Καθώς οι χρηματοπιστωτικές και τηλεπικοινωνιακές βιομηχανίες μετακινούνται από αντιδραστικά σε προγνωστικά μοντέλα κινδύνου, οι ιδέες από τους αρχιτέκτονες αυτών των συστημάτων καθίστανται κρίσιμες για την πλοήγηση της μετάβασης. Παραδοσιακά μια αντιδραστική πειθαρχία, η διαχείριση του πιστωτικού κινδύνου μετατοπίζεται όλο και περισσότερο προς ένα προορατικό μοντέλο που τροφοδοτείται από την προβλέψιμη ανάλυση και την τεχνητή νοημοσύνη. Αυτή η εξέλιξη επιτρέπει στους οργανισμούς να προβλέπουν και να μετριάζουν πιθανές απώλειες προτού υλοποιηθούν, προχωρώντας πέρα από τα ιστορικά δεδομένα για να προβλέψουν τη μελλοντική συμπεριφορά των πελατών. Η δουλειά της σε μεγάλες εταιρείες όπως η Morgan Stanley και η T-Mobile αποδεικνύει μια βαθιά εμπειρία στην κατασκευή κλιμακούμενων λύσεων επιχειρηματικού επιπέδου που εντοπίζουν και αντιμετωπίζουν τους κινδύνους στα πρώιμα στάδια τους. Από την αντίσταση στα αποτελέσματα Η εφαρμογή προληπτικών πλαισίων διαχείρισης κινδύνου συχνά αντιμετωπίζει σημαντική εσωτερική αντίσταση. οι υπεύθυνοι λήψης αποφάσεων μπορεί να διστάζουν να υιοθετήσουν νέα πρωτόκολλα αξιολόγησης, φοβούμενοι ότι η διαδικασία θα είναι χρονοβόρα ή θα εκθέσει προηγουμένως κρυφές ευπάθειες. «Στην αρχή, ήταν πολύ δύσκολο να γίνει η εκτίμηση κινδύνου, καθώς οι ιδιοκτήτες δεν ήταν έτοιμοι να λάβουν την αξιολόγηση λόγω του χρόνου που χρειάστηκε και φοβούμενοι ότι θα μπορούσε να ανοίξει ένα μπολ σκουληκιών μπροστά από την ανώτερη διοίκηση τους», εξηγεί. Για να πλοηγηθεί σε αυτό, η ομάδα της ανέπτυξε ένα αυτοματοποιημένο πλαίσιο που ενσωματώθηκε άμεσα με τα εργαλεία διαχείρισης περιουσιακών στοιχείων. Είναι μια θεμελιώδης αλλαγή παραδείγματος που απαιτεί προσεκτική διαχείριση. Προγνωστική αξιολόγηση πιστωτικού κινδύνου Τα αποτελέσματα αυτής της προληπτικής προσέγγισης έδειξαν σαφή αξία με την πάροδο του χρόνου. «Σε μια χρονική περίοδο, καταφέραμε να δείξουμε μείωση του κινδύνου κατά σχεδόν 5% ανά τρίμηνο κατά μέσο όρο ανά περιουσιακό στοιχείο, παρόλο που θα εμφανιστούν νέες ευπάθειες, αλλά εντοπίστηκαν εγκαίρως λόγω της προληπτικής λήψης αποφάσεων», σημειώνει η Gupta. την οικοδόμηση οργανωτικής ανθεκτικότητας και την εξασφάλιση ασφαλούς αγοράς για νέες, μελλοντικές διαδικασίες. Αλλαγή στρατηγικών διαχείρισης Σχεδιασμός για Enterprise Scale Η πραγματική δοκιμασία ενός πλαισίου κινδύνου είναι η ικανότητά του να επεκτείνεται σε έναν μεγάλο, πολύπλοκο οργανισμό. Ένα σύστημα που λειτουργεί για μία κατηγορία περιουσιακών στοιχείων πρέπει να είναι αρκετά προσαρμόσιμο ώστε να παρέχει μια ολιστική εικόνα του κινδύνου σε μια ολόκληρη επιχείρηση. «Κατά τη διάρκεια της θητείας μου στη Morgan Stanley, το αρχικό μου πεδίο εφαρμογής ήταν η εκτίμηση κινδύνου μόνο για τις εφαρμογές, αλλά μετά από δύο τέταρτα από την ολοκλήρωση της προληπτικής αξιολόγησης, υπήρξε σημαντική ευκαιρία να καλύψουμε και άλλα περιουσιακά στοιχεία», λέει. , ένα αρχιτεκτονικό σχέδιο που συγκεντρώνει δεδομένα από διαφορετικές πηγές