Ahogy a pénzügyi és távközlési iparágak a reaktív kockázati modellekről a prediktív kockázati modellekre lépnek át, e rendszerek építészének betekintése kritikus fontosságúvá válik az átmenet navigálásához. A pénzügyi és távközlési iparágak alapvető átalakuláson mennek keresztül abban, hogyan kezelik a kockázatokat.Hagyományosan reaktív fegyelem, a hitelkockázat-kezelés egyre inkább egy proaktív modell felé halad előrejelző elemzéssel és mesterséges intelligenciával. Ez az evolúció lehetővé teszi a szervezetek számára a potenciális veszteségek előrejelzését és mérséklését, mielőtt azok megvalósulnának, túlmutatva a történelmi adatokon, hogy megjósolják a jövőbeli ügyfél viselkedését. Az olyan nagyvállalatoknál végzett munkája, mint a Morgan Stanley és a T-Mobile, mélyreható szakértelmet mutat a méretezhető, vállalati szintű megoldások kifejlesztésében, amelyek korai szakaszában azonosítják és kezelik a kockázatokat. Az ellenállástól az eredményekig A proaktív kockázatkezelési keretrendszerek végrehajtása gyakran jelentős belső ellenállással szembesül.A döntéshozók habozhatnak új értékelési protokollok elfogadásában, attól tartva, hogy a folyamat időigényes lesz, vagy korábban rejtett sebezhetőségeket tár fel. "Kezdetben nagyon nehéz volt elvégezni a kockázatértékelést, mivel a tulajdonosok nem voltak készen arra, hogy elvégezzék az értékelést, mert időbe telt, és attól tartottak, hogy a felső vezetés előtt férgeket nyithat ki" - magyarázza. Ennek érdekében a csapat egy automatizált keretet fejlesztett ki, amely közvetlenül integrálódott az eszközkezelési eszközökhöz. Ez egy alapvető paradigmaváltás, amely gondos irányítást igényel. Előrejelző hitelkockázat-értékelés A proaktív megközelítés eredményei egyértelmű értéket mutattak az idő múlásával. „Egy bizonyos időszak alatt negyedévente átlagosan csaknem 5%-kal tudtuk csökkenteni a kockázatot eszközenként, még akkor is, ha új biztonsági rések jelennek meg, de azokat a proaktív döntéshozatalnak köszönhetően időben észlelték” – jegyzi meg Gupta. a szervezeti ellenálló képesség megteremtése és az új, előretekintő folyamatok biztonságos beszerzése. Változó menedzsment stratégiák Enterprise Scale tervezés A kockázati keretrendszer valódi tesztje a nagyméretű, összetett szervezetre kiterjedő skálázhatóság. Az egyetlen eszközosztálynál működő rendszernek kellően alkalmazkodóképesnek kell lennie ahhoz, hogy az egész vállalkozásban holisztikus képet nyújtson a kockázatokról. „A Morgan Stanley-nél töltött időm során a kezdeti hatóköröm csak az alkalmazások kockázatértékelése volt, de a proaktív értékelés két negyedéves befejezése után jelentős lehetőség volt más eszközökre is kiterjedni” – mondja. , egy építészeti minta, amely a különböző forrásokból származó adatokat egy nagy teljesítményű rétegbe központosítja. Digitális integrációs hub A kiterjesztett keret végül átfogó kockázati áttekintést nyújtott. „Ez az erőfeszítés végül a Morgan Stanley különböző eszközosztályain belül több mint 3000 eszköz fedezéséhez vezetett” – mondja Gupta. , amely felhatalmazza a vezetőket a szervezeti kockázatok egységes szemléletére. Egységes platform valós idejű elemzéshez Műszaki és szervezeti akadályok elhárítása Az átfogó kockázati modell kialakítása vállalati szinten jelentős kihívásokat jelent mind a technikai architektúrában, mind a szervezeti adatstruktúrában.A Gupta számára az egyik fő technikai akadály az volt, hogy sokoldalú pontszámlálási logikát hozzon létre. „A cél az volt, hogy olyan pontszámlálási modellt dolgozzon ki, amely az azonos eszközosztályba tartozó eszközök közel 95%-át érinti, és biztosítja, hogy a felesleges adatok, még ha húzzák is, nem befolyásolják a pontszámot” – mondja. Ezt a bonyolultságot gyakran súlyosbítja a hagyományos rendszerekkel való