Оскільки фінансова та телекомунікаційна галузі переходять від реактивних до прогнозних моделей ризику, уявлення архітекторів цих систем стають критичними для навігації переходу. Фінансові та телекомунікаційні галузі переживають фундаментальну трансформацію в тому, як вони керують ризиком.Традиційно реактивна дисципліна, управління кредитним ризиком все частіше переходить до проактивної моделі, що підтримується прогнозованою аналітикою та штучним інтелектом. Ця еволюція дозволяє організаціям передбачати і пом'якшити потенційні втрати, перш ніж вони реалізуються, виходячи за рамки історичних даних, щоб передбачити поведінку клієнтів у майбутньому. Її робота у великих корпораціях, таких як Morgan Stanley і T-Mobile, демонструє глибокий досвід у створенні масштабних рішень корпоративного рівня, які ідентифікують і вирішують ризики на ранніх етапах. Від опору до результатів Впровадження проактивних рамок управління ризиками часто стикається з значним внутрішнім опором. Виробники рішень можуть сумніватися у прийнятті нових протоколів оцінки, побоюючись, що процес буде занадто тривалим або розкриє раніше приховані уразливості. "Спочатку було дуже важко зробити оцінку ризику, оскільки власники не були готові взяти оцінку через час, який це зайняло, і побоювалися, що це може відкрити контейнер черв'яків перед їх вищим керівництвом", - пояснює вона. Для цього її команда розробила автоматизовану структуру, яка інтегрувалася безпосередньо з інструментами управління активами. Це фундаментальна зміна парадигми, яка вимагає ретельного управління. Прогнозована оцінка кредитного ризику Результати цього проактивного підходу продемонстрували чітку цінність з плином часу. „Протягом періоду часу ми змогли продемонструвати зниження ризику майже на 5% за квартал в середньому за актив, хоча з'явилися нові уразливості, але вони були вчасно помічені через проактивне прийняття рішень”, – зазначає Gupta. створення організаційної стійкості та забезпечення безпечного придбання для нових, перспективних процесів. Зміна стратегій управління Створення Enterprise Scale Справжнє випробування структури ризику полягає в її здатності розширюватися по всій великій, складній організації.Система, яка працює для одного класу активів, повинна бути достатньо адаптивною, щоб забезпечити цілісний погляд на ризик у всьому підприємстві.Робота Гупти в Morgan Stanley почалася з цільового масштабу, але швидко розширилася. "Під час мого мандата в Morgan Stanley, моя початкова сфера застосування була оцінкою ризику тільки для додатків, але після двох кварталів завершення оцінки Proactive, була значна можливість охопити інші активи також", - каже вона. , архітектурний шаблон, який централізує дані з різноманітних джерел в високопродуктивний шар. Центр цифрової інтеграції Hub "Це зусилля в кінцевому підсумку призвело до покриття більш ніж 3000 активів у різних класах активів Morgan Stanley", - говорить Гупта. , що дає змогу керівництву з єдиним поглядом на організаційний ризик. Платформа для аналізу в реальному часі Навігація технічних та організаційних перешкод Для Gupta однією з основних технічних перешкод було створення універсальної логіки оцінювання. „Мета полягала в тому, щоб розробити модель оцінювання, яка охоплювала б майже 95% активів, що входять до одного класу активів, і гарантувала, що надлишкові дані, навіть якщо вони були витягнуті, не впливають на результат”, – каже вона. Ця складність часто ускладнюється необхідністю інтеграції з традиційними системами, що є спільною проблемою у великих фінансових установах. Це може допомогти впоратися з цим шляхом поступової заміни старих модулів новими мікросервісами.З організаційного боку, невідповідність класифікації даних становила ще одну перешкоду. «Strangler-Fig Pattern» "Морган, будучи таким великим підприємством, всі активи не були позначені в правильних класах, що впливало на початковий властивий ризик", - пояснює Гупта. часто виявляє такі невідповідності даних, що вимагає ретельного планування для забезпечення цілісності рамки оцінки ризику. Інтеграція з системами Legacy Зв'язок досвіду з інноваціями майбутнього Робота Гупти в галузі корпоративного ризику в Morgan Stanley безпосередньо вплинула на її подальший розвиток систем оцінювання поведінки в T-Mobile, особливо в розумінні безпеки даних та ранніх показників ризику. "Мій досвід в Morgan Stanley був досвідом з перших рук про те, які ризики насправді означають і які можуть бути потенційні наслідки для фірм, які мають багато PII своїх клієнтів, і забезпечення системи від загроз", - відбиває вона. в поведінці клієнтів, наприклад, моделі платежів або використання послуг. Прогнозування злочинності шляхом аналізу змін Це розуміння дозволило їй активно думати про пом'якшення потенційних проблем. "Не тільки я був освічений щодо безпеки даних, але також які повинні бути потенційні атрибути, які можуть призвести до ризику, який можна пом'якшити на ранній стадії", - додає Гупта. — такі як історія транзакцій та використання пристроїв — для поліпшення рішень щодо кредитного ризику для заявників, які можуть мати обмежені кредитні файли. Використання поведінкових даних Проактивна ідентифікація ризикованих клієнтів. Передбачувальне моделювання дозволяє компаніям ідентифікувати високоризикових клієнтів, перш ніж вони стануть злочинними.Рамка Gupta, яка допомогла розробити в T-Mobile, синтезує численні точки даних, щоб створити всеосяжний профіль ризику в реальному часі для кожного клієнта, будь то новий або існуючий. Для нового клієнта система широко використовує зовнішні джерела даних. "Ми в даний час зв'язані з 19 офісами, щоб отримати [їх] попередню кредитну історію, історію злочинності та інші фактори, що приписують [їх] ліміт лінії та ліміт кваліфікації", - пояснює Гупта. Доведено, що це значно збільшує обсяги кредитування, одночасно зменшуючи ризик. Альтернативні кредитні дані Для існуючих клієнтів, внутрішні дані забезпечують потужний інструмент прогнозування. Gupta зауважує, "Якщо є існуючий клієнт, чий попередній результат поведінки не був хорошим, ліміт кредиту / оренди, разом з кредитною лінією, буде істотно вплинути". Точність у порівнянні з традиційними моделями. Підвищення на 31,7% по умовному прогнозуванню Адаптація моделей до динамічних умов Прогнозована модель є лише настільки ефективною, наскільки її здатність адаптуватися до постійно мінливого середовища. поведінка клієнтів, ринкові умови, запуски нових продуктів та еволюція правил вимагають постійних оновлень моделей оцінки, щоб забезпечити їх актуальність та точність. Gupta підкреслює, що ці моделі далекі від статичних. "Ці прогнозні моделі регулярно оновлюються і покращуються, щоб охопити багато факторів, включаючи нові запуски продуктів, залучення Deepfraud до AI, і клієнти, які приймають більше послуг", - каже вона. Оптимізація прийняття рішень в реальному часі. Оцінка кредитного ризику за допомогою AI Критерії для адаптації цих моделей є великими і реагують на події реального світу. „Зміна критеріїв виключення вище є деякими з багатьох перерахованих критеріїв, які відповідають за часті зміни в моделі стратегій для оцінки”, - додає вона. Повідомляється про значне зменшення кредитних несплат у порівнянні з тими, які спираються на традиційні, статичні оцінки. Системи постійного моніторингу кредиту Результати передбачуваної дисципліни Перехід від реактивної до прогнозної дисципліни приносить відчутні переваги, які виходять за рамки простої ідентифікації ризику.Це зміцнює позицію безпеки організації, захищає дані клієнтів і безпосередньо впливає на підсумки, запобігаючи втраті доходів. «За допомогою проактивного управління ризиками шанси на можливі ризики зменшуються», – говорить Гупта просто.Це зменшення вразливості є критичним результатом. , порівняно з 0,65-0,75 типовим для традиційних рейтингів кредитних бюро. Оцінка ROC AUC 0,80-0,90 Як зазначає Гупта, «система менш вразлива до атак, дані клієнтів більш безпечні, а також допомагає заощадити доходи, зменшуючи поганий борг з ринку». Продемонструвати чіткий фінансовий випадок раннього втручання. Вартість за позику Майбутнє управління кредитним ризиком Швидка еволюція штучного інтелекту представляє як величезні можливості, так і нові виклики для майбутнього управління кредитним ризиком. для створення витончених прогнозних моделей, але також створює нові шляхи для витончених шахрайств. AI пропонує потужні інструменти «З швидким прийняттям штучного інтелекту, управління кредитним ризиком сидить на двоколісному мечі. штучний інтелект виявляється великою допомогою у створенні футуристичних моделей, заснованих на аналізі даних та автоматизованому виявленні аномалій», - каже Гупта. Банківський сектор підтверджує свою значну роль у підвищенні оцінки кредитного ризику. Прийняття штучного інтелекту "Але в той же час, більше глибоких шахрайств відбувається, оскільки збільшується крадіжка ідентичності, а ідентичність можна легко імітувати за допомогою інструментів штучного інтелекту, що може призвести до неправильної практики", - попереджає вона. створення більш безпечних і прозорих систем виявлення шахрайства. Інтеграція з blockchain Перехід до проактивного, прогнозного управління ризиками являє собою критичну еволюцію для будь-якої організації, яка обробляє кредитні та клієнтські дані.Цей перехід, підпорядкований просунутою аналітикою та штучним інтелектом, дозволяє компаніям не тільки захищати свої активи, але і будувати більш стійкі та безпечні операційні рамки. Оскільки ця тенденція продовжується, досвід тих, хто побудував ці складні системи, буде безцінним у перегляді викликів і можливостей, що стоять перед нами.

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.

Це аудіо створено мовою оригіналу історії!

Передбачаючи ризик, перш ніж він потрапляє: Surbhi Gupta про майбутнє прогнозного аналізу

About Author

КОМЕНТАРІ

ПОВІСИТИ БИРКИ

ЦЯ СТАТТЯ БУЛА ПРЕДСТАВЛЕНА В

Related Stories

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps