Improve financial services operations and performance

Zwiększenie rentowności usług finansowych dzięki wydajności operacyjnej opartej na danych

Instytucje świadczące usługi finansowe muszą przeprowadzać skuteczne operacje wewnętrzne, aby utrzymać konkurencyjność i zwiększyć zyskowność, zwłaszcza gdy firmy technologiczne i z branży technologii finansowych zajmują coraz większy obszar usług finansowych. Teoretycznie istnieją dwa sposoby poprawy rentowności, a mianowicie zwiększenie przychodów i zmniejszenie wydatków. Oba są krytyczne. Aby sprostać wyzwaniu rosnącej rentowności w coraz szybciej zmieniającym się sektorze, instytucje świadczące usługi finansowe ponownie skupiają się na wykorzystaniu ogromnej ilości dostępnych danych i informacji w celu poprawy wydajności operacyjnej i wyników działania. Organizacje świadczące usługi finansowe, stosując oparte na danych podejście do usprawniania procesów, eliminowania zbędnych zasobów i optymalizacji alokacji zasobów, mogą zmniejszyć koszty i usprawnić proces świadczenia usług.

Ten ostatni czynnik jest szczególnie ważny w tej tak bardzo konkurencyjnej, szybko rozwijającej się branży podlegającej ciągłym zawirowaniom. Organizacje, które działają sprawnie, mogą oferować bardziej konkurencyjne ceny, szybszą i udoskonaloną obsługę, większą dokładność i większą satysfakcję klienta niż konkurenci. Klienci cenią szybką i bezproblemową obsługę, a ich pozytywne doświadczenia przekładają się na lojalność, utrzymanie i pozytywne rekomendacje klientów, co może przyczynić się do zwiększenia wzrostu i przychodów.

Wydajność operacyjna stanowi także fundament sprawności działania i zdolności adaptacyjnej, pomagając organizacjom świadczącym usługi finansowe działać z wyprzedzeniem i szybko reagować na zmiany na rynku, wymagania ustawowe i potrzeby klientów. Sprawne przedsiębiorstwa mogą szybciej wprowadzać nowe produkty, dostosowywać się do postępu technologicznego, wykorzystywać pojawiające się możliwości i prosperować w dynamicznym środowisku.

Ponadto wydajność operacyjna odgrywa ważną rolę w skutecznym zarządzaniu ryzykiem, co ma kluczowe znaczenie dla utrzymania zaufania klientów, organów nadzoru i zainteresowanych stron. Brak wydajności operacyjnej, taki jak ręczne błędy, wąskie gardła w procesie i nieodpowiednie środki kontroli, może stwarzać ryzyko oraz prowadzić do naruszeń przepisów i bezpieczeństwa oraz zakłócenia działalności operacyjnej. Dzięki zwiększeniu wydajności operacyjnej organizacje świadczące usługi finansowe mogą pomóc w ograniczeniu tego ryzyka, zapewnieniu zgodności z przepisami i zwiększeniu bezpieczeństwa danych klientów.

Wszystkie te korzyści są niezbędne do wzrostu. W miarę rozszerzania działalności lub wchodzenia na nowe rynki organizacje świadczące usługi finansowe muszą zadbać o to, aby ich procesy radziły sobie ze zwiększoną ilością danych bez poświęcania jakości lub ponoszenia nadmiernych kosztów. Efektywne procesy można z łatwością replikować, automatyzować lub dostosowywać w celu wspierania inicjatyw rozwojowych, aby organizacje mogły wykorzystywać możliwości i zwiększać obecność na rynku.

Optymalizowanie wydajności operacyjnej i obniżenie kosztów dzięki kompleksowej platformie danych

Dzięki wchłanianiu, selekcjonowaniu i analizowaniu danych dotyczących procesów operacyjnych i wyników organizacje świadczące usługi finansowe mogą identyfikować i eliminować wąskie gardła i brak efektywności, zapewniając optymalizację wszystkich interakcji wewnętrznych i zewnętrznych oraz poprawiając wyniki. Przedstawiona tu architektura pokazuje, jak możemy łączyć zalecane składniki Oracle w celu stworzenia architektury analitycznej obejmującej cały cykl życia analizy danych. Została zaprojektowana tak, aby pomóc instytucjom świadczącym usługi finansowe w osiągnięciu szerokiego wachlarza korzyści biznesowych, o których mowa powyżej.

Na rysunku przedstawiono, jak za pomocą platformy Oracle skupiającej dane dla usług finansowych można wspierać i zwiększać wydajność operacyjną i wyniki. Platforma obejmuje następujące pięć filarów:

1. 1. Źródła danych, odkrywanie
2. 2. Wchłanianie, przekształcanie
3. 3. Utrwalanie, selekcjonowanie, tworzenie
4. 4. Analizowanie, uczenie się, przewidywanie
5. 5. Pomiar, działanie

Filar „Źródła danych, odkrywanie” zawiera trzy kategorie danych.

1. 1. Dane z aplikacji Oracle obejmują dane z aplikacji Fusion SaaS, Oracle E-Business Suite, CX
2. 2. Rekordy biznesowe (dane z 1. ręki) z CRM, transakcje, dane klienta, przychody i marża
3. 3. Dane zewnętrzne obejmują kursy walut, opłaty rynkowe i ceny towarów

Filar „Wchłanianie, przekształcanie” składa się z czterech funkcjonalności.

1. 1. We wchłanianiu wsadowym wykorzystywane są usługi OCI Data Integration, Oracle Data Integrator i narzędzia baz danych.
2. 2. W transferze masowym wykorzystuje się OCI FastConnect, OCI Data Transfer, MFT oraz OCI CLI.
3. 3. W rejestrowaniu zmian danych wykorzystuje się OCI GoldenGate.
4. 4. Wchłanianie przesyłania strumieniowego korzysta z usług OCI Streaming Kafka Connect.

Wszystkie cztery funkcjonalności w jednokierunkowy sposób łączą się z obsługującym magazynem danych i magazynem w chmurze w ramach filaru „Utrwalanie, selekcjonowanie, tworzenie”.

Dodatkowo wchłanianie przesyłania strumieniowego jest połączone z przetwarzaniem strumieniowym w obrębie filaru „Analizowanie, uczenie się i przewidywanie”.

Filar „Utrwalanie, selekcjonowanie, tworzenie” składa się z pięciu funkcjonalności.

1. 1. Obsługujący magazyn danych korzysta z usług Oracle Autonomous Data Warehouse i Exadata Cloud Service.
2. 2. Magazyn w chmurze korzysta z usługi OCI Object Storage.
3. 3. Zarządzane klastry Hadoop korzystają z usługi Oracle Big Data Service.
4. 4. Przetwarzanie wsadowe korzysta z OCI Data Flow.
5. 5. Usługa Governance korzysta z katalogu OCI Data Catalog.

Funkcjonalności te są połączone w ramach filaru. Magazyn w chmurze jest jednokierunkowo połączony z obsługującym magazynem danych, a także dwukierunkowo z przetwarzaniem wsadowym.

Dwie funkcjonalności łączą się z filarem „Analizowanie, uczenie się i przewidywanie”. Obsługujący magazyn danych łączy się zarówno z funkcjonalnościami analiz i wizualizacji, jak i z produktów danych (API). Magazyn w chmurze łączy się z funkcjonalnością uczenia maszynowego.

Filar „Analizowanie, uczenie się i przewidywanie” składa się z dwóch funkcjonalności.

1. 1. Analizy i wizualizacje wykorzystują rozwiązania Oracle Analytics Cloud, GraphStudio i niezależnych dostawców oprogramowania (ISV).
2. 2. Uczenie maszynowe korzysta z Oracle Machine Learning.

W filarze „Pomiar, działanie” przedstawiono sposób wykorzystania analizy danych w podziale na pracowników i partnerów.

Obszar pracowników i partnerów składa się z wydajności operacyjnej (czas przetwarzania, wskaźniki błędów, wykorzystanie zasobów), identyfikacji wąskich gardeł w procesach, wartości cyklu życia klienta, analizy rynkowej i konkurencji, przypisywania wyników.

Trzy główne filary — „Wchłanianie, przekształcanie”, „Utrwalanie, selekcjonowanie, tworzenie” oraz „Analizowanie, uczenie się i przewidywanie” — są obsługiwane przez infrastrukturę, sieć, zabezpieczenia i IAM.

Łączenie, pozyskiwanie i przekształcanie danych

Nasze rozwiązanie składa się z trzech filarów, z których każdy obsługuje określone funkcjonalności platformy danych. Pierwszy filar zapewnia możliwość łączenia, pozyskiwania i przekształcania danych.

Istnieją cztery główne sposoby wprowadzania danych do architektury umożliwiające organizacji świadczącej usługi finansowe zwiększenie wydajności operacyjnej i wyników.

• Aby rozpocząć nasz proces, włączymy transfer masowy danych transakcji operacyjnych. Usługi transferu masowego są używane w sytuacjach, w których trzeba po raz pierwszy przenieść duże wolumeny danych do Oracle Cloud Infrastructure (OCI), na przykład dane z istniejących lokalnych repozytoriów analitycznych lub innych źródeł w chmurze. Konkretna usługa masowego transferu, której użyjemy, będzie zależeć od lokalizacji danych i częstości przeprowadzania transferów. Na przykład możemy użyć usługi OCI Data Transfer Service lub OCI Data Transfer Appliance do ładowania dużych ilości danych lokalnych z repozytoriów planowania historycznego lub repozytoriów hurtowni danych. W razie konieczności przenoszenia na bieżąco dużych ilości danych zalecamy skorzystanie z OCI FastConnect, która zapewnia szerokopasmowe, specjalne prywatne połączenie sieciowe między centrum danych klienta a OCI.
• Często wymagane są wyodrębnienia w czasie rzeczywistym lub prawie rzeczywistym, a dane są regularnie wchłaniane z transakcji i systemów zarządzania klientami za pomocą OCI GoldenGate. OCI GoldenGate wykorzystuje pobieranie danych o zmianach do wykrywania zdarzeń zmiany w podstawowej strukturze systemów, które zapewniają procesy operacyjne do obsłużenia (na przykład utworzenie konta, problem klienta, oznaki oszustwa itp.), i wysyłania danych w czasie rzeczywistym do warstwy utrwalania i (lub) przesyłania strumieniowego.
• Możliwość analizowania danych z wielu źródeł w czasie rzeczywistym może pomóc organizacjom świadczącym usługi finansowe uzyskać informacje na temat wydajności operacyjnej i ogólnej wydajności, aby zrozumieć i zmierzyć efektywność swoich podstawowych procesów. W tym przykładowym sposobie zastosowania używamy wchłaniania przesyłania strumieniowego do pobierania wszystkich danych od klientów lub zdarzeń wewnętrznych za pośrednictwem interakcji mobilnych, Internetu rzeczy, komunikacji między maszynami i innych środków. Strumienie mogą pochodzić z różnych źródeł wewnętrznych i zewnętrznych oraz obejmować dane transakcyjne, interakcji z klientami, rynkowe, a także z mediów społecznościowych oraz systemów zgodności i ustawowych. Dane (zdarzenia) zostaną wchłonięte, a niektóre podstawowe przekształcenia/agregacje zostaną przeprowadzone przed zapisaniem danych w usłudze OCI Object Storage. Za pomocą dodatkowych analiz strumieniowych można identyfikować zdarzenia korelacyjne, a wszelkie zidentyfikowane wzorce można wprowadzić (ręcznie) w celu sprawdzenia nieprzetworzonych danych przy użyciu OCI Data Science.
• Choć potrzeby w zakresie czasu rzeczywistego ewoluują, najczęstszym ekstraktem z systemów transakcyjnych, planowania zasobów przedsiębiorstwa, obsługi klientów oraz zarządzania ryzykiem i zgodnością jest wchłanianie wsadowe przy użyciu procesu ETL. Wchłanianie wsadowe służy do importowania danych z systemów, które nie obsługują strumieniowego przesyłania danych (na przykład starszych podstawowych systemów bankowych). Ekstrakty te mogą być wchłaniane nawet co 10 lub 15 minut, ale nadal mają charakter wsadowy, ponieważ ekstrahowane i przetwarzane są grupy transakcji, a nie pojedyncze transakcje. OCI zapewnia różne usługi do obsługi wsadowego wchłaniania, takie jak natywna usługa OCI Data Integration i Oracle Data Integrator działające w instancji OCI Compute. Wybór usług opiera się przede wszystkim na preferencjach klienta, a nie wymaganiach technicznych.

Utrwalanie, przetwarzanie i selekcjonowanie danych

Utrwalanie i przetwarzanie danych opiera się na trzech składnikach. Niektórzy klienci używają wszystkich, a inni kilku z nich. W zależności od ilości i typów dane mogą być ładowane do magazynu obiektów lub bezpośrednio do strukturalnej relacyjnej bazy danych w celu trwałego przechowywania. Gdy przewidujemy zastosowanie funkcjonalności danologii, dane pobierane ze źródeł w postaci nieprzetworzonej (jako nieprzetworzony plik natywny lub ekstrakt) są częściej przechwytywane i ładowane z systemów transakcyjnych do magazynu w chmurze.

• Magazyn w chmurze to najpopularniejsza warstwa utrwalania danych dla naszej platformy danych. Może być używany zarówno w odniesieniu do danych usystematyzowanych, jak i nieusystematyzowanych. Podstawowymi elementami składowymi są usługi OCI Object Storage, OCI Data Flow i Oracle Autonomous Data Warehouse. Dane pobierane ze źródeł danych w ich nieprzetworzonym formacie są wychwytywane i ładowane do usługi OCI Object Storage. OCI Object Storage jest główną warstwą utrwalania danych, a Spark w OCI Data Flow jest podstawowym silnikiem przetwarzania wsadowego. Przetwarzanie wsadowe obejmuje kilka działań, w tym podstawowe techniki radzenia sobie z zakłóceniami (szumem), zarządzanie brakującymi danymi i filtrowanie na podstawie zdefiniowanych zestawów danych wychodzących. Wyniki są zapisywane z powrotem do różnych warstw magazynu obiektów lub do trwałego relacyjnego repozytorium na podstawie wymaganego przetwarzania i stosowanych typów danych.
• Teraz wykorzystamy obsługujący magazyn danych do utrwalenia naszych wyselekcjonowanych danych w formacie zoptymalizowanym pod kątem wydajności zapytań oraz zapewnienia pełnego obrazu operacji w organizacji. Obsługujący magazyn danych udostępnia trwałą warstwę relacyjną, używaną do obsługi wyselekcjonowanych danych wysokiej jakości, bezpośrednio użytkownikom końcowym za pomocą narzędzi SQL. Rozwiązanie to tworzy instancję usługi Oracle Autonomous Data Warehouse (ADW) będącej magazynem danych obsługującym hurtownię danych przedsiębiorstwa oraz, jeśli jest to wymagane, bardziej wyspecjalizowane składnice danych na poziomie domeny. Może być także źródłem danych dla projektów dotyczących danologii lub repozytorium potrzebnego do uczenia maszynowego Oracle. Obsługujący magazyn danych może przyjmować jedną z kilku form, w tym Oracle MySQL HeatWave, Oracle Database Exadata Cloud Service lub Oracle Exadata Cloud@Customer.

Analizowanie danych, uczenie się i przewidywanie

Funkcjonalność analizowania, uczenia się i przewidywania jest zapewniona dzięki dwóm podejściom technologicznym.

• Zaawansowane funkcjonalności analityczne mają kluczowe znaczenie dla optymalizacji wydajności operacyjnej i wydajności. W tym przykładowym sposobie zastosowania korzystamy z Oracle Analytics Cloud do dostarczania analiz i wizualizacji. Dzięki temu organizacja może korzystać z analiz opisowych (opisywanie bieżących trendów wraz z histogramami i wykresami), analiz predykcyjnych (przewidywanie przyszłych zdarzeń, identyfikowanie trendów i określanie prawdopodobieństwa niepewnych wyników) oraz analiz preskryptywnych (proponowanie odpowiednich działań wspierających podejmowanie optymalnych decyzji).

  Za pomocą stosowania modeli predykcyjnych do danych historycznych organizacje świadczące usługi finansowe mogą prognozować przyszłe rezultaty i podejmować proaktywne decyzje. Analizy predykcyjne mogą na przykład pomóc bankom przewidywać odpływ klientów, identyfikować potencjalne oszustwa, przewidywać opóźnienia w spłacie kredytów i optymalizować prognozy przepływów pieniężnych. Dzięki temu banki mogą podejmować działania zapobiegawcze i efektywnie alokować swoje zasoby operacyjne.

  Analiza preskryptywna wykracza poza prognozowanie rezultatów i zawiera zalecenia dotyczące najlepszego sposobu działania. Organizacje świadczące usługi finansowe mogą korzystać z analiz preskryptywnych do optymalizowania procesu podejmowania decyzji w takich obszarach, jak zatwierdzanie kredytów, strategie inwestycyjne, modele kalkulacji cen i zarządzanie ryzykiem. Ponieważ analizy normatywne uwzględniają różne ograniczenia i cele, organizacje mogą podejmować decyzje oparte na danych, a tym samym maksymalizować wydajność i rentowność. (Kultura zbierania większej ilości danych w organizacji będzie ostatecznie odgrywać znaczącą rolę w sukcesie podejścia do analizy predykcyjnej.)

• Do wyszukiwania anomalii, przewidywania obszarów wystąpienia opóźnień i optymalizowania wrażeń klienta coraz częściej wykorzystuje się, oprócz zaawansowanych analiz, danologię, uczenie maszynowe i sztuczną inteligencję. Na przykład modele uczenia maszynowego mogą być używane do oceny zdolności kredytowej, wykrywania oszustw, segmentacji klientów i spersonalizowanych działań marketingowych. Dzięki ciągłemu uczeniu się na podstawie nowych danych modele te mogą z czasem dostosowywać i poprawiać swoją skuteczność, prowadząc do większej wydajności operacyjnej i podejmowania lepszych decyzji. W bazach danych mogą być wykorzystywane OCI Data Science, OCI AI Services i Oracle Machine Learning.

  Używamy metod uczenia maszynowego i danologii do budowania i trenowania naszych modeli predykcyjnych. Modele uczenia maszynowego można następnie wdrożyć do oceny za pomocą interfejsów API lub wbudować do potoku analizy OCI GoldenGate. W niektórych przypadkach modele te mogą być nawet wdrażane w bazie danych przy użyciu REST API usług Oracle Machine Learning Services (w tym celu model musi być w formacie Open Neural Network Exchange). Dodatkowo można wdrożyć usługę OCI Data Science do notebooka skoncentrowanego na Jupyter/Python lub Oracle Machine Learning do notebooka Zeppelin w obrębie obsługującego lub transakcyjnego magazynu danych. Podobnie do tworzenia modeli zaleceń/decyzji można użyć Oracle Machine Learning i OCI Data Science (samodzielnie lub w połączeniu). Modele te można wdrożyć jako usługę i umieścić za OCI API Gateway w celu udostępnienia jako „produkty danych” i usługi. Modele uczenia maszynowego mogą być również wdrażane w aplikacjach stanowiących część operacyjnego systemu decyzyjnego (jeśli jest to dozwolone).

• Ostatnim, lecz krytycznym składnikiem jest zarządzanie danymi. Usługa ta jest realizowana przy użyciu OCI Data Catalog, bezpłatnej usługi zapewniającej zarządzanie danymi i metadanymi (zarówno technicznymi, jak i biznesowymi) dla wszystkich źródeł danych w ekosystemie platformy danych. OCI Data Catalog jest także kluczowym składnikiem w przypadku zapytań z Oracle Autonomous Data Warehouse do OCI Object Storage, ponieważ umożliwia szybkie wyszukiwanie danych bez względu na metodę ich przechowywania. Dzięki temu użytkownicy końcowi, programiści i badacze danych mogą używać wspólnego języka dostępu (SQL) we wszystkich utrwalonych magazynach danych w architekturze.

Korzyści z używania danych w celu zwiększenia wydajności operacyjnej i efektywności działania

W miarę przyspieszenia rozwoju działalności i wzrostu poziomu konkurencji starsze systemy, używane do dostarczania krytycznych danych operacyjnych, nie nadążają za zmieniającymi się wymaganiami. Systemy te wymagają znacznej ręcznej interwencji w celu zestawienia, zintegrowania i utworzenia raportów na podstawie rozproszonych i niezintegrowanych danych, a to oznacza, że informacje docierają zbyt późno, aby zapewnić firmie potrzebne korzyści. Pomiar, zrozumienie i poprawa wydajności operacyjnej może zapewnić organizacjom świadczącym usługi finansowe przewagę konkurencyjną i wiele korzyści, takich jak:

• Lepsza zdolność pozyskiwania i zatrzymywania klientów poprzez skuteczne świadczenie usług, konkurencyjne ceny, doskonałą obsługę klienta i innowacyjne oferty
• Lepsze decyzje biznesowe dzięki jednemu i spójnemu obrazowi dokładnych danych, które są dostępne na czas
• Większa zwinność, szybsze wprowadzanie nowych produktów na rynek, dostosowanie do postępów technologicznych i wykorzystanie pojawiających się możliwości
• Mniejsza złożoność w całej organizacji
• Mniejsza liczba duplikatów danych i ręcznych błędów
• Mniejsze ryzyko dzięki lepszemu zarządzaniu nim i ograniczaniu go
• Niższe koszty
• Szybciej dostępne dane do celów analitycznych