17.11.2021  - Pekka Tiusanen -  Analytiikka

Miten taklata koneoppimisen haasteet rahoitusalalla?

Rahoitusalalla on tehty vuosikymmenten ajan merkittäviä investointeja tietovarastointiin ja raportointiin. Jo pelkästään lakisääteisten velvoitteiden täyttäminen sälyttää pankeille suuren raportointi- ja valvontavastuun, minkä lisäksi pankeissa tehdään kasvavissa määrin myös sisäistä data-analytiikkaa. Kuitenkin rahoitusala uhkaa jäädä jälkeen koneoppimisen ja tekoälyn hyödyntämisessä – mistä tämä johtuu ja miten siihen pitäisi reagoida? Näiden kysymysten ymmärtäminen auttaa alan toimijoita erottautumaan ja voittamaan markkinaa päivittyvällä ja ennakoivalla tilannekuvalla sekä operatiivisten hyötyjen kautta.

Tietomigraatio pilveen ja regulaation huomiointi

Tekoäly ja koneoppiminen lähtevät liikkeelle laadukkaasta datasta eli tiedon varastoimisesta hyvien käytäntöjen mukaan, jotta data löytyisi yhdestä paikasta ja se olisi loogisesti yhdisteltävissä. Finanssialan tietovarastointi on perinteisesti nojannut konesaleihin, kun taas suurin osa edistyneen analytiikan implementaatioista tehdään pilveen. On toisaalta perusteltua, että pankit käyttävät omaa infrastruktuuriaan varmistaen itse datansa sijainnin ja tietoturvan, mutta asia ei ole ihan näin mustavalkoinen. GDPR:n ja muun lainsäädännön noudattamisen turvaamisesta pilviympäristössä on oikeastaan tullut viime vuosina merkittävä kilpailutekijä.
 
Turvallinen pilviympäristö vaatii suunnittelua. Henkilötiedot voidaan pseudonymisoida tai dataa voidaan aggregoida, jos henkilötiedot eivät ole relevantteja käyttötapauksen kannalta. Pilvialustat tarjoavat myös välineet datan sijainnin määrittämiseen ja jopa katastrofeihin varautumiseen, jos konesali tuhoutuu. Hyvät DevOps- ja tietoturvakäytännöt taas ovat avain toimivaan pääsynhallintaan. Lisäksi henkilöstön riittävä koulutus auttaa kontrolloimaan projekteihin liittyviä riskejä.

Joskus koetaan liian haastavaksi tuoda legacy-ratkaisujen dataa pilveen, mitä se onkin varmasti joskus ollut. Nykyisin dataintegraatioiden rakentamiseen on kuitenkin todella paljon mahdollisuuksia, ja sopiva työväline löytyy helposti erikoisempaankin tietokantaan tai muuhun tietolähteeseen. Olemassa olevia tietoja voidaan myös replikoida tai lähettää pilveen tiedostoina, jotka varastoidaan alustan omilla työkaluilla. Pilviratkaisujen rakentamista helpottaa sekin, että yhä useampi pankkien käyttämä kaupallinen ja kotikutoinen sovellus on asennettu pilveen. 

 

Edistyneen analytiikan vaiheistus

Edistyneen analytiikan käyttötapaukset ja käyttöönotto

Entä mitä datalla pitäisi tehdä sitten, kun se on siirretty pilveen? Rahoitusalan käyttötapaukset vaihtelevat talouden trendien ennustamisesta riskinhallintaan, asiakasrajapintaan ja asiakasanalytiikkaan. Koneoppiminen ja tekoäly tuovat pankkiliiketoimintaan ennakoitavuutta sekä suoria taloudellisia etuja esimerkiksi kustannussäästöjen ja lisämyynnin muodossa. Pilvimaailmassa on mahdollista rakentaa reaaliaikaisia kokonaisuuksia, joissa koneoppimismallit keskustelevat keskenään ja palauttavat viimeisimmän valistuneen vastauksen kysyttäessä. Kysyjä voi olla sovellus tai ihminen. Tämä on ehkä se keskeisin muutos ajoista, jolloin koneoppimisen kehittynein ilmenemismuoto oli regressiomallin R-tuloste.

Edistyneen analytiikan käyttötapaukset ja käyttöönotto.

Vaikka varsinainen tuotantoskenaario voi olla esimerkiksi Docker-kontissa pyörivä REST API, serveritön funktio tai BI-integraatio, usein kannattaa kuitenkin perustaa erillinen alusta edistyneen analytiikan kehittämiseen. Kuten tietovarastoinnissa on pyritty jo vuosikymmenet keskitettyyn tietovarastoon (EDW), koneoppimisen arkipäiväistyessä ihan jokaisen ratkaisun kohdalla ei ole mielekästä ”aloittaa alusta”. Kehitystyötä on helpompi roolittaa ja hallita tällä tavalla. Myös tuotantoon viemiseen ja mallien monitorointiin on mahdollista käyttää keskitettyä ympäristöä.

 

Myynnin ja markkinoinnin analytiikka ja talouden analytiikka sekä niiden datalähteet ja hyödyt.

Miksi pitäisi sitten tehdä omia implementaatioita pilveen, kun voi ostaa valmiin paketin? Vaikka markkinoilla on sovelluksia, joissa on tekoälyn ja koneoppimisen kyvykkyyksiä, niitä on useimmiten vaikea ja kallis räätälöidä spesifeihin tarpeisiin. Lisäksi SAS, SAP ja muut ”out-of-the-box” -ratkaisut edellyttävät todella tuotespesifiä osaamista, jota ei välttämättä edes ole saatavilla kaikissa tapauksissa. Pilvialustojen omat työkalut tarjoavat myös interaktiivisen ja roolitetun ekosysteemin, jossa edistynyt analytiikka keskustelee jouhevammin muun infrastruktuurin kanssa.

 

Haluatko tietää lisää aiheesta, tai kuulla miten voisimme auttaa sinun yritystäsi? Lue lisää palveluistamme ja ota meihin yhteyttä.