σε ένα στρώμα υψηλής απόδοσης. Ψηφιακό Hub Το διευρυμένο πλαίσιο τελικά παρείχε μια ολοκληρωμένη επισκόπηση των κινδύνων. «Αυτή η προσπάθεια οδήγησε τελικά στην κάλυψη 3.000+ περιουσιακών στοιχείων σε διαφορετικές κατηγορίες περιουσιακών στοιχείων σε ολόκληρη τη Morgan Stanley», δηλώνει ο Gupta. , η οποία ενδυναμώνει την ηγεσία με μια ενοποιημένη άποψη του οργανωτικού κινδύνου. Ενιαία πλατφόρμα για ανάλυση σε πραγματικό χρόνο Ναυτιλία τεχνικών και οργανωτικών εμποδίων Για την Gupta, ένα από τα κύρια τεχνικά εμπόδια ήταν η δημιουργία μιας ευέλικτης λογικής βαθμολόγησης. «Ο στόχος ήταν να αναπτυχθεί ένα μοντέλο βαθμολόγησης που θα καλύπτει σχεδόν το 95% των περιουσιακών στοιχείων που εμπίπτουν στην ίδια κατηγορία περιουσιακών στοιχείων και να διασφαλιστεί ότι τα περιττά δεδομένα, ακόμη και αν τραβηχτούν, δεν επηρεάζουν την βαθμολογία», λέει. Αυτή η πολυπλοκότητα συχνά επιδεινώνεται από την ανάγκη ενσωμάτωσης με κληρονομικά συστήματα, μια κοινή πρόκληση σε μεγάλα χρηματοπιστωτικά ιδρύματα. Μπορεί να βοηθήσει στη διαχείριση αυτού του ζητήματος αντικαθιστώντας σταδιακά τις παλιές ενότητες με νέες μικρουπηρεσίες.Στην οργανωτική πλευρά, η ασυνεπής ταξινόμηση των δεδομένων αποτέλεσε άλλο εμπόδιο. «Το μοτίβο Strangler-Fig» «Η Morgan, ως μια τέτοια μεγάλη επιχείρηση, όλα τα περιουσιακά στοιχεία δεν είχαν επισημανθεί στις σωστές κατηγορίες, γεγονός που επηρέαζε τον αρχικό εγγενή κίνδυνο», εξηγεί ο Gupta. συχνά αποκαλύπτει τέτοιες ασυνέπειες δεδομένων, οι οποίες απαιτούν προσεκτικό σχεδιασμό για να διασφαλιστεί η ακεραιότητα του πλαισίου αξιολόγησης κινδύνου. Ενσωμάτωση σε συστήματα Legacy Σύνδεση της εμπειρίας με την καινοτομία του μέλλοντος Η εργασία της Gupta στον επιχειρηματικό κίνδυνο στη Morgan Stanley επηρέασε άμεσα την μετέπειτα ανάπτυξη των συστημάτων βαθμολόγησης συμπεριφοράς στην T-Mobile, ιδιαίτερα στην κατανόηση της ασφάλειας των δεδομένων και των πρώιμων δεικτών κινδύνου. «Η εμπειρία μου στη Morgan Stanley ήταν μια εμπειρία από πρώτο χέρι για το τι κίνδυνο πραγματικά σήμαινε και ποιες θα μπορούσαν να είναι οι πιθανές συνέπειες για τις εταιρείες που έχουν πολλά PII των πελατών τους και την εξασφάλιση του συστήματος από απειλές», αντανακλά. στη συμπεριφορά των πελατών, όπως τα πρότυπα πληρωμών ή η χρήση των υπηρεσιών. Προβλέψτε την εγκληματικότητα αναλύοντας τις αλλαγές Αυτή η κατανόηση της επέτρεψε να σκεφτεί προορατικά για τον μετριασμό δυνητικών προβλημάτων. «Όχι μόνο ήμουν διαφωτισμένος σχετικά με την ασφάλεια των δεδομένων, αλλά και ποια θα πρέπει να είναι τα πιθανά χαρακτηριστικά που μπορούν να οδηγήσουν σε κίνδυνο, το οποίο μπορεί να μετριαστεί σε πρώιμο στάδιο», προσθέτει η Gupta. -όπως το ιστορικό συναλλαγών και η χρήση συσκευών-για τη βελτίωση των αποφάσεων πιστωτικού κινδύνου για τους αιτούντες που ενδέχεται να έχουν περιορισμένα πιστωτικά αρχεία. Χρησιμοποιήστε δεδομένα συμπεριφοράς Προληπτική αναγνώριση των πελατών σε κίνδυνο. Η προγνωστική μοντελοποίηση επιτρέπει στις εταιρείες να εντοπίζουν πελάτες υψηλού κινδύνου πριν γίνουν εγκληματίες.