Improve financial services operations and performance

De winstgevendheid in financiële dienstverlening vergroten met datagestuurde operationele efficiëntie

Financiële instellingen moeten hun interne activiteiten efficiënt uitvoeren om concurrerend te blijven en de winstgevendheid te vergroten. Dit komt vooral doordat fintech- en techbedrijven steeds actiever worden op de markt voor financiële dienstverlening. In theorie zijn er twee manieren om de winstgevendheid te verbeteren: de omzet verhogen en de kosten verlagen. Beide manieren zijn cruciaal. Financiële instellingen staan voor de uitdaging om de winstgevendheid in een steeds sneller evoluerende sector te vergroten. Daartoe richten ze hun focus opnieuw op het gebruik van de enorme hoeveelheid beschikbare data en informatie waarmee ze de operationele efficiëntie en prestaties kunnen verbeteren. Met een datagestuurde benadering om processen te stroomlijnen, redundanties te elimineren en de toewijzing van resources te optimaliseren, kunnen financiële dienstverleners niet alleen kosten verlagen maar ook levering van hun diensten verbeteren.

Deze laatste factor is vooral van belang in een zich snel ontwikkelende sector waarin de concurrentie sterk is en die continu onderhevig is aan verstoring. Efficiënt werkende organisaties kunnen betere prijzen, snellere en superieure service, hogere nauwkeurigheid en betere klantervaringen bieden dan hun concurrenten. Klanten waarderen een snelle en probleemloze ervaring en positieve klantervaringen dragen bij aan klantloyaliteit, retentie en positieve mond-tot-mondreclame, die allemaal bijdragen aan meer groei en hogere omzet.

Operationele efficiëntie vormt ook de basis voor flexibiliteit en aanpassingsvermogen en helpt zo financiële dienstverleners hun voorsprong te behouden en snel te reageren op veranderingen in de markt, wettelijke vereisten en eisen van klanten. Flexibele organisaties kunnen sneller nieuwe producten introduceren, inspelen op technologische ontwikkelingen, nieuwe kansen grijpen en gedijen in een dynamische omgeving.

Daarnaast speelt operationele efficiëntie een belangrijke rol in effectief risicobeheer. Dat is op zijn beurt weer essentieel voor het behoud van het vertrouwen van klanten, toezichthouders en stakeholders. Inefficiënties in de bedrijfsvoering, zoals fouten in handmatig werk, procesknelpunten en inadequate controlemaatregelen, kunnen risico's introduceren en leiden tot schendingen van de compliance, beveiligingslekken en verstoringen van de bedrijfsvoering. Door bedrijfsvoering efficiënter te maken, kunnen financiële dienstverleners deze risico's beperken, compliance met regelgeving borgen en de beveiliging van klantdata verbeteren.

Deze voordelen zijn allemaal essentieel om te kunnen groeien. Wanneer financiële dienstverleners hun activiteiten uitbreiden of nieuwe markten betreden, moeten ze ervoor zorgen dat hun processen ook grotere volumes kunnen verwerken zonder dat dit ten koste gaat van de kwaliteit of te hoge kosten met zich meebrengt. Efficiënte processen kunnen eenvoudig worden gerepliceerd, geautomatiseerd of aangepast om groei-initiatieven te ondersteunen. Organisaties kunnen daardoor kansen benutten en hun aanwezigheid op de markt vergroten.

Operationele efficiëntie optimaliseren en kosten reduceren met een alomvattend dataplatform

Door data over operationele processen en prestaties op te nemen, samen te stellen en te analyseren, kunnen financiële dienstverleners knelpunten en inefficiënties identificeren en elimineren. Dit helpt hen alle interne en externe interacties te optimaliseren en betere resultaten te boeken. De hier getoonde architectuur laat zien hoe we aanbevolen Oracle-componenten kunnen combineren tot een analyse-architectuur die de hele levenscyclus van data-analyse omvat. Deze architectuur is ontworpen om financiële instellingen te helpen de hierboven beschreven uiteenlopende zakelijke voordelen te behalen.

In deze afbeelding ziet u hoe het Oracle-dataplatform voor financiële dienstverleners kan worden toegepast om operationele efficiëntie en prestaties te ondersteunen en te verbeteren. Het platform omvat deze vijf pijlers:

1. 1. Databronnen, discovery
2. 2. Opnemen, transformeren
3. 3. Persistent maken, samenstellen, maken
4. 4. Analyseren, leren, voorspellen
5. 5. Meten, handelen

De pijler Databronnen, discovery omvat drie categorieën data.

1. 1. Data in Oracle App omvat data uit Fusion SaaS, Oracle E-Business Suite, CX
2. 2. Bedrijfsrecords (eigen data), CRM, Transacties, Rekening informatie, Omzet en Marge
3. 3. Externe data omvat wisselkoersen, marktfeeds en grondstoffenprijzen.

De pijler Opnemen, transformeren omvat vier functionaliteiten.

1. 1. Batchopname maakt gebruik van OCI Data Integration, Oracle Data Integrator en databasetools.
2. 2. Bulkoverdracht maakt gebruik van OCI FastConnect, OCI Data Transfer, MFT en OCI CLI.
3. 3. Wijzigingsdata vastleggen maakt gebruik van OCI GoldenGate.
4. 4. Streamingopname maakt gebruik van OCI Streaming Kafka Connect.

Alle vier functionaliteiten verbinden unidirectioneel door naar de aanbiedende dataopslag en cloudopslag in de pijler Persistent maken, samenstellen, maken.

Bovendien verbindt streamingopname door naar de stroomverwerking binnen de pijler Analyseren, leren, voorspellen.

De pijler Persistent maken, samenstellen, maken omvat vijf functionaliteiten.

1. 1. De aanbiedende dataopslag maakt gebruik van Oracle Autonomous Data Warehouse en Exadata Cloud Service.
2. 2. Cloudopslag maakt gebruik van OCI Object Storage.
3. 3. Beheerd Hadoop maakt gebruik van Oracle Big Data Service.
4. 4. Batchverwerking maakt gebruik van OCI Data Flow.
5. 5. Governance maakt gebruik van OCI Data Catalog.

Deze functionaliteiten verbinden binnen de pijler onderling naar elkaar door. Cloudopslag verbindt unidirectioneel door naar de aanbiedende dataopslag en ook bidirectioneel naar Batchverwerking.

Twee functionaliteiten verbinden door naar de pijler Analyseren, leren, voorspellen. De aanbiedende dataopslag verbindt door naar de functionaliteiten Analyse en visualisatie en naar de functionaliteit Dataproducten, API's. Cloudopslag verbindt door naar de functionaliteit Machine learning.

De pijler Analyseren, leren, voorspellen omvat twee functionaliteiten.

1. 1. Analyse en visualisatie maakt gebruik van Oracle Analytics Cloud, GraphStudio en ISV's.
2. 2. Machine learning maakt gebruik van Oracle Machine Learning.

In de pijler Meten, handelen wordt vastgelegd hoe de data-analyse kan worden gebruikt: door mensen en partners.

Mensen en partners omvat Operationele efficiëntie (verwerkingstijden, foutpercentages, resourcegebruikt), Identificatie van procesknelpunten, Waarde levensduur klant, Markt- en concurrentieanalyse, Prestatietoeschrijving.

De drie centrale pijlers, Opnemen, transformeren; Persistent maken, samenstellen, maken; en Analyseren, leren, voorspellen, worden ondersteund door infrastructuur, netwerk, beveiliging en IAM.

Verbinding maken met data, ze opnemen en transformeren

Onze oplossing bestaat uit drie pijlers, die elk specifieke dataplatformfunctionaliteiten ondersteunen. De eerste pijler biedt de functionaliteit om verbinding te maken met data, ze op te nemen en te transformeren.

Er zijn vier belangrijke manieren om data in een architectuur in te voegen, zodat financiële dienstverleners hun operationele efficiëntie en prestaties kunnen verbeteren.

