Apabila industri kewangan dan telekomunikasi berpindah daripada model risiko reaktif kepada prediktif, wawasan daripada arsitek sistem ini menjadi penting untuk menavigasi transisi. Industri kewangan dan telekomunikasi sedang mengalami perubahan mendasar dalam cara mereka menguruskan risiko.Pengurusan risiko kredit, yang secara tradisional merupakan disiplin reaktiv, semakin bergerak ke arah model proaktif yang didorong oleh analisis prediktif dan kecerdasan buatan. Evolusi ini membolehkan organisasi untuk meramalkan dan mengurangkan kerugian potensial sebelum mereka berlaku, melampaui data bersejarah untuk meramalkan tingkah laku pelanggan masa depan.Dengan lebih daripada 19 tahun pengalaman dalam teknologi maklumat dan risiko, Surbhi Gupta telah berada di hadapan reka bentuk rangka kerja canggih ini. Kerja beliau di syarikat-syarikat besar seperti Morgan Stanley dan T-Mobile menunjukkan kepakaran yang mendalam dalam membina penyelesaian yang boleh diperluas dan berkualiti perniagaan yang mengenal pasti dan menangani risiko pada peringkat awal. Dari Resistensi kepada Hasil Implementasi rangka kerja pengurusan risiko proaktif sering menghadapi rintangan dalaman yang ketara. pembuat keputusan mungkin ragu-ragu untuk mengamalkan protokol penilaian baru, takut proses ini akan memakan masa atau mendedahkan kelemahan yang terdahulu tersembunyi. “Pada mulanya, ia adalah sangat sukar untuk mendapatkan penilaian risiko dilakukan kerana pemilik tidak bersedia untuk mengambil penilaian kerana ia mengambil masa dan takut ia boleh membuka botol cacing di hadapan pengurusan senior mereka,” katanya. Untuk menavigasi ini, pasukan beliau membangunkan kerangka kerja automatik yang diintegrasikan secara langsung dengan alat pengurusan aset. pendekatan ini selaras dengan pemahaman bahawa peralihan dari tradisional kepada merupakan perubahan paradigma yang mendasar yang memerlukan pengurusan yang berhati-hati. Penilaian Risiko Kredit Prediktif Hasil pendekatan proaktif ini menunjukkan nilai yang jelas dari masa ke masa. ”Selama tempoh masa, kami telah dapat menunjukkan pengurangan risiko hampir 5% setiap kuartal pada purata per aset, walaupun kerentanan baru akan muncul, tetapi mereka dikesan pada masanya kerana pengambilan keputusan proaktif,” kata Gupta. untuk membina ketahanan organisasi dan mengamankan pembelian untuk proses baru yang berwawasan ke hadapan. Strategi Pengurusan Perubahan Reka bentuk untuk skala Enterprise Ujian sebenar rangka kerja risiko ialah keupayaan untuk meluas di seluruh organisasi yang besar dan kompleks.Sistem yang berfungsi untuk satu kelas aset mesti cukup boleh disesuaikan untuk menyediakan pandangan holistik risiko di seluruh syarikat.Pekerjaan Gupta di Morgan Stanley bermula dengan skop yang ditargetkan tetapi berkembang dengan cepat. “Selama saya di Morgan Stanley, skop awal saya adalah penilaian risiko hanya untuk aplikasi, tetapi selepas dua perempat penilaian Proactive selesai, terdapat peluang yang signifikan untuk meliputi aset lain juga,” katanya. , corak seni bina yang memusatkan data daripada sumber yang berbeza ke dalam lapisan prestasi tinggi. Hub Integrasi Digital Kerangka kerja yang diperluaskan pada akhirnya menyediakan gambaran risiko yang komprehensif. ”Kesejahteraan ini akhirnya membawa kepada 3000+ aset di seluruh kelas aset yang berbeza di Morgan Stanley,” kata Gupta. , yang membolehkan kepimpinan dengan pandangan yang bersatu terhadap risiko organisasi. Platform tunggal untuk analisis masa nyata Menyelamatkan halangan teknikal dan organisasi Membina model risiko yang komprehensif di peringkat syarikat membawa cabaran yang signifikan, kedua-dua dalam seni bina teknikal dan struktur data organisasi. Bagi Gupta, salah satu halangan teknikal utama ialah mewujudkan