Το πλαίσιο που βοήθησε η Gupta να αναπτύξει στην T-Mobile συνθέτει πολυάριθμα σημεία δεδομένων για να δημιουργήσει ένα ολοκληρωμένο προφίλ κινδύνου σε πραγματικό χρόνο για κάθε πελάτη, είτε νέο είτε υπάρχον. Για έναν νέο πελάτη, το σύστημα αξιοποιεί εκτενώς εξωτερικές πηγές δεδομένων. «Είμαστε επί του παρόντος συνδεδεμένοι με 19 γραφεία για να πάρουμε [το] προηγούμενο πιστωτικό ιστορικό, το ιστορικό εγκληματικότητας και άλλους παράγοντες που αποδίδουν [το] όριο γραμμής και το όριο επιλεξιμότητας», εξηγεί ο Gupta. Έχει αποδειχθεί ότι αυξάνει σημαντικά τις εγκρίσεις δανείων, μειώνοντας ταυτόχρονα τον κίνδυνο. Εναλλακτικά πιστωτικά δεδομένα Για τους υπάρχοντες πελάτες, τα εσωτερικά δεδομένα παρέχουν ένα ισχυρό εργαλείο πρόβλεψης. «Εάν υπάρχει ένας υπάρχων πελάτης του οποίου η προηγούμενη βαθμολογία συμπεριφοράς δεν ήταν καλή, το όριο δανείου / μίσθωσης, μαζί με τη γραμμή πίστωσης, θα επηρεαστεί σημαντικά.» Ακριβότητα σε σύγκριση με τα παραδοσιακά μοντέλα. Βελτίωση κατά 31,7% στην προεπιλεγμένη πρόβλεψη Προσαρμογή των μοντέλων σε δυναμικές συνθήκες Ένα προγνωστικό μοντέλο είναι μόνο τόσο αποτελεσματικό όσο η ικανότητά του να προσαρμόζεται σε ένα συνεχώς μεταβαλλόμενο περιβάλλον.Η συμπεριφορά των πελατών, οι συνθήκες της αγοράς, οι νέες κυκλοφορίες προϊόντων και οι εξελισσόμενοι κανονισμοί απαιτούν συνεχείς ενημερώσεις στα μοντέλα βαθμολόγησης για να εξασφαλιστεί η συνάφεια και η ακρίβειά τους. «Αυτά τα προγνωστικά μοντέλα ενημερώνονται τακτικά και βελτιώνονται για να καλύπτουν πολλούς παράγοντες, συμπεριλαμβανομένων των νέων εκδόσεων προϊόντων, της εμπλοκής της Deepfraud με την τεχνητή νοημοσύνη και των πελατών που υιοθετούν περισσότερες υπηρεσίες», δηλώνει. Βελτιστοποίηση της λήψης αποφάσεων σε πραγματικό χρόνο. Αξιολόγηση πιστωτικού κινδύνου Τα κριτήρια για την προσαρμογή αυτών των μοντέλων είναι εκτεταμένα και ανταποκρίνονται σε πραγματικά γεγονότα. «Τα κριτήρια αποκλεισμού που αλλάζουν παραπάνω είναι μερικά από τα πολλά αναφερόμενα κριτήρια που είναι υπεύθυνα για τις συχνές αλλαγές στο μοντέλο Στρατηγικών Σκορ», προσθέτει. αναφέρουν σημαντική μείωση των πιστωτικών αθέτησης σε σύγκριση με εκείνες που βασίζονται σε παραδοσιακές, στατικές εκτιμήσεις. Σύστημα συνεχούς πιστωτικής παρακολούθησης Το αποτέλεσμα μιας προγνωστικής πειθαρχίας Η μετάβαση από μια αντιδραστική σε μια προγνωστική πειθαρχία παράγει απτά οφέλη που εκτείνονται πέρα από τον απλό προσδιορισμό του κινδύνου. ενισχύει τη στάση ασφαλείας ενός οργανισμού, προστατεύει τα δεδομένα των πελατών και επηρεάζει άμεσα την κατώτατη γραμμή αποτρέποντας την απώλεια εσόδων. «Με την προληπτική διαχείριση κινδύνου, οι πιθανότητες πιθανών κινδύνων μειώνονται», δηλώνει ο Gupta απλά. Αυτή η μείωση της ευπάθειας είναι ένα κρίσιμο αποτέλεσμα. , σε σύγκριση με το 0,65-0,75 τυπικό για τις παραδοσιακές βαθμολογίες των πιστωτικών γραφείων. Στοιχεία AUC ROC 0,80-0,90 Όπως σημειώνει ο Gupta, «το σύστημα είναι λιγότερο ευάλωτο σε επιθέσεις, τα δεδομένα των πελατών είναι ασφαλέστερα και βοηθά επίσης στην εξοικονόμηση εσόδων μειώνοντας το κακό χρέος από την αγορά». , αποδεικνύοντας μια σαφή οικονομική περίπτωση για την έγκαιρη παρέμβαση. Κόστος ανά δάνειο Το μέλλον της διαχείρισης πιστωτικού κινδύνου Η ταχεία εξέλιξη της τεχνητής νοημοσύνης παρουσιάζει τόσο τεράστιες ευκαιρίες όσο και νέες προκλήσεις για το μέλλον της διαχείρισης πιστωτικού κινδύνου. για την κατασκευή εξελιγμένων προγνωστικών μοντέλων, αλλά δημιουργεί επίσης νέες οδούς για εξελιγμένες απάτες. Προσφέρει ισχυρά εργαλεία «Με την ταχεία υιοθέτηση της τεχνητής νοημοσύνης, η διαχείριση του πιστωτικού κινδύνου κάθεται πάνω σε ένα δίκοπο σπαθί. η τεχνητή νοημοσύνη αποδεικνύεται ότι είναι μια μεγάλη βοήθεια στη δημιουργία φουτουριστικών μοντέλων που βασίζονται στην ανάλυση δεδομένων και την αυτοματοποιημένη ανίχνευση ανωμαλιών», λέει ο Gupta. Ο τραπεζικός τομέας επιβεβαιώνει τον σημαντικό του ρόλο στην ενίσχυση της αξιολόγησης του πιστωτικού κινδύνου. Η υιοθέτηση της τεχνητής νοημοσύνης Ωστόσο, η ίδια τεχνολογία μπορεί να εκμεταλλευτεί. «Αλλά την ίδια στιγμή, περισσότερες βαθιές απάτες συμβαίνουν καθώς η κλοπή ταυτότητας αυξάνεται και η ταυτότητα μπορεί εύκολα να μιμηθεί χρησιμοποιώντας εργαλεία AI, τα οποία μπορούν να οδηγήσουν σε κακές πρακτικές», προειδοποιεί. δημιουργία ασφαλέστερων και διαφανέστερων συστημάτων ανίχνευσης απάτης. Ενσωματώστε το AI με το blockchain Η στροφή προς την προληπτική, προβλέψιμη διαχείριση κινδύνου αντιπροσωπεύει μια κρίσιμη εξέλιξη για κάθε οργανισμό που χειρίζεται πιστωτικά και δεδομένα πελατών.Αυτή η στροφή, που οδηγείται από την προηγμένη ανάλυση και την τεχνητή νοημοσύνη, επιτρέπει στις επιχειρήσεις όχι μόνο να προστατεύουν τα περιουσιακά τους στοιχεία, αλλά και να δημιουργούν πιο ανθεκτικά και ασφαλή επιχειρησιακά πλαίσια. Καθώς αυτή η τάση συνεχίζεται, η εμπειρία εκείνων που έχουν αρχιτεκτονίσει αυτά τα πολύπλοκα συστήματα θα είναι ανεκτίμητη στην πλοήγηση στις προκλήσεις και τις ευκαιρίες που βρίσκονται μπροστά.

This story contains new, firsthand information uncovered by the writer.

The is an opinion piece based on the author’s POV and does not necessarily reflect the views of HackerNoon.

Αυτός ο ήχος παράγεται στην αρχική γλώσσα της ιστορίας!

Προβλέποντας τον κίνδυνο πριν χτυπήσει: Surbhi Gupta για το μέλλον της προγνωστικής ανάλυσης

About Author

ΣΧΟΛΙΑ

ΚΡΕΜΑΣΤΕ ΕΤΙΚΕΤΕΣ

ΑΥΤΟ ΤΟ ΑΡΘΡΟ ΠΑΡΟΥΣΙΑΣΤΗΚΕ ΣΤΟ

Related Stories

ELFi Protocol, a DEX Derivatives Platform, Officially Launched With a $100,000 Airdrop Event

Elon Musk to ChatGPT: Please Stop

The Pros and Cons of Electric Cars

Someone Give Musk The Spotlight

ELFi Protocol, a DEX Derivatives Platform, Officially Launched With a $100,000 Airdrop Event

Elon Musk to ChatGPT: Please Stop

The Pros and Cons of Electric Cars

Someone Give Musk The Spotlight

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps