Als Antwort auf die zahlreichen Zwänge, denen Banken und Finanzinstitute ausgesetzt sind, bietet Scaled Risk eine Reihe von Lösungen, die auf der schnellen und flexiblen Auswertung großer Datenmengen in Echtzeit basieren. Die Plattform von Scaled Risk, die auf der Nutzung von Big Data basiert, bietet den Geschäftsbereichen eine bislang unerreichte Geschwindigkeit und Agilität.
"Das Ziel von Scaled Risk ist es, die Daten näher an den Geschäftsanwender zu bringen. Sowohl, um ihm das Leben zu erleichtern, als auch, um ihn von der IT unabhängig zu machen", erklärt Hervé Bonazzi, CEO von Scaled Risk.
Das Geschäft näher an die Daten heranbringen, und zwar unabhängig vom zu verarbeitenden Volumen. Scaled Risk hat seit seiner Gründung im Jahr 2012 das Potenzial der Big-Data-Technologien erkannt, um die digitale Transformation von Banken und Finanzplätzen zu unterstützen. Zu diesem Zweck entwickelt das Startup eine Datenmanagementplattform, die die technologische Grundlage Hadoop ergänzt, um ein solides, skalierbares und flexibles Transaktionssystem zu erhalten, und die vor allem Kapazitäten für die Prüfung und Rückverfolgbarkeit von Daten bietet. Diese Funktionen sind unerlässlich, um den regulatorischen Anforderungen des Finanzsektors gerecht zu werden.
Ein Datensee zur Analyse und Rückverfolgung von Daten
Scaled Risk ermöglicht es, auf dieser Plattform einen Datensee aufzubauen, der sich aus der Sammlung von Daten über mehrere Kanäle ergibt. Innerhalb dieses Datensees sind die Datenmodelle dynamisch, flexibel und vor allem "versionierbar".
Dank einer einfachen Modellierungsschnittstelle können diese Daten nach einer Vielzahl von Anwendungsfällen ausgewertet werden, wie Hervé Bonazzi erklärt: "Die Stärke unserer Plattform besteht darin, eine logische Ebene bereitzustellen, die es den verschiedenen Fachbereichen ermöglicht, ihre Daten zu modellieren, um ihre Berechnungen aufzubauen. Wir stellen eine On-Demand-Analyse-Engine bereit, eine Art "Selbstbedienungsladen für Analysen".
Mit diesem Tool erhält der Geschäftsanwender einfache Werkzeuge, um seine Daten zu manipulieren, sie abzugleichen und seine eigenen Berichte und Analysen zu erstellen. Auf diese Weise können Marktteilnehmer je nach ihrer Tätigkeit Risikoanalysen durchführen, ihren G&V-Plan erstellen, schnell auf die aufsichtsrechtliche Berichterstattung reagieren, das Kundenverhalten analysieren und andere Verwendungsmöglichkeiten nutzen. Für Hervé Bonazzi ist das regulatorische Reporting ein gutes Beispiel. Diese Berichte werden immer häufiger und umfassender und erfordern daher mehr Daten. Indem man die Daten in einem Data Lake konsolidiert und mit demselben Tool abfragt, gewinnt man im Vergleich zu Abfragen in zahlreichen Datenbanken an Geschwindigkeit.
"Mit diesem System kann die Bank eine sehr tiefe Historie haben, auf der wir Klassifizierungs- und Machine-Learning-Algorithmen arbeiten lassen (siehe unten), was z. B. die Erkennung von Verhaltensmustern bei Betrugsmustern oder Kundenverhalten (Typ Investor) durch die Erkennung von Signalen ermöglicht. Es ist diese Logik der Speicherung und der Agilität der Plattform, die dem Finanzinstitut die nötige Flexibilität verleiht."