logik penilaian yang serbaguna. "Tujuan adalah untuk membangunkan model penilaian yang akan menangani hampir 95% aset yang termasuk dalam kelas aset yang sama, dan memastikan bahawa data berlebihan, walaupun ditarik, tidak menjejaskan skor," katanya. Kerumitan ini sering diperburuk oleh keperluan untuk mengintegrasikan dengan sistem warisan, satu cabaran biasa dalam institusi kewangan yang besar. boleh membantu menguruskan ini dengan secara beransur-ansur menggantikan modul lama dengan microservices baru.Dari sisi organisasi, klasifikasi data yang tidak konsisten merupakan halangan lain. “Strangler-Fig pattern” ialah “Morgan, sebagai sebuah syarikat skala besar, semua aset tidak ditandai dalam kelas yang betul, yang memberi kesan kepada risiko asli awal,” jelas Gupta. sering mendedahkan ketidaksesuaian data tersebut, yang memerlukan perancangan yang teliti untuk memastikan integriti rangka kerja penilaian risiko. Integrasi dengan sistem legacy Menghubungkan pengalaman kepada inovasi masa depan Pengalaman asas dalam satu domain sering memberikan wawasan penting yang diperlukan untuk berinovasi dalam domain lain.Pekerjaan Gupta dalam risiko korporat di Morgan Stanley secara langsung memberi kesan kepada pembangunan sistem penilaian tingkah laku di T-Mobile, terutamanya dalam memahami keselamatan data dan indikator awal risiko. “Pengalaman saya di Morgan Stanley merupakan pengalaman tangan pertama apa risiko sebenarnya bermakna dan apa yang boleh menjadi akibat yang berpotensi bagi syarikat-syarikat yang mempunyai banyak PII pelanggan mereka, dan melindungi sistem daripada ancaman,” katanya. dalam tingkah laku pelanggan, seperti corak pembayaran atau penggunaan perkhidmatan. Memprediksi kejahatan dengan menganalisis perubahan Pemahaman ini membolehkan beliau berfikir secara proaktif mengenai mengurangkan isu-isu yang berpotensi. "Bukan sahaja saya telah dibangkitkan ke arah keselamatan data, tetapi juga apa yang boleh menjadi atribut berpotensi yang boleh membawa kepada risiko, yang boleh dikurangkan pada peringkat awal," tambah Gupta. – seperti sejarah transaksi dan penggunaan peranti – untuk meningkatkan keputusan risiko kredit bagi pemohon yang mungkin mempunyai rekod kredit yang terhad. Menggunakan data tingkah laku Identifikasi pelanggan at-risk secara proaktif. Pemodelan prediktif membolehkan syarikat-syarikat mengenal pasti pelanggan berisiko tinggi sebelum mereka menjadi penjenayah. kerangka kerja Gupta membantu membangunkan di T-Mobile menyatukan banyak titik data untuk mewujudkan profil risiko yang komprehensif dalam masa nyata untuk setiap pelanggan, sama ada baru atau sedia ada. Bagi pelanggan baru, sistem ini memanfaatkan sumber data luaran secara meluas. "Kami kini dikaitkan dengan 19 agensi untuk mendapatkan sejarah kredit terdahulu mereka, sejarah pelanggaran, dan faktor-faktor lain yang dikaitkan dengan had garis dan had kelayakan mereka," jelas Gupta. telah terbukti secara signifikan meningkatkan kelulusan pinjaman sambil mengurangkan risiko. Data Kredit Alternatif Bagi pelanggan sedia ada, data dalaman menyediakan alat prediktif yang kuat.Gupta mencatat, "Jika terdapat pelanggan sedia ada yang skor tingkah laku terdahulu tidak baik, had pinjaman / sewa, bersama-sama dengan garis kredit, akan dipengaruhi secara ketara." ketepatan berbanding dengan model tradisional. peningkatan 31.7% dalam ramalan lalai Penyesuaian kepada keadaan dinamik Model prediktif hanya berkesan seperti keupayaan untuk menyesuaikan diri dengan persekitaran yang sentiasa berubah. tingkah laku pelanggan, keadaan pasaran, pelancaran produk baru, dan peraturan yang berkembang semua memerlukan kemas kini berterusan untuk model penilaian untuk memastikan relevansi dan ketepatan mereka. Gupta menekankan bahawa