Már jóval a jelenleg gyors ütemben zajló digitális átalakulás előtt is rendkívül kiélezett verseny folyt a bankszektor szereplői között. A pénzügyi technológiáknak köszönhetően a küzdelem mára még keményebb lett. A fintech cégek olyanok a bankok számára, mint az Uber a taxitársaságoknak. Azon túlmenően, hogy a fintech cégek veszélyeztetik a bankok profitját, a pénzintézetekre a 2008-as válságot követően extrém nyomást gyakorolnak a szabályozó hatóságok. És bár a bankok többsége nem folytatott olyan tevékenységet, amely a válságot előidézte, immár valamennyiüknek követniük kell a jelentősen szigorított előírásokat.
A bankok számára készült versenyképes üzleti megoldásoknak meg kell felelniük az új körülményeknek: rugalmasoknak és átláthatóaknak kell lenniük. További követelmény velük szemben a méretezhetőség, hogy lépést tudjanak tartani az iparág egyre nagyobb mértékű digitalizáltságával. Mi több, intelligensnek kell lenniük, és jobb pénzügyi döntéseket kell ösztönözniük.
Az alábbiakban Darya Shmatnak, a CIO.com magazin munkatársának cikke alapján áttekintjük az üzletiintelligencia-megoldások hatását a bankok tevékenységére. Fontos megérteni, hogy nem létezik egyetlen tökéletes üzletiintelligencia-megoldás mindenféle banki tevékenységhez. Lehetetlen olyan rendszert létrehozni, amely lefedi a teljes pénzügyi területet. Ezért az egyik legfontosabb banki BI-trend a banki üzleti elemzők által használt eszközkészlet többdimenzionáltsága. Mivel rengeteg módszer és eszköz létezik az adatok elérésére és feldolgozására, a bankok olyan rugalmas megoldásokat keresnek, amelyek biztosítják e rendszerek együttműködését.
Mesterséges intelligencia
Elképesztő iramban terjed a bankszektorban a mesterséges intelligencia és a gépi tanulás. Ezek a technológiák több szempontból is átformálják a gépi intelligencia fogalmát. Ráadásul a mesterséges intelligencia elérhetőbbé és integrálhatóbbá válik az elterjedt technológiai szabványoknak, például a Postgresnek köszönhetően. Így bár új eszköz bevezetésekor a bankok kockázatot vállalnak, az esetlegesen felmerülő technikai problémák elenyészőek.
Itt van továbbá a költség-haszon mutató: a Goldman Sachs szerint a mesterséges intelligencia 2025-ig 43 milliárd dollárnyi költségmegtakarítást és bevételi lehetőségeket hozhat a pénzügyi szektorban. Nem sok bank mondhat le ilyen hatalmas bevételekről. Ez az oka annak, hogy az összes nagy amerikai bank dollárszázmilliókat invesztál a mesterséges intelligenciába és a gépi tanulásba.
Reflektorfényben az adatszakértők
Ez a trend az előző kettőből ered: profi adatszakértők nélkül nem lehet stabil üzletiintelligencia-infrastruktúrát felépíteni. Az elmúlt pár évben megduplázódott az adatszakértők iránti igény. Az ilyen szakértelemmel rendelkező informatikusok számára vonzó lehetőség, hogy karrierjüket banknál kezdjék meg, mivel egyre több pénzintézet fontolgatja fejlett algoritmikus kereskedési rendszerek és más eszközök bevezetését a befektetési kockázatok csökkentésére. Az adatszakértők gondoskodnak arról, hogy a banki adatokat megfelelően tárolják, azok széles körben elérhetők legyenek, és átfogó elemzésnek vessék alá őket.
Az adatkezelésben jártas szakértők iránti kereslet növekedése miatt változik az irányítás struktúrája is: nem ritka, hogy a bankok adatfőnököt (Chief Data Officer, CDO) neveznek ki, aki felel a pénzintézet adatkezelési, elemzési és üzletiintelligencia-tevékenységeiért.
Specializáció
Adatkezelés és -feldolgozás tekintetében a bankszektor az egyik legkomplexebb iparág, ugyanakkor sok pénzintézetnek nincs elég ideje és kapacitása, hogy speciális igényeihez igazítsa a BI-eszközöket. Vannak továbbá olyan bankok, amelyek egyedi üzletiintelligencia-megközelítést igénylő, speciális pénzügyi szolgáltatásokra szakosodtak.
Ezért léteznek kifejezetten speciális banki igényekre kifejlesztett üzletiintelligencia-eszközök, és a pénzintézet valószínűleg megtalálja a kínálatban az általa keresett eszközt. Például a Motivity a jelzáloghitelek kezeléséhez kifejlesztett BI-eszköz, a Beye pedig banki adatelemzésre szakosodott.
Dolgok internete
Az IoT-technológiákat általában a gyártó és kiskereskedelmi szektorral hozzák kapcsolatba, mivel ezeken a területeken terjednek a leginkább. Ám a pénzintézetek is komolyan invesztálnak az IoT-be üzletiintelligencia-képességeik és szolgáltatásaik minőségének továbbfejlesztése érdekében. Például viselhető eszközökkel kínálnak érintés nélküli fizetési lehetőséget. Az érintés nélküli fizetésre használható bankkártya szintén jó példa az IoT-technológia alkalmazására. De a bankkártyák is fejlődnek, immár közvetlen kétirányú kommunikációt biztosítanak a bankkal a kártyába épített interfészen keresztül.
Bevételei növelését szolgálhatja, ha a bank a dolgok internete által generált összes adatot elemezni tudja üzletiintelligencia-eszközeivel. Így például megismerheti az ügyfelei által kedvelt helyszíneket, és akciókat vagy kedvezményeket kínálhat ezeken a helyeken.
Biztonság
Nagyon fontos szempont a pénzintézetek számára a biztonság, mivel a banki eszközök nagy része személyes információkat kezel. Több millió banki ügyfél adatait érintette az Equifax informatikai rendszereinek közelmúltbeli feltörése, ami újabb bizonyítéka annak, hogy a pénzintézeteknek nagyobb gondot kell fordítaniuk a csalási kísérletek elhárítására és a kiberbiztonságra. A biztonsági követelményeknek megfelelés érdekében az alkalmazott üzletiintelligencia-megoldásnak olyan fejlett szolgáltatásokat kell tartalmaznia, mint az automatizált fenyegetésészlelés.
Adatforrások, adatkezelés, adatelőkészítés
Alapvető fontosságú, miképpen tárolják az információkat, ugyanis ez határozza meg, mely rendszerek férhetnek hozzá az adatokhoz. Az adatforrás ugyancsak meghatározza, hogy milyen típusú transzformációk hajthatók végre az adatokon. Egy NoSQL adatbázis sokkal rugalmasabb, mint az Excel-táblázat.
Léteznek rendszerek, amelyek többféle forrásból képesek kombinálni az adatokat. Feladatuk kiszedni a silókból az adatokat, és adattavakban egyesíteni őket.
Minden pénzügyi műveletnél számos modellezés történik. Legyen az statisztikai modell a hitelkockázat elemzéséhez vagy egy algoritmikus rendszer a kereskedéshez, a modellezést lehetővé tevő összes folyamat és technológia megfelelően strukturált adatokkal dolgozik. Ezek az eszközök gyakran helyettesítik az adatkezelő megoldásokat vagy együttműködnek velük.
Modellek létrehozása és kezelése
Sok bank kísérletezik a gépi tanulásban rejlő lehetőségekkel. A modellek felépítéséhez és a pénzügyi előrejelzések generálásához használt eszközök fejlett technológiai szolgáltatásokat igényelnek, például többféle gépi tanulási könyvtárat vagy olyan automatizálási funkciókat, amelyekkel a modellek elláthatók az adatkezelő és -előkészítő eszközökből származó információkkal.
Ha létrehoztunk egy, az üzletiintelligencia-igényeinknek megfelelő modellt, azt tárolnunk és frissítenünk kell, továbbá a működtetéséhez biztosítanunk kell a közvetlen kapcsolódást az ügyfelek rendszereihez.
Az üzleti intelligencia használatba vétele
Függetlenül attól, hogy a rendszer generál-e előrejelzéseket vagy sem, az alkalmazottak számára csatolófelületet kell létrehozni az adatokkal folytatott munkához. Nem mindenki tudja ugyanis, hogyan kell lekérdezni egy adatbázist. Ezért fejlesztenek olyan eszközöket, amelyek lehetővé teszik a banki alkalmazottak számára az adatok elérését. Ugyanakkor fontos megjegyezni, hogy ezek használata a banki üzletiintelligencia-alkalmazásoknál zsákutca lehet, mivel a specializált rendszerek gyakran nem rendelkeznek robusztus API-val, és a megnőtt banki tevékenység vagy az új technológiák támogatásához szükséges backend oldali rugalmassággal.
