Improve financial services operations and performance

Augmentez la rentabilité des services financiers avec une efficacité opérationnelle reposant sur les données

Les institutions de services financiers doivent disposer d'opérations internes efficaces pour rester compétitifs et augmenter leur rentabilité, d'autant plus que les entreprises de fintech et de technologie font des incursions dans l'espace des services financiers. En théorie, il existe deux façons d'améliorer la rentabilité : augmenter le chiffre d'affaires et réduire les dépenses. Les deux sont critiques. Pour relever le défi d'une rentabilité accrue dans un secteur au rythme de plus en plus soutenu, les institutions de services financiers s'intéressent de nouveau à la grande quantité de données et d'informations à leur disposition pour les aider à améliorer l'efficacité opérationnelle et les performances. En adoptant une approche basée sur les données pour rationaliser les processus, éliminer les redondances et optimiser l'allocation des ressources, les organismes de services financiers peuvent à la fois réduire les coûts et améliorer leur prestation de services.

Ce dernier facteur est particulièrement important dans un secteur d'activité aussi compétitif, en évolution rapide et continuellement bouleversé. Les entreprises qui fonctionnent efficacement peuvent proposer des tarifs plus compétitifs, un service plus rapide et de meilleure qualité, une plus grande précision et une meilleure expérience client que leurs concurrents. Les clients apprécient les expériences rapides et sans tracas, et les expériences client positives contribuent à la fidélisation et à une bouche à oreille positive, ce qui peut contribuer à stimuler la croissance et le chiffre d'affaires.

L'efficacité opérationnelle constitue également la base de l'agilité et de l'adaptabilité, ce qui aide les organismes de services financiers à anticiper les évolutions du marché, les exigences réglementaires et les demandes des clients, et à y répondre plus rapidement. Les organismes agiles peuvent lancer de nouveaux produits plus rapidement, s'adapter aux progrès technologiques, saisir les opportunités émergentes et prospérer au sein d'un environnement dynamique.

En outre, l'efficacité opérationnelle joue un rôle important dans l'efficacité de la gestion des risques, facteur essentiel pour maintenir la confiance des clients, des régulateurs et des parties prenantes. Les inefficacités opérationnelles, notamment les erreurs manuelles, les goulots d'étranglement des processus et les contrôles inadéquats, peuvent présenter des risques et entraîner des manquements de conformité, des violations de sécurité et des perturbations opérationnelles. En améliorant l'efficacité opérationnelle, les organismes de services financiers peuvent contribuer à atténuer ces risques, à garantir la conformité réglementaire et à améliorer la sécurité des données client.

Ces avantages sont tous essentiels au développement. À mesure que les organismes de services financiers étendent leurs opérations ou pénètrent sur de nouveaux marchés, ils doivent s'assurer que leurs processus peuvent gérer des volumes accrus sans sacrifier la qualité ni encourir des coûts excessifs. Les processus efficaces peuvent être facilement répliqués, automatisés ou adaptés pour soutenir les initiatives de croissance, ce qui permet aux entreprises de saisir les opportunités et d'accroître leur présence sur le marché.

Optimisez l'efficacité opérationnelle et réduisez les coûts à l'aide d'une plateforme de données complète

En ingérant, en organisant et en analysant les données sur les processus opérationnels et les performances, les organismes de services financiers peuvent identifier et éliminer les goulets d'étranglement et les inefficacités pour optimiser chaque interaction interne et externe et améliorer les résultats. L'architecture présentée ici montre comment combiner les composants Oracle recommandés pour constituer une architecture d'analyse couvrant l'ensemble du cycle de vie des analyses de données. Elle est conçue pour aider les établissements de services financiers à bénéficier des nombreux avantages commerciaux décrits ci-dessus.

Cette image montre comment utiliser Oracle Data Platform pour les services financiers pour assurer et améliorer l'efficacité et les performances opérationnelles. La plateforme comprend les cinq piliers suivants :

1. 1. Sources de données et repérage
2. 2. Ingestion et transformation
3. 3. Sauvegarde, tri et création
4. 4. Analyses, apprentissage et prévision
5. 5. Mesures et réactions

Le pilier « Sources de données et repérage » inclut trois catégories de données.

1. 1. Les données de l'application Oracle comprennent les données de Fusion SaaS, Oracle E-Business Suite, CX
2. 2. Enregistrements d'entreprise (données internes) CRM, transactions, informations sur le compte, chiffre d'affaires et marge
3. 3. Les données de tiers sont les taux de change, les flux de marché et les prix des marchandises.

Le pilier « Ingestion et transformation » comprend quatre fonctionnalités.