model-model ini jauh daripada statik. ”Model prediktif ini sentiasa dikemas kini dan ditingkatkan untuk meliputi banyak faktor, termasuk pelancaran produk baru, keterlibatan Deepfraud dengan AI, dan pelanggan yang mengadopsi lebih banyak perkhidmatan,” katanya. penyelesaian untuk mengoptimumkan pengambilan keputusan masa nyata. Penilaian Risiko Kredit Bertenaga AI Kriteria untuk menyesuaikan model ini meluas dan bertindak balas kepada peristiwa dunia sebenar. ”Kriteria pengecualian yang berubah di atas adalah beberapa daripada banyak kriteria yang disenaraikan yang bertanggungjawab untuk perubahan kerap dalam model Strategi untuk Skor,” katanya. melaporkan pengurangan yang signifikan dalam insolvensi pinjaman berbanding dengan yang bergantung kepada penilaian tradisional, statis. Sistem pemantauan kredit yang berterusan Hasil daripada disiplin prediktif Beralih daripada disiplin reaksi kepada disiplin prediktif menghasilkan faedah nyata yang melampaui sekadar mengenal pasti risiko.Ia mengukuhkan sikap keselamatan organisasi, melindungi data pelanggan, dan secara langsung memberi kesan kepada garis bawah dengan mengelakkan kerugian pendapatan. "Dengan pengurusan risiko proaktif, peluang risiko yang mungkin dikurangkan," kata Gupta dengan mudah. pengurangan kerentanan ini merupakan hasil kritikal. penyelidikan menunjukkan bahawa model pembelajaran mesin boleh mencapai ketepatan yang lebih tinggi dalam ramalan lalai, dengan , berbanding dengan 0.65-0.75 khas untuk skor agensi kredit tradisional. Skor AUC ROC ialah 0.80-0.90 Seperti yang dicatat oleh Gupta, "Sistem ini kurang rentan terhadap serangan, data pelanggan lebih selamat, dan ia juga membantu dalam menjimatkan pendapatan dengan mengurangkan hutang buruk dari pasaran." , menunjukkan kes kewangan yang jelas untuk campur tangan awal. Biaya per pinjaman Masa depan pengurusan risiko kredit Perkembangan pesat kecerdasan buatan membawa peluang yang besar dan cabaran baru untuk masa depan pengurusan risiko kredit. untuk membina model prediktif yang canggih, tetapi ia juga mewujudkan jalan-jalan baru untuk penipuan canggih. AI menawarkan alat yang berkuasa “Dengan penerimaan AI yang pesat, pengurusan risiko kredit duduk pada pedang dua ekor. AI membuktikan menjadi bantuan yang besar dalam menghasilkan model futuristik berdasarkan analisis data dan pengesanan anomali automatik,” kata Gupta. dalam perbankan mengesahkan peranan pentingnya dalam meningkatkan penilaian risiko kredit. Mengamalkan kecerdasan buatan Walau bagaimanapun, teknologi yang sama boleh digunakan. "Tetapi pada masa yang sama, lebih banyak penipuan mendalam berlaku kerana pencurian identiti meningkat, dan identiti boleh dengan mudah digambarkan menggunakan alat AI, yang boleh membawa kepada amalan buruk," katanya. untuk mewujudkan sistem yang lebih selamat dan transparan untuk pengesanan penipuan. Mengintegrasikan AI dengan blockchain Pergerakan ke arah proaktif, pengurusan risiko prediktif mewakili evolusi kritikal bagi mana-mana organisasi yang menangani data kredit dan pelanggan. pergerakan ini, didorong oleh analisis canggih dan AI, membolehkan syarikat-syarikat bukan sahaja melindungi aset mereka tetapi juga membina kerangka kerja operasi yang lebih tahan lama dan selamat. Apabila trend ini berterusan, pengalaman mereka yang telah membina sistem kompleks ini akan menjadi tidak ternilai dalam menavigasi cabaran dan peluang yang ada di hadapan.

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.

Audio ini dihasilkan dalam bahasa asal cerita!

Mengantisipasi risiko sebelum ia menjejaskan: Surbhi Gupta pada masa depan analisis prediktif

About Author

KOMEN

GANTUNG TANDA

ARTIKEL INI DIBENTANGKAN DALAM

Related Stories

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps