W miarę jak branże finansowe i telekomunikacyjne przechodzą od reaktywnych do przewidywalnych modeli ryzyka, wgląd architektów tych systemów staje się kluczowy dla nawigacji w procesie przejścia. Branże finansowe i telekomunikacyjne przechodzą fundamentalną transformację w sposobie zarządzania ryzykiem.Tradycyjnie reaktywna dyscyplina, zarządzanie ryzykiem kredytowym coraz częściej przechodzi w kierunku proaktywnego modelu napędzanego analityką predykcyjną i sztuczną inteligencją. Ta ewolucja pozwala organizacjom przewidywać i łagodzić potencjalne straty, zanim się urzeczywistnią, wykraczając poza dane historyczne, aby przewidywać przyszłe zachowania klientów. Jej praca w dużych korporacjach, takich jak Morgan Stanley i T-Mobile, demonstruje głębokie doświadczenie w tworzeniu skalowalnych rozwiązań klasy korporacyjnej, które identyfikują i rozwiązują ryzyko na jego najwcześniejszym etapie. Od oporu do wyników Wdrażanie proaktywnych ram zarządzania ryzykiem często stoi w obliczu znacznego oporu wewnętrznego. decydenci mogą wahać się przyjąć nowe protokoły oceny, obawiając się, że proces będzie czasochłonny lub ujawni uprzednio ukryte luki. "Na początku bardzo trudno było przeprowadzić ocenę ryzyka, ponieważ właściciele nie byli gotowi do podjęcia oceny ze względu na czas i obawy, że może to otworzyć puszkę robaków przed ich kierownictwem wyższego szczebla" - wyjaśnia. Aby poruszać się po tym, jej zespół opracował zautomatyzowane ramy, które zostały bezpośrednio zintegrowane z narzędziami do zarządzania aktywami. Jest to zasadnicza zmiana paradygmatu, która wymaga starannego zarządzania. Prognozowanie ryzyka kredytowego Wyniki tego proaktywnego podejścia wykazały wyraźną wartość z biegiem czasu. „Przez pewien okres czasu byliśmy w stanie wykazać zmniejszenie ryzyka o prawie 5% na kwartał średnio na aktyw, chociaż pojawią się nowe luki, ale zostały one wcześnie zauważone dzięki proaktywnemu podejmowaniu decyzji” – zauważa Gupta. budowanie odporności organizacyjnej i bezpieczne zakupy dla nowych, perspektywicznych procesów. Zmiana strategii zarządzania Projektowanie na skalę przedsiębiorstwa Prawdziwym testem ram ryzyka jest jego zdolność do skalowania w dużej, złożonej organizacji. System, który działa dla jednej klasy aktywów, musi być dostatecznie adaptacyjny, aby zapewnić całościowe spojrzenie na ryzyko w całym przedsiębiorstwie. „W czasie mojej kadencji w Morgan Stanley, moim początkowym zakresem była ocena ryzyka tylko dla aplikacji, ale po dwóch kwartałach zakończenia oceny proaktywnej, istniała znacząca okazja do pokrycia innych aktywów” – mówi. , wzorzec architektoniczny, który scentralizuje dane z różnych źródeł w warstwie o wysokiej wydajności. Integracja cyfrowa Hub Rozszerzone ramy ostatecznie dostarczyły kompleksowego przeglądu ryzyka. „Ten wysiłek doprowadził ostatecznie do pokrycia ponad 3000 aktywów w różnych klasach aktywów w Morgan Stanley” – stwierdza Gupta. , który umożliwia przywództwo z jednolitym spojrzeniem na ryzyko organizacyjne. Jedna platforma do analizy w czasie rzeczywistym Przeciwdziałanie barierom technicznym i organizacyjnym Budowanie kompleksowego modelu ryzyka na poziomie przedsiębiorstwa stwarza znaczne wyzwania, zarówno w architekturze technicznej, jak i w strukturze danych organizacyjnych. Dla Gupty jedną z głównych przeszkód technicznych było stworzenie wszechstronnej logiki oceniającej. „Celem było opracowanie modelu oceniającego, który obejmowałby prawie 95% aktywów należących do tej samej klasy aktywów i zapewniłby, że nadmiar danych, nawet jeśli został wyciągnięty, nie wpłynie na wynik” – mówi. Ta złożoność jest często pogarszana przez potrzebę integracji z tradycyjnymi systemami, powszechnym wyzwaniem w dużych instytucjach finansowych. Może to pomóc w zarządzaniu tym, stopniowo zastępując stare moduły nowymi microservices.Na stronie organizacyjnej niespójna klasyfikacja danych stanowiła kolejną przeszkodę. „Strangler-Fig Pattern” "Morgan, będąc tak dużym przedsiębiorstwem, wszystkie aktywa nie były oznaczone w odpowiednich klasach, co miało wpływ na początkowe ryzyko" - wyjaśnia Gupta. często ujawnia takie niezgodności danych, co wymaga starannego planowania w celu zapewnienia integralności ram oceny ryzyka. Integracja z systemami legacy Łączenie doświadczenia z innowacjami przyszłości Praca Gupty w dziedzinie ryzyka przedsiębiorstwa w Morgan Stanley bezpośrednio wpłynęła na jej późniejszy rozwój systemów oceny zachowania w T-Mobile, zwłaszcza w zrozumieniu bezpieczeństwa danych i wczesnych wskaźników ryzyka. "Moje doświadczenie w Morgan Stanley było doświadczeniem z pierwszej ręki, jakie ryzyko naprawdę oznaczało i jakie mogą być potencjalne konsekwencje dla firm, które mają dużo danych osobowych swoich klientów i zabezpieczają system przed zagrożeniami" - odzwierciedla. w zachowaniach klientów, takich jak wzorce płatności lub korzystanie z usług. przewidywanie przestępczości poprzez analizę zmian To zrozumienie pozwoliło jej myśleć proaktywnie o łagodzeniu potencjalnych problemów. „Nie tylko byłem oświecony w kierunku bezpieczeństwa danych, ale także jakie powinny być potencjalne atrybuty, które mogą prowadzić do ryzyka, które można złagodzić na wczesnym etapie” – dodaje Gupta. – takie jak historia transakcji i wykorzystanie urządzeń – w celu poprawy decyzji dotyczących ryzyka kredytowego dla wnioskodawców, którzy mogą mieć ograniczone pliki kredytowe. Wykorzystanie danych behawioralnych Proaktywna identyfikacja klientów ryzykownych. Modelowanie predykcyjne pozwala firmom identyfikować klientów wysokiego ryzyka, zanim staną się przestępcami.Ramy Gupta pomogły w opracowaniu w T-Mobile syntetyzują liczne punkty danych, aby stworzyć kompleksowy profil ryzyka w czasie rzeczywistym dla każdego klienta, zarówno nowego, jak i istniejącego. Dla nowego klienta system wykorzystuje zewnętrzne źródła danych. „Jesteśmy obecnie powiązani z 19 agencjami, aby uzyskać [ich] poprzednią historię kredytową, historię przestępczości i inne czynniki przypisujące się do [ich] limitu linii i limitu kwalifikowalności” – wyjaśnia Gupta. wykazano, że znacząco zwiększa zatwierdzenia kredytów przy jednoczesnym zmniejszeniu ryzyka. Alternatywne dane kredytowe Dla istniejących klientów dane wewnętrzne stanowią potężne narzędzie predykcyjne. „Jeśli istnieje istniejący klient, którego wcześniejsze wyniki zachowania nie były dobre, limit pożyczki / leasingu, wraz z linią kredytową, będzie miał znaczący wpływ.” Dokładność w porównaniu do tradycyjnych modeli. poprawa o 31,7% w prognozie domyślnej Adaptacja modeli do warunków dynamicznych Zachowanie klientów, warunki rynkowe, wprowadzanie nowych produktów i zmieniające się przepisy wymagają ciągłych aktualizacji modeli oceniających, aby zapewnić ich aktualność i dokładność. Gupta podkreśla, że te modele są dalekie od statycznych. „Te modele predykcyjne są regularnie aktualizowane i ulepszane, aby obejmować wiele czynników, w tym nowe wprowadzenia produktów, zaangażowanie Deepfraud w sztuczną inteligencję i klientów przyjmujących więcej usług” – stwierdza. Optymalizacja procesu podejmowania decyzji w czasie rzeczywistym. AI-powered ryzyko kredytowe Scoring Kryteria dostosowywania tych modeli są rozległe i reagują na wydarzenia w świecie rzeczywistym. „Zmiany kryteriów wykluczenia powyżej to tylko niektóre z wielu wymienionych kryteriów, które są odpowiedzialne za częste zmiany w modelu Strategie do oceny” – dodaje. Oznacza to znaczną redukcję niewypłacalności kredytów w porównaniu z tymi, które opierają się na tradycyjnych, statycznych oceniach. ciągłe systemy monitorowania kredytu Wynik przewidywalnej dyscypliny Przejście od dyscypliny reaktywnej do dyscypliny predykcyjnej przynosi namacalne korzyści, które wykraczają poza po prostu identyfikację ryzyka.Wzmacnia postawę bezpieczeństwa organizacji, chroni dane klientów i bezpośrednio wpływa na dno, zapobiegając utracie przychodów. „Przy proaktywnym zarządzaniu ryzykiem zmniejszają się szanse potencjalnych zagrożeń” – stwierdza Gupta po prostu.Ta redukcja zagrożeń jest krytycznym wynikiem.Badania pokazują, że modele uczenia maszynowego mogą osiągnąć znacznie większą dokładność w domyślnym przewidywaniu, , w porównaniu do 0,65-0,75 typowych dla tradycyjnych wyników biura kredytowego. Ocena ROC AUC wynosi 0,80-0,90 Jak zauważa Gupta, „system jest mniej podatny na ataki, dane klientów są bezpieczniejsze, a także pomaga oszczędzać przychody poprzez zmniejszenie złego zadłużenia z rynku”. wykazując jasną sytuację finansową w celu wczesnej interwencji. Koszty za pożyczkę Przyszłość zarządzania ryzykiem kredytowym Szybka ewolucja sztucznej inteligencji stwarza zarówno ogromne możliwości, jak i nowe wyzwania dla przyszłości zarządzania ryzykiem kredytowym. do budowania wyrafinowanych modeli predykcyjnych, ale także tworzy nowe drogi do wyrafinowanych oszustw. AI oferuje potężne narzędzia „Wraz z szybkim przyjęciem sztucznej inteligencji zarządzanie ryzykiem kredytowym siedzi na mieczu o dwóch krawędziach. sztuczna inteligencja okazuje się wielką pomocą w generowaniu futurystycznych modeli opartych na analizie danych i automatycznym wykrywaniu anomalii” – mówi Gupta. bankowość potwierdza swoją znaczącą rolę w poprawie oceny ryzyka kredytowego. Przyjęcie sztucznej inteligencji Jednak ta sama technologia może być wykorzystywana. „Ale jednocześnie dochodzi do większej liczby oszustw głębokich, ponieważ rośnie kradzież tożsamości, a tożsamość można łatwo naśladować za pomocą narzędzi AI, co może prowadzić do niewłaściwych praktyk” – ostrzega. stworzenie bardziej bezpiecznych i przejrzystych systemów wykrywania nadużyć finansowych. Integracja z blockchainem Przejście do proaktywnego, przewidywanego zarządzania ryzykiem stanowi kluczową ewolucję dla każdej organizacji zajmującej się danymi kredytowymi i klientami.Ta zmiana, napędzana zaawansowanymi technologiami analitycznymi i sztuczną inteligencją, pozwala firmom nie tylko chronić swoje aktywa, ale także budować bardziej odporne i bezpieczne ramy operacyjne. Wraz z kontynuacją tego trendu, doświadczenie tych, którzy zbudowali te złożone systemy, będzie nieocenione w poruszaniu się po wyzwaniach i możliwościach, które stoją przed nami.

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.

Ten dźwięk jest produkowany w oryginalnym języku historii!

Przewidywanie ryzyka przed uderzeniem: Surbhi Gupta o przyszłości analizy predykcyjnej

About Author

UWAGI

ZAWIEŚĆ TAGI

ARTYKUŁ TEN ZOSTAŁ PREZENTOWANY W

Related Stories

Verified Writers

From Desk to HackerNoon: Your Ultimate Guide on How to Publish a Story

The Noonies 2022 Award Goes to Madalin Muraretiu - Contributor of The Year - Cryptocurrency Edition

Pleasures of the telescope by Garrett Putman Serviss - Table of Links

Verified Writers

From Desk to HackerNoon: Your Ultimate Guide on How to Publish a Story

The Noonies 2022 Award Goes to Madalin Muraretiu - Contributor of The Year - Cryptocurrency Edition

Pleasures of the telescope by Garrett Putman Serviss - Table of Links

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps