Cyfrowa transformacja w sektorze finansowym

Instytucje finansowe dysponują i pozyskują bardzo dużą liczbę danych, często wrażliwych, agregowaną w wielu zbiorach. Analiza takich rozproszonych zbiorów tradycyjnymi metodami jest nieefektywna, praco- i czasochłonna. Dzięki nowym technologiom dane te można wykorzystać biznesowo – instytucje finansowe mogą w łatwy sposób profilować klientów, dostosowywać ofertę i ułatwiać podejmowanie decyzji. A to pozwala na bardziej efektywne prowadzenie działalności i większą sprzedaż produktów finansowych, bardziej dostosowanych do potrzeb klientów, oraz zwiększenie efektywności operacyjnej.

AI (artificial intelligence), czyli sztuczna inteligencja. Cechą rozwiązań, które ją wykorzystują, jest często automatyzacja całego procesu decyzyjnego. AI składa się z systemów opartych o oprogramowanie i sprzęt, które zostały zaprojektowane oraz skonstruowane przez zespoły różnych specjalistów. Technologia AI może wspierać interpretację otoczenia biznesowego poprzez pozyskiwanie danych ustrukturyzowanych i nieustrukturyzowanych, ich analizowanie, przetwarzanie informacji pochodzących z różnych źródeł wejściowych i podejmowanie decyzji o najlepszych działaniach, które należy podjąć, aby osiągnąć określony cel. Sztuczną inteligencję można wdrożyć w celu wykonywania inteligentnych prognoz oraz obsługi automatycznych analiz służących podejmowaniu decyzji.

Big data, czyli analiza danych. Pojęcie to jest w zasadzie rozwinięciem business intelligence (BI). Analityka danych big data odnosi się do rozwiązań technologicznych związanych z gromadzeniem, przechowywaniem, analizą i zastosowaniem danych (często nieustrukturyzowanych i pochodzących z różnych źródeł). Zaawansowaną analitykę danych można zdefiniować jako autonomiczne lub półautonomiczne badanie danych przy użyciu ulepszonych technik i narzędzi, zwykle wykraczających poza tradycyjne analizy biznesowe – BI. Tego rodzaju technologia może pomóc np. w identyfikacji wzorców zachowań klientów, wspierać zarządzanie ryzkiem, podejmowanie decyzji inwestycyjnych, a nawet wyszukiwanie oszustw czy operacji nielegalnych. Ale przede wszystkim big data może wspierać prognozowanie – szczególnie w okresach i obszarach dużych zawirowań czy niepewności co do przyszłości.

RPA, czyli robotics process automation. Robotyzacja procesów, dzięki konfiguracji oprogramowania lub sprzętu komputerowego, pozwala na obsługę lub integrację czynności wykonywanych przez pracowników osobiście w ramach realizacji procesów biznesowych. Technologia ta zwiększa produktywność i efektywność takich procesów przez automatyzację ręcznych czynności, niewnoszących wartości dodanej, np. ekstrakcji, formatowania i porównywania danych. Pracownicy zajmujący się analizą danych spędzają obecnie bardzo dużo czasu na procesach związanych z ich przygotowaniem, co znacząco ogranicza czas na ich analizę i wyciąganie wniosków.

Kolejnym zastosowaniem RPA są różnego typu połączenia lub interakcje pomiędzy systemami obsługującymi różne procesy, np. produktowymi i finansowo-księgowymi. Wprowadzenie automatów integrujących systemy nie tylko usprawnia procesy, lecz także istotnie zmniejsza ryzyko operacyjne. Innym zastosowaniem RPA są programowane roboty do obsługi klienta.

Cloud computing, czyli przetwarzanie w chmurze. Obejmuje ono dostarczanie różnych usług technologicznych za pośrednictwem sieci, serwerów, pamięci masowych, baz danych i oprogramowania, dostępnych zdalnie. Historycznie rzecz biorąc, przetwarzanie złożonych obliczeń prognostycznych lub uzyskiwanie profili klientów w czasie rzeczywistym lub danych dotyczących wymaganej płynności wymagały znacznych początkowych inwestycji informatycznych i/lub długiego czasu realizacji. Platforma chmurowa jest potencjalnie bardziej przystępna cenowo w dłuższej perspektywie i umożliwia skalowalność w miarę zmieniających się wymagań. Ponadto pozwala na łatwiejsze wdrażanie zaawansowanych metodologii i analiz danych, szczególnie w obszarach biznesowych cechujących się skokami w zakresie potrzeb dotyczących wydajności albo związanych z zapotrzebowaniem na przechowywanie danych. W ostatnim czasie, na korzyść chmury, zmienia się podejście dotyczące bezpieczeństwa danych, w porównaniu z przechowywanymi we własnym zakresie.

Machine learning, czyli uczenie maszynowe. Jest to w zasadzie podgrupa w obszarze sztucznej inteligencji, gdzie algorytmy interpretują, uczą się i adaptują różne dane do identyfikacji ryzyk lub wzorców zachowań klientów. Machine learning może także wspierać ustalanie parametrów i określenie numeryczne nieoczekiwanych warunków skrajnych, takich jak skokowy wzrost potrzeb w zakresie płynności czy dostarczenia innych produktów albo wydajności i zapewnienia podjęcia odpowiednich działań przygotowawczych lub wprowadzenia odpowiednich buforów dla ograniczenia ryzyka.

NLP, czyli natural language processing. NLP może odczytywać, interpretować i przetwarzać ludzki język, aby wspierać uciążliwe zadania związane z zapewnieniem zgodności z przepisami, które obejmują skanowanie w poszukiwaniu zmienionych lub nowych przepisów albo wymagań dotyczących sprawozdawczości ostrożnościowej. Technologia ta może w sposób ciągły i ukierunkowany udostępniać zmiany pracownikom compliance w celu właściwego aktualizowania przepisów prawnych.

Blockchain, czyli łańcuch bloków. Jest to technologia rozproszonych rejestrów opartych o bloki danych związane kryptograficznym łańcuchem. W dużej mierze pozwala na zmianę modelu biznesowego obsługi transakcji inwestycyjnych. Z uwagi na swój charakter wymaga współdziałania wielu podmiotów zaangażowanych w tworzenie sieci. Będzie służyła tworzeniu nowych form inwestowania, w tym tokenizację, w szczególności w obszarach nieobjętych dzisiejszą rozwiniętą infrastrukturą rynku finansowego.

Korzyści i warunki sukcesu

Wdrożenie opisanych technologii może w istotnym stopniu przygotować sektor finansowy do wyzwań związanych z przyszłymi zawirowaniami w ekosystemie finansowym i realnej gospodarce. Ich wykorzystanie wpłynie także na zdolność do dostosowania produktów do nowych potrzeb obecnych i przyszłych klientów.

Główne korzyści wynikające z przedstawionych rozwiązań to przede wszystkim: większa elastyczność w tworzeniu nowych modeli danych i produktów, w tym nowego kształtu relacji z klientami, wyższa precyzja i wiarygodność prognoz, pozyskiwanie niezbędnych danych w czasie rzeczywistym. Nie bez znaczenia pozostaje zwiększenie operacyjnej efektywności, produktywności czy wreszcie pozyskanie wartościowych i kreatywnych pracowników, co jest niezwykle ważne w obliczu czwartej rewolucji przemysłowej.

Aby osiągnąć zamierzony cel cyfrowej transformacji, ważne jest stworzenie planu na podstawie właściwej oceny sytuacji i dostosowania do potrzeb firmy oraz oceny biznesu.

Wydaje się, że w finansach wszystkie obszary biznesowe są podatne na transformację cyfrową, niezależnie od pozycji instytucji finansowej. Spośród warunków powodzenia wyróżnię przede wszystkim: określenie poziomu cyfrowej dojrzałości, wybór właściwych technologii i sposób ich wdrożenia, przygotowanie się do zarządzenia nowymi rodzajami ryzyka oraz wprowadzenie i rozwój kultury cyfrowej w organizacji. Nie podniosłem kwestii cyberbezpieczeństwa, bo samo w sobie jest tematem na odrębny artykuł.

Niezależnie od technologii, które w mniejszym czy większym stopniu wpłyną na zdolność sektora finansowego do konkurowania w najbliższej przyszłości, najważniejszym warunkiem powodzenia jest odpowiednie przygotowanie zespołów i umiejętność dokonania transformacji na poziomie kompetencji, a przede wszystkim zmiany zachowań poszczególnych pracowników. I nie chodzi tu bynajmniej o to, by wszyscy stali się specjalistami IT, tylko żeby technologie zostały odczarowane i wykorzystywane w sposób właściwy, zgodny z przeznaczeniem, bez demonizowania ich znaczenia dla poszczególnych procesów.

Łatwo jest tworzyć wewnętrzną narrację, że jakiegoś procesu nie da się zmienić, bo technologia nie pozwala lub jakiś proces musi trwać, bo technologia… A technologia najczęściej działa tak, jak została zaprojektowana.

Sławomir Panasiuk

Absolwent Wojskowej Akademii Technicznej, magister inżynier wydziału cybernetyki oraz studiów podyplomowych z zakresu informatyki, ukończył również m.in. studia doktoranckie na SGH w Warszawie. W KDPW, centralnym depozycie papierów wartościowych, podobnie jak w izbie rozliczeniowej KDPW_CCP, odpowiada za obszar technologiczny, operacyjny oraz bezpieczeństwo korporacyjne.