integráció szükségessége, amely a nagy pénzügyi intézményekben gyakori kihívás. A régi modulok új mikroszolgáltatásokkal történő fokozatos felváltásával segíthet a probléma megoldásában. „Strangler-Fig minták” „Morgan, mint egy ilyen nagyméretű vállalat, nem minden eszközt jelöltek meg a megfelelő osztályokban, ami befolyásolta a kezdeti benne rejlő kockázatot” – magyarázza Gupta. gyakran feltárja az ilyen adatok következetlenségeit, amelyek gondos tervezést igényelnek a kockázatértékelési keret integritásának biztosítása érdekében. Legacy rendszerekkel való integráció A tapasztalatok összekapcsolása a jövő innovációjával Gupta munkája a Morgan Stanley vállalati kockázatokkal kapcsolatban közvetlenül befolyásolta a T-Mobile viselkedési pontszámolási rendszereinek későbbi fejlesztését, különösen az adatbiztonság és a korai kockázati mutatók megértésében. „A Morgan Stanley-nél szerzett tapasztalatom első kézből megmutatta, hogy mi a kockázat, és mi lehet a lehetséges következménye azoknak a vállalatoknak, amelyek sok PII-vel rendelkeznek ügyfeleikről, és megvédik a rendszert a veszélyektől” – tükrözi. az ügyfelek viselkedésében, például a fizetési mintákban vagy a szolgáltatások használatában. A bűnözés előrejelzése a változások elemzésével Ez a megértés lehetővé tette számukra, hogy proaktívan gondolkodjanak a potenciális problémák mérsékléséről. „Nemcsak megvilágosodtam az adatbiztonsággal kapcsolatban, hanem azt is, hogy milyen lehetséges tulajdonságok vezethetnek a kockázatokhoz, amelyeket korai szakaszban lehet enyhíteni” – hozzáteszi Gupta. – például a tranzakciós előzmények és az eszközhasználat – a hitelkockázati döntések javítása azon kérelmezők számára, akik korlátozott hitelfájlokkal rendelkezhetnek. Viselkedési adatok felhasználása A kockázati ügyfelek proaktív azonosítása. A prediktív modellezés lehetővé teszi a vállalatok számára a magas kockázatú ügyfelek azonosítását, mielőtt bűnözőkké válnának.A Gupta által a T-Mobile-nál kifejlesztett keret számos adatpontot szintetizál, hogy átfogó, valós idejű kockázati profilt hozzon létre minden ügyfél számára, legyen az új vagy meglévő. Egy új ügyfél esetében a rendszer kiterjedt külső adatforrásokat használ. „Jelenleg 19 ügynökséggel vagyunk összekapcsolva, hogy megkapjuk [a] korábbi hitel-történetüket, a bűncselekmények történetét és más tényezőket, amelyek [a] vonalhatárhoz és jogosultsági határhoz kapcsolódnak” – magyarázza Gupta. kimutatták, hogy jelentősen növelik a kölcsönök jóváhagyását, miközben csökkentik a kockázatot. Alternatív hiteladatok A meglévő ügyfelek számára a belső adatok hatékony előrejelző eszközt nyújtanak. „Ha van egy meglévő ügyfél, akinek korábbi viselkedési pontszáma nem volt jó, a hitel/bérleti limit, valamint a hitelvonal jelentős hatással lesz.” Pontosság a hagyományos modellekhez képest. 31,7%-os javulás az alapértelmezett előrejelzésben Modellek alkalmazkodása a dinamikus körülményekhez Az előrejelző modell csak annyira hatékony, mint a folyamatosan változó környezethez való alkalmazkodás képessége.Az ügyfelek viselkedése, a piaci feltételek, az új termékek bevezetése és a változó szabályozások mindegyike folyamatos frissítéseket igényel a minősítési modellek számára annak érdekében, hogy azok relevánsak és pontosak legyenek. Gupta hangsúlyozza, hogy ezek a modellek messze nem statikusak. „Ezeket a prediktív modelleket rendszeresen frissítik és javítják, hogy számos tényezőt fedjenek fel, beleértve az új termékek bevezetését, a Deepfraud részvételét az AI-val, és az ügyfelek több szolgáltatást fogadnak el” – mondja. Valós idejű döntéshozatal optimalizálása. A hitelkockázatok felmérése Ezeknek a modelleknek a kiigazítására vonatkozó kritériumok kiterjedtek és reagálnak a valós eseményekre. „A fenti kizárási