1. 1. L'ingestion par lots utilise OCI Data Integration, Oracle Data Integrator et les outils de base de données.
2. 2. Le transfert en masse utilise OCI FastConnect, OCI Data Transfer, MFT et l'interface de ligne de commande OCI.
3. 3. La capture des données de modification utilise OCI GoldenGate.
4. 4. L'ingestion de flux utilise OCI Streaming Kafka Connect.

Les quatre fonctionnalités se connectent de manière unidirectionnelle au dépôt de données et au stockage cloud de service dans le pilier « Sauvegarde, tri et création ».

De plus, l'ingestion de flux est connectée au traitement de flux au sein du pilier « Analyses, apprentissage et prévision ».

Le pilier « Sauvegarde, tri et création » comprend cinq fonctionnalités.

1. 1. Le dépôt de données de service utilise Autonomous Data Warehouse et Exadata Cloud Service.
2. 2. Le stockage cloud utilise OCI Object Storage.
3. 3. Hadoop géré utilise Oracle Big Data Service.
4. 4. Le traitement par lots utilise OCI Data Flow.
5. 5. La gouvernance utilise OCI Data Catalog.

Ces fonctionnalités sont connectées au sein du pilier. Le stockage cloud est connecté de manière unidirectionnelle au dépôt de données de service. Il est également connecté de manière bidirectionnelle au traitement par lots.

Deux fonctionnalités se connectent au pilier « Analyses, apprentissage et prévision ». Le dépôt de données de service se connecte à la fois à la fonction d'analyse et de visualisation, ainsi qu'aux produits de données et à la fonction API. Le stockage cloud se connecte à la fonctionnalité de machine learning.

Le pilier « Analyses, apprentissage et prévision » comprend deux fonctionnalités.

1. 1. L'analyse et la visualisation utilisent Oracle Analytics Cloud, GraphStudio et des éditeurs de logiciels indépendants.
2. 2. Le machine learning utilise Oracle Machine Learning.

Le pilier « Mesures et réactions » saisit la manière dont l'analyse des données peut être utilisée : par les personnes et les partenaires.

Le groupe Personnes et partenaires comprend l'efficacité opérationnelle (temps de traitement, taux d'erreur, utilisation des ressources), l'identification des goulets d'étranglement de processus, la valeur vie client, l'analyse du marché et de la concurrence, l'attribution des performances.

Les trois piliers centraux (« Ingestion et transformation », « Sauvegarde, tri et création », et « Analyses, apprentissage et prévision ») sont pris en charge par l'infrastructure, le réseau, la sécurité et IAM.

Connecter, assimiler et transformer les données

Notre solution est composée de trois piliers, chacun prenant en charge des fonctionnalités de plateforme de données spécifiques. Le premier pilier permet de connecter, d'assimiler et de transformer les données.

Il existe quatre principaux moyens d'injecter des données dans une architecture pour permettre aux organismes de services financiers d'améliorer l'efficacité opérationnelle et les performances.

• Pour démarrer notre processus, nous activons le transfert en masse de données de transaction opérationnelle. Les services de transfert en masse sont utilisés dans les cas où de grands volumes de données doivent être déplacés vers Oracle Cloud Infrastructure (OCI) pour la première fois, par exemple des données provenant de référentiels analytiques sur site existants ou d'autres sources cloud. Le service de transfert en masse que nous allons utiliser dépend de l'emplacement des données et de la fréquence de transfert. Par exemple, nous pouvons utiliser le service OCI Data Transfer ou OCI Data Transfer Appliance pour charger un grand volume de données sur site à partir de référentiels de planification historique ou d'un entrepôt de données. Lorsque de grands volumes de données doivent être déplacés régulièrement, nous vous recommandons d'utiliser OCI FastConnect, qui fournit une connexion réseau privée dédiée à bande passante élevée entre le centre de données d'un client et OCI.
• Des extractions fréquentes en temps réel ou en quasi-temps réel sont généralement requises et les données sont régulièrement ingérées à partir des systèmes de gestion des transactions et des clients à l'aide d'OCI GoldenGate. OCI GoldenGate utilise la capture des données de modification pour détecter les événements de modification dans la structure sous-jacente des systèmes qui fournissent les processus opérationnels à traiter (par exemple, la création d'un compte, un problème de client, des indications de fraude, etc.) et envoie les données en temps réel à une couche de persistance et/ou à la couche de diffusion en continu.
• La possibilité d'analyser les données de plusieurs sources en temps réel peut fournir aux organismes de services financiers des informations précieuses sur leur efficacité opérationnelle et leurs performances globales afin de leur permettre de comprendre et de mesurer l'efficacité de leurs processus de base. Dans ce cas d'utilisation, nous utilisons l'ingestion en continu pour assimiler toutes les données lues à partir d'événements client ou internes par l'intermédiaire d'interactions mobiles, de l'IoT, de communications de machine à machine et d'autres moyens encore. Les flux peuvent provenir de différentes sources internes et externes et peuvent inclure des données de transaction, des données d'interaction client, des données de marché, des données de réseaux sociaux et des données provenant de systèmes de conformité et de réglementation. Les données (événements) seront ingérées et certaines transformations/agrégations de base auront lieu avant d'être stockées dans OCI Object Storage. Des analyses de diffusion supplémentaires peuvent être utilisées pour détecter les corrélations dans les événements et les modèles identifiés peuvent être renvoyés (manuellement) pour un examen des données brutes réalisé à l'aide d'OCI Data Science.
• Alors que les besoins d'opérations en temps réel évoluent, l'extraction la plus fréquente des systèmes transactionnels, de planification des ressources d'entreprise, de gestion des clients et des risques et de la conformité est un type d'ingestion par lots effectué à l'aide d'un processus ETL. L'ingestion par lots permet d'importer des données à partir de systèmes qui ne prennent pas en charge la transmission en continu de données (par exemple, d'anciens systèmes centraux d'encaissement). Ces extractions peuvent être ingérées fréquemment, par exemple toutes les 10 ou 15 minutes, mais il s'agit par nature d'un traitement par lot, car des groupes de transactions sont extraits et traités, plutôt que des transactions individuelles. OCI propose différents services pour gérer l'assimilation par lots, tels que le service OCI Data Integration natif et Oracle Data Integrator exécuté sur une instance OCI Compute. Le choix du service repose principalement sur la préférence du client plutôt que sur les exigences techniques.

Persister, traiter et organiser les données

La persistance et le traitement des données reposent sur trois composants. Certains clients les utiliseront toutes ; d'autres, en partie. Selon les volumes et les types de données, les données peuvent être chargées dans le stockage d'objets ou directement dans une base de données relationnelle structurée pour le stockage persistant. Lorsque nous prévoyons d'appliquer des capacités de science des données, les données extraites des sources de données sous sa forme brute (en tant que fichier natif ou extraction non traité) sont plus généralement capturées et chargées à partir de systèmes transactionnels dans le stockage cloud.

• Le stockage cloud est la couche de persistance des données la plus courante pour notre plateforme de données. Il peut être utilisé pour des données structurées et non structurées. OCI Object Storage, OCI Data Flow et Oracle Autonomous Data Warehouse sont les blocs de base. Les données extraites des sources de données au format brut sont capturées et chargées dans OCI Object Storage. OCI Object Storage est le niveau de persistance des données principal et Spark dans OCI Data Flow est le moteur de traitement par lots principal. Le traitement par lots implique plusieurs activités, notamment le traitement du bruit de base, la gestion des données manquantes et le filtrage en fonction des jeux de données sortants définis. Les résultats sont réécrits dans différentes couches de stockage d'objets ou dans un référentiel relationnel persistant en fonction du traitement nécessaire et des types de données utilisés.
• Nous allons maintenant utiliser un dépôt de données de service pour sauvegarder nos données organisées sous une forme optimisée pour les performances de requête et fournir une vue intégrale des opérations de l'organisation. Le dépôt de données de service fournit un niveau relationnel persistant utilisé pour fournir des données traitées de haute qualité directement aux utilisateurs finaux via des outils SQL. Dans cette solution, Oracle Autonomous Data Warehouse est instancié en tant que dépôt de données de service pour l'entrepôt de données d'entreprise et, si nécessaire, des magasins de données de niveau domaine plus spécialisés. Il peut également s'agir de la source de données des projets de science des données ou du référentiel pour Oracle Machine Learning. Le dépôt de données de service peut prendre l'une des formes suivantes : Oracle MySQL HeatWave, Oracle Database Exadata Cloud Service ou Oracle Exadata Cloud@Customer.

Analyser les données, apprendre et prévoir

Deux approches technologiques facilitent l'analyse, l'apprentissage et la prévision.

• Les fonctions d'analyse avancées sont essentielles pour optimiser l'efficacité et les performances opérationnelles. Dans ce cas d'utilisation, nous recourons à Oracle Analytics Cloud pour fournir des analyses et des visualisations. Cela permet à l'établissement d'utiliser des analyses descriptives (description des tendances actuelles avec des histogrammes et des graphiques), des analyses prédictives (prédiction des événements futurs, identification des tendances et détermination de la probabilité de résultats incertains) et des analyses prescriptives (propositions d'actions appropriées, conduisant à une prise de décision optimale).

  En appliquant des modèles prédictifs aux données historiques, les organismes de services financiers peuvent prévoir les résultats futurs et prendre des décisions proactives. Par exemple, les analyses prédictives peuvent aider les banques à anticiper l'attrition des clients, à identifier les cas de fraude potentiels, à prévoir les défauts de crédit et à optimiser la prévision du flux de trésorerie. Les banques peuvent ainsi prendre des mesures préventives et allouer efficacement leurs ressources opérationnelles.

  L'analyse prescriptive va au-delà de la prévision des résultats et fournit des recommandations sur le meilleur plan d'action à suivre. Les organismes de services financiers peuvent utiliser des analyses prescriptives pour optimiser la prise de décision dans des domaines tels que l'approbation des prêts, les stratégies d'investissement, les modèles de tarification et la gestion des risques. En tenant compte de diverses contraintes et objectifs, les analyses prescriptives aident les entreprises à prendre des décisions basées sur les données qui optimisent l'efficacité et la rentabilité. (La culture des données au sens large au sein d'une entreprise jouera finalement un rôle important dans la réussite d'une approche d'analyse prédictive.)

• Outre les analyses avancées, la science des données, le machine learning et l'intelligence artificielle sont de plus en plus utilisés pour détecter les anomalies, prévoir où les latences de processus pourraient survenir et optimiser le parcours du client. Par exemple, les modèles de machine learning peuvent être utilisés pour l'évaluation du crédit, la détection des fraudes, la segmentation des clients et le marketing personnalisé. En apprenant en continu à partir de nouvelles données, ces modèles peuvent adapter et améliorer leurs performances au fil du temps, ce qui améliore l'efficacité opérationnelle et la prise de décision. OCI Data Science, OCI AI Services et Oracle Machine Learning peuvent être utilisés dans les bases de données.

  Nous utilisons des méthodes de machine learning et de science des données pour créer et entraîner nos modèles prédictifs. Ces modèles de machine learning peuvent ensuite être déployés pour l'évaluation via des API ou intégrés dans le pipeline d'analyse de flux OCI GoldenGate. Dans certains cas, ces modèles peuvent même être déployés dans la base de données à l'aide de l'API REST des services Oracle Machine Learning (pour ce faire, le modèle doit être au format Open Neural Network Exchange). De plus, OCI Data Science pour les blocs-notes Jupyter/Python ou Oracle Machine Learning pour le bloc-notes Zeppelin et les algorithmes de machine learning peuvent être déployés dans le dépôt de données transactionnel ou de service. De même, Oracle Machine Learning et OCI Data Science, utilisés seuls ou en combinaison, permettent de développer des modèles de recommandation/décision. Ces modèles peuvent être déployés en tant que service, et nous pouvons les déployer derrière OCI API Gateway pour être fournis en tant que « produits de données » et services. Enfin, une fois créés, les modèles de machine learning peuvent être déployés dans des applications intégrées à un système de décision opérationnel (si autorisé).

• Le composant final mais essentiel est la gouvernance des données. Il sera fourni par OCI Data Catalog, un service gratuit offrant la gouvernance des données et la gestion des métadonnées (pour les métadonnées techniques et commerciales) pour toutes les sources de données de l'écosystème de la plateforme de données. OCI Data Catalog est également un composant essentiel pour les requêtes à partir d'Oracle Autonomous Data Warehouse vers OCI Object Storage, car il permet de localiser rapidement des données quelle que soit sa méthode de stockage. Les utilisateurs finaux, développeurs et experts en science des données peuvent ainsi utiliser un langage d'accès commun (SQL) dans tous les dépôts de données persistants de l'architecture.

Les avantages de l'utilisation des données pour améliorer l'efficacité opérationnelle et les performances

À mesure que le rythme de l'activité et le niveau de concurrence augmentent, les systèmes existants utilisés pour fournir des données opérationnelles critiques ne parviennent pas à suivre. En effet, ces systèmes ont besoin de nombreuses interventions manuelles pour rassembler, intégrer et créer des rapports à partir de données fragmentées et cloisonnées, ce qui signifie que les informations arrivent trop tard pour donner à l'entreprise l'avantage dont elle a besoin. La mesure, la compréhension et l'amélioration de l'efficacité opérationnelle peuvent offrir aux organisations de services financiers un avantage concurrentiel et de nombreux atouts, notamment :

• Meilleure capacité d'acquisition et de fidélisation des clients grâce à une prestation de services efficace, des tarifs concurrentiels, une expérience client supérieure et des offres innovantes
• Meilleures décisions professionnelles, éclairées par une vue unique et cohérente des données précises disponibles au bon moment
• Agilité accrue permettant aux organisations de lancer de nouveaux produits plus rapidement, de s'adapter aux progrès technologiques et de saisir les opportunités émergentes
• Complexité réduite dans toute l'organisation
• Réduction de la duplication des données et des erreurs manuelles
• Diminution des risques grâce à une meilleure gestion et à l'atténuation des risques
• Coûts réduits
• Disponibilité plus rapide des données à des fins d'analyse