Bitemporalità, aiuta a ridurre i costi per i casi d'uso dei servizi finanziari

La scorsa settimana ho partecipato a un evento "tutto ciò che riguarda il benchmarking di dati e analisi". È stato favoloso, erano rappresentate la maggior parte delle banche più importanti, anche i più famosi hedge fund, una parte delle borse valori e alcuni venditori non abituali.

L'ho trovato rinfrescante, come la maggior parte degli eventi in cui viene discussa l'analisi tangibile. La mia carriera iniziale era incentrata sulla scienza quantitativa, sulla scienza dei dati e sull'analisi, ma ora sono nel... ehm,
La professione dei "dati", costituita da una serie confusa di prodotti (per lo più) commerciali alla base di "data warehouse", "data lake" e infrastrutture "data mesh", "data fabric", "data swamp", per un importo di $ trilioni di miliardi di spesa e il sostegno di alcune organizzazioni molto grandi. Personalmente trovo che il linguaggio, il gergo e l'ecosistema di questo settore siano astratti dalla realtà, ma aiutano a sostenere i fornitori commerciali con prodotti e categorie dai nomi meravigliosi. Segui il denaro, come si suol dire: una piattaforma dati “complessa” comporta un prezzo molto più alto rispetto a uno strumento di modellazione che qualsiasi studente MSC può utilizzare.

L'industria dei dati ha fatto da sfondo a un evento molto pragmatico, ma è stata discussa, in modo divertente ed esplicito, in un panel sul cosiddetto "lignaggio di dati.” La derivazione dei dati è un processo prevalentemente lineare e sequenziale che cattura la trasformazione dei dati dall'acquisizione all'utilizzo e aiuta a sostenere la cosiddetta governance dei dati che comporta un sacco di costosi strumenti di warehouse. Nell’era del cloud, i data warehouse sul cloud sono di gran moda, uno in particolare. Ma ecco il punto. La trasformazione dei dati in realtà non è lineare, soprattutto quando è utile. È complesso, ciclico, si trasforma come Doctor Who e Tardis, viaggia nel tempo e attraverso le galassie. Pseudo-filosofia e fisica popolare a parte, in finanza gli stessi dati, quando ottimizzati, trasformati e analizzati, possono servire a molti casi d’uso diversi, anche nel tempo e nel luogo. Inoltre, le autorità di regolamentazione ci chiedono di documentare il cambiamento, essendo trasparenti su cosa abbiamo fatto, quando, perché e cosa è cambiato. Si potrebbe dire: “questa è la governance dei dati che chiedono”. Tipo. Ma le autorità di regolamentazione in realtà chiedono la rendicontazione di decisioni attuabili che richiedono modelli, impegno e conseguenti azioni che abbiano un impatto. Coinvolge persone, decisioni e casi d’uso tangibili, non solo dati.

La tavola rotonda ha introdotto e discusso a lungo il concetto di bitemporalità, una tattica pratica di gestione dei dati al servizio dei casi d'uso finanziari e dei processi normativi. Un relatore di una banca di livello 1 (molto) regolamentata ha elogiato con entusiasmo la bitemporalità. La sua architettura utilizzava la bitemporalità per adattarsi nel tempo e riprodurre le modifiche dei dati. Supponiamo che tu voglia ricreare un vecchio report finanziario o un'operazione di derivati ​​così come appariva al momento della creazione e poi come avrebbe dovuto apparire in seguito alle correzioni/aggiunte/pagamenti successivi, ad esempio in un report di conformità. Con la bitemporalità nel suo caso, una singola fonte di dati informa più visualizzazioni (convalidate) dei dati, quando si sono verificate e in seguito, con “saggezza”. È semplice da implementare, non costoso ed ecco cosa devi sapere al riguardo.

• Un modello di dati dovrebbe archiviare e facilitare l'analisi dei dati attraverso due dimensioni temporali: un modello di dati bitemporale, cioè un modello che si occupi dei dati all'inizio e in qualsiasi momento futuro quando si verificano revisioni del suo stato e può essere rappresentato "come -di” un dato tempo. 
• Questo modello memorizza più di un timestamp per ogni proprietà, oggetto e valore.
• I punti dati possono essere uniti e connessi: un'unione “a partire da”. 

In un'architettura tradizionale di tipo data warehouse, tale discendenza può comportare costose copie dei dati, inefficienze premature e complessità di recupero. Questo è un modo in cui i fornitori di data warehouse sul cloud guadagnano, con la gestione di più copie dei dati e un approccio schietto.

Una semplice alternativa è costituita da semplici modelli di dati con un processo di archiviazione/in memoria di supporto. Questo può e dovrebbe essere economico, incentrato su Python. Utilizza semplicemente i timestamp (con i tuoi dati) e i join al momento (nel codice) per rendere il processo semplice, con la possibilità di approfondire i singoli record secondo necessità.

Per risparmiare sui costi del tuo data warehouse, quindi, ingegnerizza con un semplice Python, prestando attenzione alle prestazioni in memoria. C'è meno bisogno di progettare all'interno di un costoso processo di data warehouse.

Dove si usa la bitemporalità in finanza? Bene, la conformità è un caso ovvio. Prendi ad esempio

spoofing. Ora, lo spoofing è fondamentalmente un modello di intenti commerciali, sebbene fraudolento in cui vengono effettuati particolari tipi di operazioni ma non portate a termine. Il motivo degli spoofing deep-diving è principalmente la conformità, ma il modello delle operazioni di deep-diving, riuscite, infruttuose, fraudolente o semplicemente fantastiche, avvantaggia anche il front office. Ciò a sua volta informa i test retrospettivi e lo sviluppo della strategia, che può anche includere nozioni di tempo. Questo perché le strategie, quando entrano nel trading di produzione, nei sistemi di gestione del rischio o del portafoglio, sanno solo cosa hanno di fronte, ma il test retrospettivo può provare a incorporare ipotesi note per mitigare i rischi. Gli esempi includono il confronto dei costi di transazione a breve termine rispetto a quelli stimati, il confronto delle correlazioni di coppie a breve termine reali e previste, i profitti a medio termine per, ad esempio, derivati ​​e strumenti a reddito fisso, i dividendi in azioni, le correlazioni azionarie/settoriali nella gestione del portafoglio e regimi di mercato/rischio “macro” a lungo termine amati dagli economisti. Il tempo – e la bitemporalità – contano. I casi d’uso interessati rendono la tecnica molto più preziosa rispetto a una semplice manovra di ingegneria dei dati.

Oltre ai mercati dei capitali, prendiamo in considerazione i pagamenti. Ad esempio, le azioni su un dispositivo di pagamento riporteranno le transazioni a livello centrale. Ciò che è noto al momento della transazione viene poi aggiornato dalle informazioni, ad esempio quelle del cliente. Il rilevamento delle frodi è un ovvio caso d’uso a questo scopo e deve essere tempestivo. I dati sui pagamenti intelligenti vengono elaborati in un determinato momento, ma adattati per migliorare la qualità dei dati e informare gli eventi a valle. L'uso di un modello di dati bitemporale sui dati master e sulle serie temporali aiuta a gestire le attività puntuali.

In conclusione, quella che può essere una trasformazione lineare del lignaggio del magazzino potenzialmente costosa e “altamente governata” può essere semplificata con alcune analisi basate sul buon senso e un’empatia con i casi d’uso del mondo reale. Vale la pena dare un'occhiata alla bitemporalità.

• Distribuzione di contenuti basati su SEO e PR. Ricevi amplificazione oggi.
• PlatoData.Network Generativo verticale Ai. Potenzia te stesso. Accedi qui.
• PlatoAiStream. Intelligenza Web3. Conoscenza amplificata. Accedi qui.
• PlatoneESG. Carbonio, Tecnologia pulita, Energia, Ambiente, Solare, Gestione dei rifiuti. Accedi qui.
• Platone Salute. Intelligence sulle biotecnologie e sulle sperimentazioni cliniche. Accedi qui.
• Fonte: https://www.finextra.com/blogposting/25203/bitemporality-helping-lower-costs-for-financial-services-use-cases?utm_medium=rssfinextra&utm_source=finextrablogs