Die Cloud als Garant für Agilität
Tatsächlich sind Banken auf der Suche nach dieser Flexibilität und Agilität, um die digitale Transformation zu bewältigen und den agileren Fintechs mit ihren scharfen Geschäftsmodellen zu widerstehen. In diesem Zusammenhang wurde das SaaS-Modell von Scaled Risk (sicher und privat gehostet von Cloud Temple) von Anfang an so konzipiert, dass es sich an Anwendungsfälle anpassen und die für den digitalen Wandel erforderliche Elastizität bieten kann.
Hervé Bonazzi meint: "Die Bankenbranche muss ihre digitale Transformation vollziehen, um den Fintechs, die mit neuen Modellen kommen, die Stirn bieten zu können. Bisher haben viele Akteure im Finanzsektor eine sehr wenig digitalisierte und moderne Beziehung zu ihren Kunden. Die Mifid-II-Verordnung erzwingt und provoziert diese Digitalisierung, so dass alle ihre digitale Transformation durchführen müssen, und hier positionieren wir uns", schloss Hervé Bonazzi.
Künstliche Intelligenz ist die des Data Scientists
In der Palette der Verwendungsmöglichkeiten von Scaled Risk ist die Betrugsbekämpfung ein Totschlagargument. "Das ist ein starkes Thema. Compliance ist ein zentrales Thema, da Banken mit Geldstrafen belegt werden, wenn sie mit verbotenen oder betrügerischen Gegenparteien handeln. Die Regulierungsbehörden gehen immer stärker gegen Geldwäsche vor. Durch den Einsatz von Machine Learning mit einer ereignisgesteuerten Echtzeit-Engine können falsch positive Meldungen reduziert werden, indem bei Zweifeln an einer Interaktion eine Warnung aufgehoben wird. Bisher haben die Banken zu viele False Positives, die sie auf menschliche Weise bearbeiten müssen. Um die False Positives zu reduzieren, muss man der Maschine beibringen, ihre Algorithmen zu verfeinern".
Für Hervé Bonazzi gibt es keine Wunder oder eine überlegene künstliche Intelligenz. Um effizient zu sein, muss man der Maschine ständig etwas beibringen. Die wahre Intelligenz ist beim Datenwissenschaftler und seiner Fähigkeit zu suchen, den Algorithmus an den Beruf anzupassen. "Die verwendeten Algorithmen sind alt. Aber heute wissen wir, dass wir die Datentiefe haben, um Klassifizierungen vorzunehmen, Lernprozesse zu erkennen mit einer Feedbackschleife, die die Klassifizierungen entsprechend der zurückgespeisten Daten verfeinert. Die Effizienz der künstlichen Intelligenz beruht auf ihrer Anpassung an Ihre Bedürfnisse und Verwendungszwecke in Abhängigkeit von Ihren Inputs. Diese Anpassung beruht auf der dynamischen Fähigkeit des Systems, einen Konvergenzpunkt zwischen dem richtigen Kompromiss und der richtigen Grenze anzustreben. Dies führt dazu, dass es den Bedarf des Kunden erfüllt".
Von der Usine Nouvelle rezensiert, ermöglicht die SCALED RISK-Lösung :
- strukturierte und unstrukturierte Daten aus heterogenen Systemen in Echtzeit zu sammeln,
- diese Daten in einem flexiblen und skalierbaren Modell zu organisieren,
- mithilfe einer intuitiven Suchmaschine sofort darauf zuzugreifen,
- Echtzeitanalysen in einem verteilten, in-memory Echtzeit-OLAP-Würfel aufzubauen,
- per API zu veröffentlichen oder diese Daten nach einer unendlichen Anzahl von Achsen zu visualisieren,
- die mit den Daten verbundenen Zeitachsen zu variieren,
- zu vergleichen, neu zu veröffentlichen, zu alarmieren mit Antwortzeiten von weniger als einer Sekunde,
- Prüfungsnachweise für die Regulierungsbehörde zu erstellen.
Scaled Risk wird in der Infrastruktur des Kunden eingesetzt oder ist als SaaS zugänglich und ist über APIs (REST, Java, Excel) vollständig offen. Scaled Risk integriert nativ das FpML-Format.