основанные на данных решения, которые обеспечивают максимальную эффективность и рентабельность. (В конечном счете значительную роль в успешности применения прогнозной аналитики играет культура работы с данными в организации.)

• В дополнение к передовым аналитическим методам для поиска аномалий, прогнозирования возможных задержек в процессах и оптимизации взаимодействия с клиентами все чаще используются наука о данных, машинное обучение и искусственный интеллект. Например, модели машинного обучения можно использовать для оценки кредитоспособности, выявления мошенничества, сегментации клиентов и персонализированного маркетинга. Постоянно обучаясь на новых данных, эти модели могут адаптироваться и улучшать свои характеристики с течением времени, что приводит к повышению операционной эффективности и улучшению процесса принятия решений. В базах данных могут использоваться сервисы OCI Data Science, OCI AI Services и Oracle Machine Learning.

  Мы применяем методы машинного обучения и науки о данных для построения и обучения прогнозирующих моделей. Эти модели можно развернуть для оценки через API или встроить в конвейер потоковой аналитики OCI GoldenGate. В некоторых случаях эти модели даже можно развернуть в базе данных с помощью Oracle Machine Learning Services REST API (для этого модель должна быть представлена в формате Open Neural Network Exchange). Кроме того, в служебном хранилище данных или хранилище транзакционных данных можно развернуть OCI Data Science для блокнотов Jupyter/Python или Oracle Machine Learning для блокнотов Zeppelin и алгоритмов машинного обучения. Аналогичным образом Oracle Machine Learning и OCI Data Science, как по отдельности, так и в сочетании друг с другом, могут использоваться для разработки модели рекомендаций/принятия решений. Эти модели можно использовать как сервис, и мы можем развернуть их за OCI API Gateway для предоставления в качестве продуктов данных и сервисов. Наконец, созданные модели машинного обучения можно развернуть в приложениях, являющихся частью системы принятия оперативных решений (если это разрешено).

• Последним, но очень важным компонентом является управление данными. Его предоставляет бесплатный сервис OCI Data Catalog, обеспечивающий управление данными и метаданными (как техническими, так и бизнес-метаданными) для всех источников данных в экосистеме платформы данных. OCI Data Catalog также является критически важным компонентом для запросов из Oracle Autonomous Data Warehouse в OCI Object Storage, поскольку обеспечивает возможность быстрого поиска данных независимо от способа их хранения. Это позволяет конечным пользователям, разработчикам и специалистам по работе с данными использовать общий язык доступа (SQL) для всех постоянных хранилищ данных в архитектуре.

Преимущества использования данных для повышения операционной эффективности и производительности

Темпы ведения бизнеса и уровень конкуренции постоянно растут, и за ними не успевают устаревшие системы, используемые для предоставления критически важных операционных данных. Эти системы требуют большого количества ручных операций объединения, интеграции и создания отчетов из разрозненных и изолированных данных, а значит, информация поступает слишком поздно, не позволяя бизнесу добиться необходимых преимуществ. Измерение, понимание и повышение операционной эффективности может обеспечить финансовым организациям конкурентные преимущества и многочисленные выгоды, в том числе следующие:

• Улучшение способности привлекать и удерживать клиентов за счет эффективного предоставления услуг, конкурентоспособных цен, превосходного обслуживания и инновационных предложений.
• Более продуманные бизнес-решения, основанные на едином и последовательном представлении точных данных, доступных в нужное время.
• Повышенная гибкость, позволяющая организациям быстрее запускать новые продукты, адаптироваться к технологическому прогрессу и использовать возникающие возможности.
• Снижение сложности в масштабах организации
• Сокращение дублирования данных и ошибок, возникающих вследствие ручной обработки
• Снижение рисков за счет совершенствования управления рисками и их минимизации
• Сокращение расходов
• Ускоренный доступ к данным в аналитических целях