Kapag ang mga industriya ng financial at telecom ay lumipat mula sa reactive sa predictive risk models, ang mga pananaliksik mula sa mga architects ng mga sistema na ito ay naging kritikal para sa pag-navigate sa transition. Ang mga industriya ng pinansiyal at telecommunications ay subukan ng isang pangunahing pagbabago sa kung paano sila pag-manage risk. Tradisyonal na isang reaksyonal na disiplina, credit risk management ay higit pa sa isang proactive modelo na pinagsasama sa predictive analytics at artificial intelligence. Ang evolution na ito ay nagbibigay-daan sa mga organisasyon na i-anticipate at i-minimize ang mga potensyal na mga pagbabago bago ang mga ito ay i-materialize, pumunta sa higit sa mga historikal na data upang i-predict ang future customer behavior. Sa higit sa 19 taon ng karanasan sa teknolohiya ng impormasyon at risk, si Surbhi Gupta ay nasa pangunahing pandaigdig sa pagdisenyo ng mga ito sophisticated frameworks. Ang kanyang karanasan sa mga pangunahing korporasyon tulad ng Morgan Stanley at T-Mobile ay nagpapakita ng isang malakas na karanasan sa pagbuo ng scalable, enterprise-grade na mga solusyon na i-identify at pag-aayos sa mga risk sa mga unang bahagi nito. Gupta's insights ay nagpapakita ng isang mas mataas na trend sa industriya upang gamitin ang data hindi lamang upang tumugon sa delinquencies, ngunit upang maiwasan ang mga ito sa lahat. Mula sa Resistance sa Results Ang pag-implementasyon ng proactive risk management frameworks ay karaniwang nakipagtulungan sa malaking internal resistance. Decision-makers ay maaaring magkakaiba sa pag-adopt ng mga bagong assessment protocols, sa karamdaman na ang proseso ay oras-consuming o i-expose previously hidden vulnerabilities. ayon sa Gupta, ito ay isang pangunahing challenge sa mga unang bahagi ng kanyang trabaho. "Pinagsimula, ito ay napaka-kakaiba upang makakuha ng risk assessment na ginawa dahil ang mga tagahanga ay hindi mapagkukunan upang gawin ang assessment dahil sa oras na ito ay nangangailangan at nangangailangan ito ay maaaring bumuo ng isang bintana ng worm sa harap ng kanilang senior management," sabi niya. Upang i-navigate ito, ang kanyang team ay binuo ng isang automated framework na integrated direktang sa asset management tools. Ito ay isang fundamental na pagbabago ng paradigma na nangangailangan ng cautious management. Paglalarawan ng predictive credit risk assessment Ang mga resulta ng proactive na pananaliksik na ito ay nagpapakita ng malinaw na halaga sa panahon. “Sa isang panahon, maaari naming ipakita ang isang pag-reduction ng risk ng halos 5% sa isang quarter sa average sa bawat asset, kahit na ang mga bagong vulnerabilities ay tumuturo, ngunit ang mga ito ay timely na nakikita dahil sa proactive decision-making,” sabi ni Gupta. upang bumuo ng organisasyonal na resilience at siguradong buy-in para sa mga bagong, forward-looking na proseso. Mga Strategiya ng Changing Management Paglalarawan ng Enterprise Scale Ang tunay na test ng isang risk framework ay ang kanyang kakayahan na mag-scale sa buong malaking, kompleksong organisasyon. Ang isang sistema na gumagana para sa isang klase ng asset ay dapat na adaptable na magbibigay ng isang holistic view ng risk sa buong enterprise. Ang trabaho ni Gupta sa Morgan Stanley ay nagsisimula sa isang targeted scope ngunit mabilis na bumuo. "Sa panahon ng aking karanasan sa Morgan Stanley, ang aking inihanda ay ang pag-evaluation ng resiko lamang para sa mga application, ngunit pagkatapos ng dalawang quarter ng Proactive assessment pagkuha, mayroong isang malubhang pagkakataon upang i-cover ang iba pang assets din," sabi niya. , isang architectural pattern na centralizes data mula sa disparate na mga source sa isang high-performance layer. Ang digital integration hub ay Ang expanded framework eventually provided a comprehensive risk overview. “Ang pag-uugali na ito ay nangangahulugan sa paglalarawan ng 3000+ assets sa pagitan ng iba't ibang mga klase ng asset sa buong Morgan Stanley,” sabi ni Gupta. , na nagbibigay ng kapangyarihan sa isang unified view ng organisational risk. Single platform para sa real-time analysis Mag-navigate sa mga teknikal at organisasyonal na halaga Ang pagbuo ng isang komprehensibong modelo ng risk sa antas ng enterprise ay nagpapakita ng mga pangunahing mga problema, parehong sa teknikal na arkitektura at ang organisasyonal na data structure. Para sa Gupta, isa sa mga pangunahing mga teknikal na halaga ay lumikha ng isang kapaki-pakinabang na logic ng score. “Ang target ay bumuo ng isang model ng score na magkakaroon ng halos 95% ng asset na dumadaan sa parehong klase ng asset, at pananampalataya na ang redundant na data, kahit na inilagay, ay hindi nakakaapekto sa score,” sabi niya. Ang kompleksidad na ito ay karaniwang pinagsasama sa pangangailangan ng pag-integrate sa mga legacy systems, isang karaniwang problema sa mga malaking financial institutions. Maaari kang makatulong sa pag-manage ito sa pamamagitan ng pagbabago ng mga lumang module sa pamamagitan ng mga bagong microservices. Sa organisasyonal na pahina, ang inconsistent na pag-classification ng data ay nagtatagumpay ng isa pang halaga. Ang mga pattern ng Strangler-Fig "Morgan, bilang isang malaking enterprise, ang lahat ng assets ay hindi na-marking sa mga parehong klase, na kung saan ay nakakaapekto sa unang inherent risk," sabi ni Gupta. Ang mga ito ay karaniwang nagpapakita ng mga inconsistencies sa data, na nangangailangan ng cautious planning upang magbigay ng integrity ng framework ng risk assessment. Integrasyon sa Legacy Systems Mag-link ng Experience sa Future Innovation Ang trabaho ni Gupta sa enterprise risk sa Morgan Stanley ay direktang nakakaapekto sa kanyang nakaraang pag-unlad ng behavioral scoring systems sa T-Mobile, lalo na sa pag-unawa sa data security at ang unang mga indicator ng risk. "Ang aking karanasan sa Morgan Stanley ay isang first-hand na karanasan ng kung ano ang risk na talagang nangangahulugan at kung ano ang mga potensyal na pangangasiwa para sa mga kumpanya na may maraming PII ng kanilang mga kliyente, at pag-aalis ng sistema mula sa mga pangangailangan," sinasabi niya. sa customer behavior, tulad ng mga pattern ng pagbabayad o paggamit ng serbisyo. Pagbabago ng Criminality sa pamamagitan ng Pag-analysis ng mga pagbabago Ang pag-iisip na ito ay nagbibigay sa kanya ng proactive na pag-iisip tungkol sa pag-atake ng mga potensyal na mga problema. "Hindi lamang ako ay lumiligtas tungkol sa data security, ngunit din kung ano ang mga potensyal na mga atributo na maaaring humantong sa risk, na kung saan ay maaaring i-mitigate sa isang unang bahagi," Gupta hinihintay. - tulad ng kasaysayan ng transaksyon at paggamit ng device - upang mapabuti ang mga decision-making ng credit risk para sa mga applicant na maaaring may limitadong credit files. Paggamit ng data behavioral Proactive identification ng mga customer at-risk. Ang framework Gupta ay tumutulong sa pag-unlad sa T-Mobile ay sinteze ang maraming data points upang lumikha ng isang komprehensibong, real-time risk profile para sa bawat customer, kahit na bagong o existing. Para sa isang bagong customer, ang sistema ay gumagamit ng external data sources extensively. "Ako ay kasalukuyang nakipag-ugnayan sa 19 agencies upang makakuha ng [ang kanilang] previous credit history, delinquency history, at iba pang mga mga katangian na sumusunod sa [ang kanilang] line limit at eligibility limit," sabi ni Gupta. Ito ay nangangahulugan na lumikha ng mga credit approvals habang simulan ang risk. Alternatibo ang credit data Para sa mga kasalukuyang mga customer, ang internal data ay nagbibigay ng isang malakas na tool ng prediction. Gupta tinatanggap, "Kung mayroon kang isang kasalukuyang customer na ang previous behavior score ay hindi mahusay, ang limit ng loan / lease, kasama ang credit line, ay may malaking epekto." ang presyon sa pagitan ng mga tradisyonal na mga modelo. Ang pagbabago ng 31.7% sa default prediction Pag-adaptasyon ng mga modelo sa dynamic conditions Ang customer behavior, market conditions, new product launches, and evolving regulations all require continuous updates to scoring models to ensure their relevance and accuracy. Gupta hinihikayat na ang mga modelo na ito ay mas malapit sa static. "Ang mga predictive na modelo ay regular na in-update at na-upgrade upang matugunan ang maraming mga bahagi, kabilang ang mga bagong produkto na inilabas, ang pag-iisip ng Deepfraud sa AI, at ang mga customer na gumagamit ng higit pa ng mga serbisyo," sabi niya. ang solusyon upang optimize ang kanyang real-time decision-making. I-powered ang credit risk Ang mga criteria para sa pag-adjust ng mga modelo na ito ay malakas at responsibong sa real-world events. “Ang mga criteria ng pag-exclusion na pagbabago sa itaas ay ang ilang ng maraming mga criteria na itinatag na responsable para sa karaniwang pagbabago sa mga modelo ng Strategies for Scoring,” hinihintay niya. I-report ang isang significant na pagbabago sa mga default sa credit compared to those relying on traditional, static assessments. Kontinuous credit monitoring system Ang resulta ng isang predictive discipline Ang paglipat mula sa isang reaksyonal sa isang predictive disiplina ay nagbibigay ng tanging mga benepisyo na lumalabas sa iba't ibang pag-identifying risk. Ito ay humihintulutan ang isang organisasyon ng seguridad posture, proteksyon ng data ng customer, at direktang nakakaapekto sa bottom line sa pamamagitan ng pag-iisip sa pagbabago ng revenue. "Kapag proactive risk management, ang mga pagkakataon ng posible na mga resiko ay na-reduced," sabi ni Gupta simpleng. Ang pagbabago ng vulnerability na ito ay isang kritikal na resulta. Pananaliksik ay nagpapakita na ang mga modelo ng machine learning ay maaaring makakuha ng mas mataas na katunayan sa default prediction, sa pamamagitan ng , compared sa 0.65-0.75 tipikal para sa mga tradisyonal na rating ng credit bureau. Ang AUC score ng ROC ay 0.80-0.90 Tulad ng Gupta, "Ang sistema ay mas mababa sa mga pag-atake, ang data ng mga customer ay mas safe, at ito rin ay tumutulong sa pagbabayad sa pamamagitan ng pag-reducing bad debt mula sa merkado." , na nagpapakita ng isang malinaw na financial case para sa early intervention. Mga gastos sa borrowing Ang Buhay ng Credit Risk Management Ang mabilis na pag-unlad ng artificial intelligence ay naglalaman ng ganap na mga pagkakataon at mga bagong mga problema para sa hinaharap ng pamamahala ng credit risk. Para sa pagbuo ng mga sophisticated predictive models, ngunit din ito ay lumikha ng mga bagong paraan para sa sophisticated fraud. AI ay nagbibigay ng malakas na mga tool "Kapag ang mabilis na pag-adopsiyon ng AI, ang pamamahala ng credit risk ay nagtatrabaho sa isang double-edged sword. AI ay nagpapakita na maging isang mahusay na tulong sa generating futuristic na mga modelo batay sa data analytics at automated anomaly detection," sabi ni Gupta. Sa pananaliksik, ang pananaliksik ay nagpapahiwatig ng kanyang pangunahing papel sa pagbabago ng assessment ng credit risk. Implementasyon ng Artificial Intelligence Gayunpaman, ang parehong teknolohiya ay maaaring ma-exploit. “But sa parehong oras, higit pa ng mga deep-fraud ay nangyayari bilang identity theft ay lumaki, at identity ay maaaring madaling i-simulate gamit ang mga tool ng AI, na maaaring humantong sa malpractices,” sinasabi niya. Magbigay ng inspirasyon sa kontemporaryong designer ay maaaring gumawa ng kahit ano, kahit ano, at ang New Year - ay walang exception. I-integrate ang AI sa blockchain Ang pagbabago sa proactive, predictive risk management ay isang kritikal na evolution para sa anumang organisasyon na nagtatrabaho sa credit at customer data. Ang pagbabago na ito, na itinatag ng advanced analytics at AI, ay nagbibigay ng mga negosyo na hindi lamang upang protektahan ang kanilang assets ngunit din upang bumuo ng mas resilient at mas safe operating frameworks. Kapag ang trend na ito ay patuloy, ang karanasan ng mga nag-architect ng mga kompleksong mga sistema ay magkakahalaga sa pag-navigate sa mga challenge at mga pagkakataon na may sasakyan.

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.

Ang audio na ito ay ginawa sa orihinal na wika ng kuwento!

Anticipating Risk Before It Hits: Surbhi Gupta sa Buhay ng Predictive Analytics

About Author

MGA KOMENTO

HANG TAGS

ANG ARTIKULONG ITO AY IPINAKITA SA

Related Stories

State of the Noonion: The Year of Profitability and Product Renaissance

Encrypted Instant Messaging Recommendations January 2017

How I deployed my spark document classification(Logistic Regression) model/s as a standalone app…

Getting intimate with Ethereum tokens

State of the Noonion: The Year of Profitability and Product Renaissance

Encrypted Instant Messaging Recommendations January 2017

How I deployed my spark document classification(Logistic Regression) model/s as a standalone app…

Getting intimate with Ethereum tokens

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps