AI，ML和RPA可以加强BFSI行业的对账系统

随着开放银行和即时支付日益成为主流，后台企业对帐系统需要跟上步伐。 通常，交易通常以批处理方式进行，付款要花费数小时（甚至数天）才能完成处理，清算和结算。 现在，对帐和结算周期已经压缩。 这给任何机构的后台部门带来巨大压力，以支持多个日内结算周期并以近乎实时的方式对数据进行协调。

这就是为什么金融机构寻求端到端的企业级自动对帐流程，以帮助它们进行扩展以处理大量的交易数据，提高速度，管理运营风险并满足合规性需求。

根据 萨蒂什N，FSS 副首席产品官，这就是人工智能和机器学习所承诺的。 “通过在关键数据核对点采用机器学习，核对者可以在时间、运营成本和避免监管处罚方面释放数倍的价值，”他在一份 访问 技术观察员，并补充说先进的ML算法可以提高多个对帐点的处理效率。

 编辑节选： 

自动对帐系统如何帮助提高处理交易的效率？

With digital payments growing exponentially, millions of transactions are exchanged daily between multiple payment ecosystem constituents.随着数字支付呈指数增长，每天在多个支付生态系统组成部分之间交换数百万笔交易。 The payment or transaction settlement cycles varies basis the combination of stakeholder and different applications that are used and accounting records maintained by these multiple processing systems need to be in sync at different stages of the transaction.支付或交易结算周期的变化取决于利益相关者和所使用的不同应用程序的组合，并且由这些多个处理系统维护的会计记录需要在交易的不同阶段进行同步。 The accuracy of the financial close process is crucial to maintaining the financial integrity of the ecosystem, mitigating risk, and fostering trust amongst customers.财务结算流程的准确性对于维持生态系统的财务完整性，降低风险以及建立客户之间的信任至关重要。

进一步开放银行和 即时付款 日益成为主流的后台企业对帐系统需要跟上步伐。 通常，交易通常以批处理方式处理，并且付款要花费数小时（甚至数天）来处理，清算和结算。 现在，对帐和结算周期已经压缩。 这给任何机构的后台部门造成巨大压力，以支持多个日内结算周期并以近乎实时的方式对数据进行协调。 当前的手动或半自动流程根本无法扩展以满足新的业务需求。

端到端的企业级自动对帐流程可以帮助金融机构和企业扩展规模，以处理大量的交易数据，提高速度，管理运营风险并满足合规性需求。

提高准确性并降低错误风险  

单个异常可能会导致重大损失，对账团队每天都要处理大量异常，从而在整个财务结算生命周期中自动执行对账和认证流程，从而降低了出错风险。

较低的例外情况和冲销

通过自动对帐流程，可以在客户甚至投诉之前就主动识别和纠正会计差异。 例如，客户可能已经取消了一笔交易，但是由于技术故障，系统错误或发生的实际欺诈行为，可能尚未收到相应的信用额度。 通过详细的审计跟踪，可以轻松地识别出这种差异，使银行可以将异常调查的处理时间减少90％，优化争议处理成本，进而有助于减轻风险

减轻合规风险

通过改进的数据管理和审计跟踪，金融机构可以降低合规风险并确保符合审计和法规要求。

提高生产力

使对账操作中耗时的手动流程自动化，节省员工在对账流程上的时间，释放资源以专注于战略增值工作，包括降低风险和改善运营

银行如何使用AI和ML来克服对帐系统中的挑战？

A growing number of channels, instrument complexity, and activity spread across multiple service providers and increased transaction frequency by consumers adds to the complexity of the reconciliation process.越来越多的渠道，工具复杂性和活动分布在多个服务提供商之间，消费者增加了交易频率，这增加了对帐过程的复杂性。 AI and Machine Learning will have a significant upside on the efficiency of the reconciliation process.人工智能和机器学习将在和解流程的效率方面具有重大优势。 By employing machine learning at key data reconciliation points, reconcilers can unlock multiples of value in terms of time, operating cost and avoiding regulatory penalties,通过在关键数据对帐点采用机器学习，对帐员可以在时间，运营成本方面避免价值倍增，并避免监管处罚，

Advanced ML algorithms can improve process efficiency across multiple reconciliation points.先进的ML算法可以提高多个对帐点的流程效率。 The reconciliation process typically entails tasks such as onboarding payment classes, extracting, and normalizing data from non-standardized file formats, defining matching rules and posting entries for settling accounts.核对过程通常需要执行以下任务，例如启动付款类别，从非标准文件格式提取数据并对其进行规范化，定义匹配规则并过账结算帐户。

常规系统依靠静态的预先配置的“基于规则的框架”来进行对帐。 但是，这些工具在添加新数据源时会变得效率低下，或者如果在特定对帐文件中引入了新条目，则需要手动识别这些工具。 进一步的对帐团队需要创建，测试和实施新规则，同时平衡对现有规则的影响，从而延长对帐周期。 借助启用了ML的流程，系统会自动“学习”数据源和模式，分析其是否可能与多个数据集匹配，突出显示对帐异常/不匹配，并提供可操作的“待办事项”列表以解决数据问题。

机器人过程自动化的使用可以使例行的，人工密集的任务自动化。 让我举一个例子。 即使在今天，具有自动对帐流程的银行也部署了专门人员从交换门户网站或纠纷管理系统中获取文件，下载文件并将它们放置在正确的位置，以使对帐系统可以对数据进行操作。 通过使用机器人可以自动执行此类任务，从而最大程度地利用员工的时间。

付款对账已变得极为复杂，拥有多种付款方式，渠道，针对不同业务部门采用不同付款方式的产品处理器的组合，而对账的速度和准确性对企业至关重要。 FSS Smart Recon提供基于AI的解决方案，用于跨支付工作流进行对帐管理，并内置支持多源，多文件多对多对帐方案。 与部分自动化的流程相比，借助FSS Smart Recon，客户可以将绿地实施的上市时间缩短40％，将对帐时间周期缩短30％，并将直接成本总体降低25％。有以下几种方式：

• 提供用于基于端对端对帐的现代，完全基于Web的对帐平台系统的统一平台，该系统集成了数据导入，转换和扩充，数据匹配，异常管理
• 广泛的应用程序–使用单一系统支持所有类型的数字支付–通用账本对帐理货，ATM对账，卡对账，在线支付，钱包，即时支付（IMPS和UPI），NEFT，RTGS和QR码支付-内置灵活地快速启用新的支付渠道和计划
• Universal Data Wizard: Simplifies set-up of the reconciliation process via a template-based data-mapping framework.通用数据向导：通过基于模板的数据映射框架简化对帐过程的设置。 This optimizes go live time for greenfield implementations by 30 per cent这样可以将新实施的上线时间缩短XNUMX％
• 详细的审核跟踪：提供详细的审核跟踪，可帮助用户了解中断或匹配案例的理由并据此进行处理。
• 高级异常识别和分析建议及时采取行动并遵循 UPS 启用相同的关闭
• 利用机器学习（ML），算法，FSS Smart Recon的基于AI的解决流程，可以持续学习文件模式并可以自动识别新记录，从而使员工能够预测异常情况并执行解决方案，而无需持续的支持或专业服务。
• 争议管理–支持争议和退款生命周期，使银行能够在更短的时间内应对争议–提高效率和客户服务。
• 灵活的业务模型：FSS提供许可和SaaS模式的Recon服务，以为客户提供更大的部署灵活性，而无需前期资本支出和

您在对帐空间中观察到哪些关键技术趋势？

快速的支付演变，市场竞争和技术进步继续推动对帐流程的发展和现代化。 不断发展的技术趋势包括

• 广泛采用SaaS和基于云的模型，以适应不断增长的交易工作量并降低总拥有成本
• 区块链是复杂对账的理想选择，并将成为全球领先产品中的下一个差异化选择
• 增强使用AI和基于机器学习的AI算法进行自我监督和自我优化的侦察流程
• 通过设计正确的数据层或记录层系统来智能使用数据，以提高性能，匹配，操作和欺诈控制的精度

FSS即将到来的重点领域是什么？  

Our next big launch is around analytics and data science, the wealth of data today in most large organizations is pushed to a Data Lake or a warehouse and very little is being done to leverage these insights to make an impact to your customers or business.我们的下一个重大发布是围绕分析和数据科学，当今大多数大型组织中的大量数据被推送到数据湖或仓库，而利用这些见解对您的客户或业务产生影响的工作很少。 The product is designed to address this specific Big Data opportunity in the payments space.该产品旨在解决支付领域中这种特定的大数据机会。 The product is a complete persona-based analytics suite that comes with predefined insights by business product areas, the matrix keeps growing and will soon map the entire payment ecosystem.该产品是一个完整的基于角色的分析套件，具有按业务产品领域划分的预定义见解，该矩阵不断增长，并将很快映射整个支付生态系统。 The product helps banks to make data-driven business decisions, enhance productivity and business efficiency.该产品可帮助银行制定以数据为依据的业务决策，提高生产力和业务效率。

资料来源：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和rpa可以加强针对bfsi部门的和解系统