克服金融机构在使用分析方面面临的最大挑战

克服金融机构在使用分析方面面临的最大挑战

时间戳：17年2023月11日26:XNUMX AM
克服金融机构在使用柏拉图区块链数据智能分析时面临的最大挑战。垂直搜索。人工智能。

金融机构本质上是数据驱动的。 他们的所有核心流程——包括客户适用性评估、信贷分配决策和流动性缓冲管理——都依赖于数据可访问性和人工智能模型来做出最佳的风险调整业务决策。 

这种数据亲密关系应该让金融服务机构在实现全面分析和 AI 嵌入的急剧加速方面处于领先地位，但仍然存在重大障碍。 

让我们从访问数据开始

数据是金融机构的生计，其数据结构来自业务模型和底层信息系统的历史组合。 因此，数据通常按产品和活动进行组织。 

合并和收购的历史也影响了信息系统的基础，为简化数据访问造成了遗留负担和障碍。 这与围绕数据访问的高水平监管管理相结合，是分析开发的第一个重大障碍。  

第一步是让组织认识到通过分析进行扩展始于扩大对数据的访问。 出于各种原因，包括监管（例如 GDPR）、缺乏中央仓库、对基础设施弹性的感知风险等，银行和保险公司极不情愿这样做。 

然而，它仍然是提供正确加速的关键步骤。 这可以通过将开放实验空间的敏捷性与强有力的治理相结合来完成，以控制关键性评估并转移到生产中。 

该策略的主要好处之一还在于数据管理团队能够转向基于证据的方法。 为什么？ 因为所有企业都会声称他们的数据是最重要的，所以所有团队都会始终要求他们的工具在恢复计划中具有 P1 状态。 

利用实际使用的证据是减少行政讨论和痛苦的资格审查工作的有力方式。 当然，这需要使用正确类型的技术结构来降低所有相关风险——无论是从使用样本数据的数据访问角度，还是安全和访问控制。   

提高技能的重要性

分析开发的另一个主要障碍与技能提升和信任有关。 在建模专家中，金融服务机构的平均数据素养水平较高。 然而，对于其他人来说，转向业务嵌入式分析需要思维方式的转变，以及可能的技术提升和变革管理。 

一个很好的例子是关于如何处理缺失数据的最佳实践。 在某些领域，使用代理是完全可以接受的，而在其他领域，使用代理是一种糟糕的做法。 如果没有特定日期交易的所有工具的价格和特征，则有时进行估计可能很有意义（例如，估计追加保证金和风险）。  

然而，在某些情况下，“猜测”空白数据会对决策制定产生重大影响。 愿意接受分析的公司必须投资于提高员工的技能，并建立合适的协作环境，以组织风险专家、业务专业人员和数据科学家之间的交流和控制，以制定可控的计划。

金融服务业如何通过 AI 取得成功？ 

第一个拥抱人工智能之旅的是投资团队，他们在不断寻找独特的市场洞察力和投资模型的过程中，已经在人工智能中看到了独特的创新机会。 虽然它对少数人来说非常成功，但它也导致了许多没有成果的举措，并在一定程度上导致了一种误解，即人工智能只是关于创新和破解高度先进的市场主题。 

在 AI 方面取得最大成功的金融公司是那些将 AI 计划重点放在“第一天解决主题”上的公司，例如运营流程优化、客户分析和客户旅程增强、全方位的风险管理等。

经过 10 多年的深度监管转型，所有金融机构都显着增强了风险框架。 但在所有方面仍有许多工作要做。 人工智能在风险管理中的成功整合在支持增强银行系统的稳健性方面发挥了重要作用，包括调查的敏捷性和影响力、新内部控制的开发，以及通过分析加强金融犯罪监测，举几个例子。

人工智能也是风险评估领域的一场真正革命，特别是通过加强对替代数据的使用。 这对于传统风险和气候变化等新兴风险都是如此，这有助于所有金融参与者——银行和保险公司——重新考虑他们如何为风险定价。 那些在利用替代数据和敏捷建模方面拥有强大专业知识的人能够在持续的健康危机期间真正从他们的投资中受益，这场危机对传统模型提出了深刻挑战（尤其是在企业评分方面）。

最后，不应低估人工智能对客户的积极影响。 金融服务面临着激烈的竞争格局以及客户对改进个性化的需求，推动这些组织改进客户导向。 建立完整的客户视图和优化客户旅程的能力，特别是在理赔管理方面，是 AI 显着支持银行和保险公司内部深度转型的两个例子，还有更多的机会等待探索。 

总体而言，分析和人工智能仍然是大多数人获得收益的重要机会。 事实上，我们看到 AI 和分析更频繁地从数据实验室退出，完全嵌入业务线，这表明这种趋势已经存在。 然而，还有很多事情要做，玩家之间正在进行一场竞赛，看看谁能首先发挥全部潜力。 我打赌那些决定克服有形和可感知的数据访问障碍的人，同时强调治理，决定性地关注系统流程的增强。

时间戳记：

更多来自 芬泰达