kritériumok változása néhány a számos felsorolt kritérium közül, amelyek felelősek a Scoring Strategy modell gyakori változásáért” – tette hozzá. Jelentős csökkenést jelent a hagyományos, statikus értékelésekre támaszkodó hitelmegállapításokhoz képest. Folyamatos hitelfelügyeleti rendszerek A prediktív fegyelem következményei A reaktív fegyelemről a prediktív fegyelemre való áttérés kézzelfogható előnyöket eredményez, amelyek túlmutatnak a kockázat egyszerű azonosításán, erősítik a szervezet biztonsági hozzáállását, védik az ügyfelek adatait, és közvetlenül befolyásolják a bevételek elvesztésének megelőzésével. "A proaktív kockázatkezeléssel a lehetséges kockázatok esélyei csökkennek" - mondja Gupta egyszerűen.A sebezhetőség csökkentése kritikus eredmény.A kutatások azt mutatják, hogy a gépi tanulási modellek jelentősen nagyobb pontosságot érhetnek el az alapértelmezett előrejelzésben, , szemben a 0,65-0,75 jellemző a hagyományos hitelügynökség pontszámok. ROC AUC pontszám 0,80-0,90 Amint Gupta megjegyzi, „a rendszer kevésbé sebezhető a támadásokkal szemben, az ügyféladatok biztonságosabbak, és a piacról származó rossz adósság csökkentésével is segít megtakarítani a bevételeket.” Egyértelmű pénzügyi helyzetet mutat a korai beavatkozáshoz. Költség kölcsön A hitelkockázat-kezelés jövője A mesterséges intelligencia gyors fejlődése óriási lehetőségeket és új kihívásokat jelent a hitelkockázat-kezelés jövője szempontjából. kifinomult prediktív modellek létrehozására, de új utakat is teremt a kifinomult csalások számára. Erős eszközöket kínál "Az AI gyors elfogadásával a hitelkockázat-kezelés kétélű kardon ül.Az AI nagyszerű segítséget nyújt az adatelemzésen és az automatizált anomália-felismerésen alapuló futurisztikus modellek létrehozásában" - mondja Gupta. a banki ágazatban megerősíti jelentős szerepét a hitelkockázat-értékelés javításában. A mesterséges intelligencia elfogadása Ugyanakkor ugyanez a technológia kihasználható. „De ugyanakkor egyre több mélyreható csalás történik, mivel az identitáslopás növekszik, és az identitás könnyen utánozható az AI-eszközökkel, ami rossz gyakorlatokhoz vezethet” – figyelmeztet. Biztonságosabb és átláthatóbb rendszerek létrehozása a csalás felderítésére. Integráljuk a Blockchain-t A proaktív, előrejelző kockázatkezelés felé való elmozdulás kritikus fejlődést jelent bármely szervezet számára, amely hitel- és ügyféladatokkal foglalkozik.A fejlett analitika és a mesterséges intelligencia által vezérelt változás lehetővé teszi a vállalkozások számára, hogy ne csak megvédjék eszközeiket, hanem ellenállóbb és biztonságosabb működési keretrendszereket is hozzanak létre. Mivel ez a tendencia folytatódik, azoknak a tapasztalata, akik építették ezeket a komplex rendszereket, felbecsülhetetlen lesz az előttünk álló kihívások és lehetőségek navigálásában.

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.

Ez a hanganyag a történet eredeti nyelvén készült!

A kockázat előrejelzése, mielőtt megérkezne: Surbhi Gupta a prediktív elemzés jövőjéről

About Author

HOZZÁSZÓLÁSOK

HANG TAGOK

EZT A CIKKET BEMUTATTA

Related Stories

Of The First and Last Things: Part 1

THE HABITS OF INSECTS IN RELATION TO THE FERTILISATION OF FLOWERS

Hubble Protocol, a DeFi project on Solana Raises $10 Million Led By Crypto.com Capital, DCG and CMS

HackerNoon Contributor Denisa Ganea on HackerNoon, Human Existence, and Everything in Between

Of The First and Last Things: Part 1

THE HABITS OF INSECTS IN RELATION TO THE FERTILISATION OF FLOWERS

Hubble Protocol, a DeFi project on Solana Raises $10 Million Led By Crypto.com Capital, DCG and CMS

HackerNoon Contributor Denisa Ganea on HackerNoon, Human Existence, and Everything in Between

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps