AI, ML und RPA können Versöhnungssysteme für den BFSI-Sektor stärken

Da Open Banking und Instant Payments immer mehr zum Mainstream werden, müssen Back-Office-Systeme zur Unternehmensabstimmung Schritt halten. Herkömmlicherweise wurden Transaktionen in der Regel im Batch-Modus verarbeitet und Zahlungen dauerten Stunden, wenn nicht Tage, um zu verarbeiten, zu verrechnen und abzurechnen. Nun wurden Abstimmungs- und Abrechnungszyklen komprimiert. Dies übt einen enormen Druck auf das Backoffice jedes Instituts aus, mehrere Intraday-Abwicklungszyklen zu unterstützen und Daten nahezu in Echtzeit abzugleichen.

Aus diesem Grund suchen Finanzinstitute nach durchgängigen, automatisierten Abstimmungsprozessen auf Unternehmensebene, die ihnen helfen können, einen großen Zustrom von Transaktionsdaten zu bewältigen, die Geschwindigkeit zu verbessern, das operationelle Risiko zu managen und Compliance-Anforderungen zu erfüllen.

Laut Sathish N., stellvertretender Chief Product Officer, FSS, das versprechen KI und maschinelles Lernen. „Durch den Einsatz von maschinellem Lernen an wichtigen Datenabgleichspunkten können Abgleicher ein Vielfaches an Wert in Bezug auf Zeit und Betriebskosten freisetzen und behördliche Strafen vermeiden“, sagte er in einem Interview mit Technischer Beobachter, und fügt hinzu, dass fortschrittliche ML-Algorithmen die Prozesseffizienz über mehrere Abgleichspunkte hinweg verbessern können.

 Bearbeitete Auszüge: 

Wie hilft die Automatisierung von Abstimmungssystemen, die Effizienz der Verarbeitung von Transaktionen zu verbessern?

Da digitale Zahlungen exponentiell wachsen, werden täglich Millionen von Transaktionen zwischen mehreren Bestandteilen des Zahlungsökosystems ausgetauscht. Die Zahlungs- oder Transaktionsabwicklungszyklen variieren je nach Kombination von Stakeholdern und unterschiedlichen Anwendungen, die verwendet werden, und die von diesen mehreren Verarbeitungssystemen geführten Buchhaltungsaufzeichnungen müssen in verschiedenen Phasen der Transaktion synchron sein. Die Genauigkeit des Finanzabschlussprozesses ist entscheidend, um die finanzielle Integrität des Ökosystems zu wahren, Risiken zu mindern und das Vertrauen der Kunden zu stärken.

Weiter mit Open Banking und Sofortzahlungen Da sich die Backoffice-Abstimmungssysteme von Unternehmen zunehmend zum Mainstream entwickeln, müssen sie Schritt halten. Herkömmlicherweise wurden Transaktionen in der Regel im Batch-Modus verarbeitet und Zahlungen dauerten Stunden, wenn nicht Tage, um zu verarbeiten, zu verrechnen und abzurechnen. Nun wurden Abstimmungs- und Abrechnungszyklen komprimiert. Dies übt einen enormen Druck auf das Backoffice jedes Instituts aus, mehrere Intraday-Abwicklungszyklen zu unterstützen und Daten nahezu in Echtzeit abzugleichen. Aktuelle manuelle oder halbautomatische Prozesse können einfach nicht an neue Geschäftsanforderungen angepasst werden.

Durchgängige automatisierte Abstimmungsprozesse auf Unternehmensebene können Finanzinstituten und Unternehmen dabei helfen, einen großen Zustrom von Transaktionsdaten zu bewältigen, die Geschwindigkeit zu verbessern, das Betriebsrisiko zu verwalten und Compliance-Anforderungen zu erfüllen.

Verbessern Sie die Genauigkeit und senken Sie das Fehlerrisiko  

Eine einzige Ausnahme kann zu erheblichen Verlusten führen, und Abstimmungsteams bearbeiten täglich eine große Anzahl von Ausnahmen Die Automatisierung von Abstimmungs- und Zertifizierungsprozessen während des gesamten Lebenszyklus von Finanzabschlüssen reduziert das Fehlerrisiko.

Geringere Ausnahmen und Abschreibungen

Mit automatisierten Abstimmungsprozessen können buchhalterische Unstimmigkeiten proaktiv erkannt und korrigiert werden, noch bevor Kunden eine Reklamation einreichen. Beispielsweise könnten die Kunden eine Transaktion storniert haben, die entsprechende Gutschrift jedoch möglicherweise aufgrund einer technischen Störung oder eines Systemfehlers oder eines tatsächlichen Betrugs nicht erhalten. Mit detaillierten Prüfpfaden können solche Diskrepanzen leicht identifiziert werden, was es Banken ermöglicht, die Bearbeitungszeit für Ausnahmeuntersuchungen um 90 % zu verkürzen, die Kosten für die Streitbearbeitung zu optimieren, was wiederum zur Risikominderung beiträgt

Minderung des Compliance-Risikos

Mit verbessertem Datenmanagement und verbesserten Prüfpfaden reduzieren Finanzinstitute das Compliance-Risiko und stellen die Einhaltung von Prüfungs- und behördlichen Anforderungen sicher.

Produktivität steigern

Automatisieren Sie zeitaufwändige manuelle Prozesse in Abstimmungsvorgängen, sparen Sie Zeit, die Mitarbeiter für Abstimmungsprozesse aufwenden, und setzen Sie Ressourcen frei, um sich auf strategische Mehrwertarbeit einschließlich Risikominderung und operative Verbesserungen zu konzentrieren

Wie könnten KI und ML von Banken genutzt werden, um die Herausforderungen in Abstimmungssystemen zu meistern?

Eine wachsende Anzahl von Kanälen, die Komplexität von Instrumenten und Aktivitäten, die auf mehrere Dienstanbieter verteilt sind, und eine erhöhte Transaktionsfrequenz durch die Verbraucher tragen zur Komplexität des Abstimmungsprozesses bei. KI und maschinelles Lernen werden einen erheblichen Vorteil in Bezug auf die Effizienz des Abstimmungsprozesses haben. Durch den Einsatz von maschinellem Lernen an wichtigen Datenabgleichspunkten können Abgleicher ein Vielfaches an Wert in Bezug auf Zeit und Betriebskosten freisetzen und behördliche Strafen vermeiden.

Fortschrittliche ML-Algorithmen können die Prozesseffizienz über mehrere Abstimmungspunkte hinweg verbessern. Der Abstimmungsprozess umfasst typischerweise Aufgaben wie das Onboarding von Zahlungsklassen, das Extrahieren und Normalisieren von Daten aus nicht standardisierten Dateiformaten, das Definieren von Abgleichsregeln und das Buchen von Buchungen für die Abrechnung.

Herkömmliche Systeme beruhen auf einem statisch vorkonfigurierten „regelbasierten Rahmen“ für den Zahlungsabgleich. Diese Tools können jedoch beim Hinzufügen neuer Datenquellen ineffizient werden oder wenn neue Einträge in eine bestimmte Abgleichsdatei eingefügt werden, diese müssen manuell identifiziert werden. Weitere Abstimmungsteams müssen neue Regeln erstellen, testen und implementieren und gleichzeitig die Auswirkungen auf bestehende Regeln abwägen, was die Abstimmungszykluszeit verlängert. Bei ML-fähigen Prozessen „lernt“ das System automatisch die Datenquellen und Muster, analysiert sie auf wahrscheinliche Übereinstimmungen in mehreren Datensätzen, hebt Abgleichsausnahmen/-Nichtübereinstimmungen hervor und präsentiert umsetzbare „To-Do“-Listen, um Datenprobleme zu beheben.

Der Einsatz von Robotic Process Automation kann routinemäßige, manuell intensive Aufgaben automatisieren. Lassen Sie mich Ihnen ein Beispiel geben. Auch heute setzen Banken mit automatisierten Abstimmungsprozessen spezielles Personal ein, um Dateien von einem Austauschportal oder einem Streitbeilegungssystem abzurufen, die Dateien herunterzuladen und sie an der richtigen Stelle abzulegen, damit das Abstimmungssystem auf die Daten reagieren kann. Solche Aufgaben können durch den Einsatz von Bots automatisiert werden, wodurch der Wert der Mitarbeiterzeit maximiert wird.

Zahlungsabgleiche sind äußerst komplex geworden, mit mehreren Zahlungsoptionen, Kanälen, Kombinationen von Produktprozessoren für verschiedene Zahlungsmethoden über alle Geschäftsbereiche hinweg und die Notwendigkeit einer schnellen und genauen Abstimmung ist für Unternehmen von entscheidender Bedeutung. FSS Smart Recon bietet eine KI-basierte Lösung für das Abstimmungsmanagement über Zahlungsworkflows hinweg mit integrierter Unterstützung für Multi-Source-, Multi-File-Many-to-Many-Abstimmungsszenarien. Mit FSS Smart Recon können Kunden die Time-to-Market für Greenfield-Implementierungen um 40 %, die Zeitzyklen für die Abstimmung um 30 % verbessern und die direkten Kosten im Vergleich zu teilautomatisierten Prozessen um insgesamt 25 % senken folgende Möglichkeiten:

• Eine einheitliche Plattform für die Bereitstellung eines modernen, vollständig webbasierten Abgleichsplattformsystems zur Abwicklung des End-to-End-Abgleichs, das Datenimport, -transformation und -anreicherung, Datenabgleich und Ausnahmemanagement umfasst
• Breite Anwendung – Unterstützt alle Arten digitaler Zahlungen mit einem einzigen System – Hauptbuchabgleich, Geldautomatenabgleich, Kartenabgleich, Online-Zahlungen, Geldbörsen, Sofortzahlungen (IMPS und UPI), NEFT-, RTGS- und QR-Code-Zahlungen – mit integriertem Flexibilität für das schnelle Onboarding neuer Zahlungskanäle und -systeme
• Universal Data Wizard: Vereinfacht die Einrichtung des Abstimmungsprozesses über ein vorlagenbasiertes Datenmapping-Framework. Dies optimiert die Go-Live-Zeit für Greenfield-Implementierungen um 30 Prozent
• Detaillierter Audit-Trail: Bietet einen detaillierten Audit-Trail, der den Benutzern hilft, die Gründe für einen Break- oder Match-Fall zu verstehen und entsprechend anzugehen.
• Erweiterte Ausnahmeerkennung und -analyse für die Empfehlung rechtzeitiger Maßnahmen und Folgemaßnahmen UPS Schließung derselben zu ermöglichen
• KI-basierte Abrechnungsprozesse Durch die Nutzung von Machine Learning (ML) und Algorithmen lernt FSS Smart Recon kontinuierlich Dateimuster und kann automatisch neue Datensätze identifizieren, sodass die Mitarbeiter Ausnahmen vorhersagen und Lösungsmaßnahmen durchführen können, ohne dass ständiger Support oder professionelle Dienstleistungen erforderlich sind.
• Streitbeilegung – Unterstützung für den Lebenszyklus von Streitigkeiten und Rückbuchungen, die es Banken ermöglicht, in viel kürzeren Zeiträumen auf Streitigkeiten zu reagieren – und so die Effizienz sowie den Kundenservice zu verbessern.
• Flexible Geschäftsmodelle: FSS bietet Recon-Services als lizenziertes und als SaaS-Modell an, um den Kunden eine größere Flexibilität bei der Bereitstellung zu bieten, sodass keine Vorabinvestitionen erforderlich sind und

Welche technologischen Schlüsseltrends beobachten Sie im Raum der Versöhnung?

Die rasante Zahlungsentwicklung, der Marktwettbewerb und technologische Fortschritte treiben die Entwicklung und Modernisierung von Abstimmungsprozessen weiter voran. Zu den Technologietrends, die an Dynamik gewinnen, gehören

• Stärkere Akzeptanz von SaaS- und Cloud-basierten Modellen, um wachsende Transaktions-Workloads zu bewältigen und die Gesamtbetriebskosten zu senken
• Blockchain ist die perfekte Wahl für komplexe Abstimmungen und wäre die nächste differenzierende Aufnahme in weltweit führende Produkte
• Verbesserter Einsatz von KI und KI-basierten Algorithmen des maschinellen Lernens für selbstüberwachte und selbstoptimierende Aufklärungsprozesse
• Intelligente Nutzung von Daten durch die Entwicklung der richtigen Datenschicht oder des richtigen Systems der Aufzeichnungsschicht, um die Leistung, die Genauigkeit des Abgleichs, den Betrieb und die Betrugsbekämpfung zu verbessern

Was wären die kommenden Schwerpunkte für FSS?  

Unsere nächste große Markteinführung dreht sich um Analytics und Data Science. Der heutige Datenschatz der meisten großen Unternehmen wird in einen Data Lake oder ein Warehouse übertragen und es wird nur sehr wenig unternommen, um diese Erkenntnisse zu nutzen, um einen Einfluss auf Ihre Kunden oder Ihr Unternehmen zu haben. Das Produkt wurde entwickelt, um diese spezielle Big-Data-Möglichkeit im Zahlungsbereich zu adressieren. Das Produkt ist eine komplette persona-basierte Analysesuite mit vordefinierten Erkenntnissen nach Geschäftsproduktbereichen, die Matrix wächst weiter und wird in Kürze das gesamte Zahlungsökosystem abbilden. Das Produkt hilft Banken, datengesteuerte Geschäftsentscheidungen zu treffen und die Produktivität und Geschäftseffizienz zu steigern.

Quelle: https://techobserver.in/2020/10/05/ai-ml-and-rpa-can-strengthen-reconciliation-systems-for-bfsi-sector-sathish-n-fss/#new_tab?utm_source=rss&utm_medium =rss&utm_campaign=ai-ml-und-rpa-kann-abstimmungssysteme-für-bfsi-sektor stärken