• Het proces start met het inschakelen van de bulkoverdracht van operationele transactiedata. Services voor bulkoverdracht worden gebruikt in situaties waarin grote hoeveelheden data voor het eerst naar Oracle Cloud Infrastructure (OCI) moeten worden overgebracht, zoals data uit bestaande lokale analyserepository's of andere cloudbronnen. Welke specifieke service voor bulkoverdracht we gebruiken, is afhankelijk van de locatie van de data en de frequentie waarmee ze moeten worden overgedragen. We kunnen bijvoorbeeld OCI Data Transfer Service of OCI Data Transfer Appliance gebruiken om een grote hoeveelheid lokale data te laden uit historische plannings- of datawarehouse-repository's. Wanneer voortduren grote hoeveelheden data moeten worden verplaatst, raden we aan dit te doen met OCI FastConnect. Dit biedt een dedicated privénetwerkverbinding met hoge bandbreedte tussen het datacenter van een klant en OCI.
• Regelmatige extracties van real time of bijna real time data zijn vaak vereist. Data worden regelmatig opgenomen uit transacties en klantbeheersystemen via OCI GoldenGate. OCI GoldenGate gebruikt Wijzigingsdata vastleggen om wijzigingsevents in de onderliggende structuur van de systemen te detecteren die de operationele processen leveren die moeten worden bediend (bijvoorbeeld een account maken, een klantprobleem, fraude-indicaties, enzovoort) en verstuurt de data in real time te naar een persistentielaag en/of de streaminglaag.
• Het vermogen om data uit meerdere bronnen in realtime te analyseren kan financiële dienstverleners helpen waardevolle inzichten te krijgen in hun operationele efficiëntie en algehele prestaties. Dit stelt hen dan in staat de efficiëntie van hun kernprocessen te begrijpen en te meten. In dit gebruiksscenario gebruiken we streamingopname om alle data op te nemen die zijn gelezen uit klant- of interne events via mobiele interacties, IoT, M2M-communicatie (machine-to-machine) en andere middelen. Streams kunnen afkomstig zijn uit uiteenlopende interne en externe bronnen en bestaan uit data van transacties, uit klantinteracties, over markten, uit sociale media en uit compliance- en regelgevingssystemen. Data (events) worden opgenomen en enkele elementaire transformaties/aggregaties worden uitgevoerd voordat ze worden opgeslagen in OCI Object Storage. Aanvullende streaminganalyses kunnen worden gebruikt om correlerende events te identificeren en eventuele geïdentificeerde patronen (handmatig) weer in het systeem in te voeren. Daar worden de onbewerkte data dan onderzocht met behulp van OCI Data Science.
• De behoeften aan realtime data ontwikkelen zich steeds verder. Maar de meest voorkomende methode om data te extraheren uit transactie-, ERP-, klantsystemen en systemen voor risico- en compliancemanagement is nog steeds een batchopname door middel van een ETL-proces (extractie, transformatie, laden). Batchopname wordt gebruikt om data te importeren uit systemen die geen datastreaming kunnen ondersteunen (bijvoorbeeld oudere kernbanksystemen op mainframes). Batchopname kan vaak gebeuren, bijvoorbeeld elke 10 of 15 minuten. Deze opnamen zijn echter nog steeds batchbewerkingen, omdat hierin groepen transacties worden geëxtraheerd en verwerkt in plaats van afzonderlijke transacties. OCI biedt verschillende services voor de verwerking van batchopnamen, zoals de native OCI Data Integration-service en Oracle Data Integrator, die wordt uitgevoerd op een OCI Compute-instance. De keuze voor een service zou in de eerste plaats gebaseerd zijn op de voorkeur van de klant, niet op technische vereisten.

Data persistent maken, verwerken en samenstellen

Datapersistentie en -verwerking zijn gebaseerd op drie componenten. Sommige klanten gebruiken al deze methoden, andere slechts een subset. Afhankelijk van de volumes en datatypen kunnen data in een objectopslag worden geladen of rechtstreeks in een gestructureerde relationele database voor persistente opslag. Wanneer we verwachten dat we datawetenschapsfunctionaliteit moeten toepassen, worden data die in onbewerkte vorm zijn opgehaald uit databronnen (als een niet-verwerkt native bestand of extractie), meestal vastgelegd vanuit transactiesystemen en geladen in de cloudopslag.

• Cloudopslag is de meest gebruikte laag voor datapersistentie voor ons dataplatform. Dit kan worden gebruikt voor zowel gestructureerde als ongestructureerde data. De basiselementen hierin zijn OCI Object Storage, OCI Data Flow en Oracle Autonomous Data Warehouse. Data die in de onbewerkte vorm zijn opgehaald uit databronnen, worden vastgelegd en in OCI Object Storage geladen. OCI Object Storage is de primaire laag voor datapersistentie. Spark in OCI Data Flow is de primaire engine voor batchverwerking. Batchverwerking omvat diverse activiteiten, zoals uitfilteren van ruis, beheer van ontbrekende data en filteren op basis van gedefinieerde uitgaande datasets. Resultaten worden op basis van de benodigde verwerking en de gebruikte datatypen teruggeschreven naar verschillende lagen in de objectopslag of naar een persistente relationele repository.
• We maken nu met behulp van een aanbiedende dataopslag onze samengestelde data persistent in een vorm die is geoptimaliseerd voor goede queryprestaties. Dit helpt ons een 360-graden blik te krijgen op de operations van de organisatie. De aanbiedende dataopslag biedt een permanente relationele laag. Van daaruit worden hoogwaardige samengestelde data rechtstreeks geleverd aan eindgebruikers met behulp van tools die gebruik maken van SQL. In deze oplossing wordt Oracle Autonomous Data Warehouse geïnstantieerd als de aanbiedende dataopslag voor het datawarehouse van de onderneming en zo nodig meer gespecialiseerde datamarts op domeinniveau. Het kan ook dienen als de databron voor datawetenschapsprojecten of de repository die Oracle Machine Learning vereist. De aanbiedende dataopslag kan een van de volgende vormen hebben: Oracle MySQL HeatWave, Oracle Database Exadata Cloud Service of Oracle Exadata Cloud@Customer.

Data analyseren, leren en voorspellen

Het vermogen tot analyseren, leren en voorspellen wordt mogelijk gemaakt door twee technologieën.

• Geavanceerde analysefunctionaliteiten zijn essentieel om operationele efficiëntie en prestaties te optimaliseren. In dit gebruiksscenario vertrouwen we op Oracle Analytics Cloud voor analyses en visualisaties. Dit stelt de organisatie in staat om gebruik te maken van beschrijvende analyses (beschrijven de huidige trends met histogrammen en grafieken), voorspellende analyses (voorspellen toekomstige gebeurtenissen, identificeren trends en bepalen de waarschijnlijkheid van onzekere resultaten) en sturende analyses (stellen geschikte acties voor die optimale besluitvorming ondersteunen).

  Door voorspellende modellen toe te passen op historische data kunnen financiële dienstverleners resultaten voor de toekomst voorspellen en proactieve beslissingen nemen. Met voorspellende analyses kunnen banken bijvoorbeeld anticiperen op klantverloop, potentiële fraudegevallen identificeren, wanbetaling voor kredieten voorspellen en cashflowprognoses optimaliseren. Hierdoor kunnen ze preventieve stappen zetten en hun operationele bedrijfsmiddelen effectief toewijzen.

  Sturende analyses gaan verder dan het voorspellen van resultaten en geven aanbevelingen voor de beste handelwijze. Financiële dienstverleners kunnen met behulp van sturende analyses de besluitvorming optimaliseren op gebieden zoals goedkeuringen van leningen, investeringsstrategieën, prijsmodellen en risicobeheer. Door rekening te houden met verschillende beperkingen en doelstellingen, helpen sturende analyses organisaties om data-gestuurde beslissingen te nemen die de efficiëntie en winstgevendheid maximaliseren. (De bredere datacultuur in een organisatie speelt uiteindelijk een belangrijke rol in het succes van een benadering met voorspellende analyse.)

• Naast geavanceerde analyses wordt steeds vaker gebruik gemaakt van datawetenschap, machine learning en kunstmatige intelligentie om anomaliën op te sporen, te voorspellen waar vertraging kan optreden in een proces en het klanttraject te optimaliseren. Machine learning-modellen kunnen bijvoorbeeld worden gebruikt om kredietwaardigheid te bepalen, fraude te detecteren, klanten te segmenteren en gepersonaliseerde marketing. Door voortdurend te leren van nieuwe data kunnen deze modellen hun prestaties in de loop der tijd aanpassen en verbeteren. Dit leidt dan tot grotere operationele efficiëntie en betere besluitvorming. OCI Data Science, OCI AI Services en Oracle Machine Learning kunnen worden gebruikt in de databases.

  We bouwen en trainen onze voorspellende modellen met behulp van machine learning en datawetenschapmethoden. Deze machine learning-modellen kunnen vervolgens worden geïmplementeerd voor scorebepaling via API's of worden ingesloten als onderdeel van de analysepijplijn voor de OCI GoldenGate-stroom. In sommige gevallen kunnen deze modellen zelfs met de REST-API voor Oracle Machine Learning Services in de database worden geïmplementeerd. Om dit mogelijk te maken, moet het model de ONNX-indeling (Open Neural Network Exchange) hebben. Daarnaast kunnen OCI Data Science voor Jupyter/Python-gerichte notebooks of Oracle Machine Learning voor de Zeppelin-notebook en machine learning-algoritmen worden geïmplementeerd in de aanbiedende dataopslag of de opslag voor transactiedata. Oracle Machine Learning en OCI Data Science, alleen of in combinatie, kunnen op soortgelijke wijze modellen voor aanbevelingen en beslissingen ontwikkelen. Deze modellen kunnen worden geïmplementeerd als een service en we kunnen ze achter OCI API Gateway implementeren om te worden geleverd als 'dataproducten' en services. Tot slot kunnen de machine learning-modellen worden geïmplementeerd in applicaties die deel uitmaken van een operationeel besluitvormingssysteem (indien toegestaan).

• De laatste maar cruciale component is datagovernance. Dit wordt mogelijk gemaakt door OCI Data Catalog. Dit is een gratis service voor datagovernance en beheer van metadata (voor zowel technische als zakelijke metatadata) voor alle databronnen in het data lakehouse-ecosysteem. OCI Data Catalog is ook een cruciale component voor query's vanuit Oracle Autonomous Data Warehouse naar OCI Object Storage, doordat hiermee snel data kan worden opgespoord, ongeacht op welke wijze deze is opgeslagen. Dit maakt het mogelijk voor eindgebruikers, ontwikkelaars en datawetenschappers om met een gezamenlijke querytaal (SQL) te werken in alle persistente dataopslagen binnen de architectuur.

De voordelen van het gebruik van data voor verbetering van de operationele efficiëntie en prestaties

Het bedrijfsleven moet steeds sneller opereren terwijl de concurrentie steeds zwaarder wordt. Oudere systemen die cruciale operationele data leveren, kunnen dit alles niet meer bijhouden. Deze systemen vereisen veel handmatige ingrepen om gefragmenteerde en geïsoleerde data te verzamelen, te integreren en er rapporten mee te genereren. Dat betekent dat de informatie te laat komt om het bedrijf het benodigde voordeel te leveren. Door de operationele efficiëntie te meten, te begrijpen en te verbeteren kunnen financiële dienstverleners concurrentievoordeel en vele voordelen realiseren, zoals:

• verbeterd vermogen om klanten aan te trekken en te behouden door middel van efficiënte dienstverlening, concurrerende prijzen, een superieure klantervaring en innovatieve producten;
• betere zakelijke beslissingen, op basis van een enkele, consistente weergave van nauwkeurige data die op het juiste moment beschikbaar is;
• grotere flexibiliteit, zodat organisaties sneller nieuwe producten kunnen lanceren, zich kunnen aanpassen aan technologische ontwikkelingen en nieuwe kansen kunnen benutten;
• minder complexiteit in de hele organisatie;
• minder dataduplicatie en minder fouten door handmatig werk;
• minder risico's dankzij beter risicobeheer en betere risicobeperking;
• Verlaagde kosten
• data is sneller beschikbaar voor analytische doeleinden.