A indústria financeira tem aprendido muitas lições ao longo dos últimos anos sobre a tomada de decisões empresariais num ambiente de mercado volátil. A capacidade de responder rapidamente a eventos geopolíticos ou crashes de mercado pode ter um impacto significativo tanto na redução do risco como no aumento da lucratividade, escreve Virginie O'Shea, CEO e Fundadora da Firebrand Research. No entanto, requer um bom tratamento tanto dos conjuntos de dados internos como externos, o que é um desafio numa arquitetura operacional em que os dados se situam em silos em toda a empresa, explica O'Shea neste artigo.
Existem muitas pressões sobre as empresas para que estas possam ter um melhor tratamento dos seus ativos de dados. Os reguladores têm reduzido gradualmente o tempo em que as instituições financeiras têm de responder às consultas e a aumentar os requisitos de informação em todas as áreas do negócio. As expectativas dos clientes em torno de relatórios e tempos de resposta dos serviços aumentaram à medida que a transparência e a governança foram se tornando visíveis. À medida que a digitalização aumenta entre setores, as empresas estão também lidando com um volume muito maior de dados numa variedade de formatos - desde os estruturados aos não estruturados.
O processo típico de construir um relatório manualmente e de agregar dados através de folhas de cálculo e contar com a equipe de TI para normalizar os dados dos sistemas a montante é impraticável nos mercados atuais. A saída é também estática, o que significa que é quase impossível interrogar ou analisar ativamente os dados. Dado o número de relatórios que devem ser produzidos por uma empresa para satisfazer considerações comerciais, de cliente e regulamentares, é também um custo interno e um encargo operacional significativo em termos de horas-homem. Os estrangulamentos de pessoal de TI e operacional podem frequentemente ter impacto nos prazos de produção de relatórios, o que poderia resultar na perda de oportunidades de negócio, na insatisfação dos clientes e em uma não conformidade regulamentar.
Uma grande instituição financeira com inúmeros sistemas herdados que anteriormente se debatia com o seu processo de produção de relatórios de risco, financeiros e regulamentares optou por implementar um tecido de dados inteligente para automatizar e industrializar o processo. Tal como muitas outras grandes instituições financeiras, os muitos silos da empresa refletem a sua história de aquisições e a complexidade da sua arquitetura operacional tornaram um processo de relatório manual extremamente lento e complexo. A firma produzia relatórios sobre dados em cerca de 10 a 14 dias e contava com o TI para fornecer respostas a perguntas sobre os dados subjacentes, que demoravam dias adicionais ou mesmo semanas para serem entregues. Os dados obsoletos combinados com tempos de resposta lentos estavam tendo um impacto negativo numa série de funções empresariais internas e externas.
A justificativa empresarial para a implementação de uma abordagem mais inteligente e em tempo real para a produção de relatórios era, portanto, a redução de custos e riscos, a melhoria da produtividade do seu pessoal e a possibilidade de os utilizadores empresariais se auto-servirem. Grandes instituições financeiras como o banco global em questão estão também sob forte pressão dos reguladores para melhorar as suas arquiteturas de risco e de relatórios regulamentares; daí que os riscos de reputação colocados pelas sanções financeiras tenham sido também um fator a considerar.
Os requisitos do banco incluíam uma plataforma tecnológica que podia ser facilmente integrada com uma variedade de sistemas diferentes e poderia suportar uma vasta gama de tipos de dados, incluindo informação transacional de grande volume. Dado que muitas empresas semelhantes estão passando por programas de transformação digital, a variedade de sistemas com que ferramentas como estas devem ser integradas só vai aumentar nos próximos anos à medida que a passagem gradual das plataformas herdadas para tecnologias mais modernas continuar.
O aspecto de self-service das necessidades do banco reflete o seu desejo de se afastar da dependência de pessoal de TI e operações sobrecarregado. Ao permitir que os utilizadores empresariais consultem e reportem diretamente dados de risco e financeiros, estas atividades não só são muito mais rápidas como envolvem muito menos pessoal adicional. No entanto, para que estes utilizadores se sintam confortáveis na utilização de tal ferramenta, a interface precisava de ser simples de utilizar e adequada ao fim a que se destinava, do ponto de vista do utilizador empresarial.
Outro benefício significativo de passar de processos manuais para um sistema automatizado é que a empresa tem maior transparência no que diz respeito à proveniência dos dados que são utilizados nos seus relatórios. A linhagem de dados é acessível a partir de um sistema centralizado, o que melhora muito a pista de auditoria e reduz o risco de dados. Os problemas de qualidade e integridade dos dados podem ser resolvidos mais rapidamente, uma vez que os sistemas fonte podem ser facilmente identificados e quaisquer problemas subjacentes podem ser resolvidos, se necessário. Quando os reguladores ou clientes batem à porta para fazer perguntas, a firma está mais apta a responder a essas perguntas no prazo requerido.
De uma perspectiva puramente empresarial, os decisores podem acessar os dados de que necessitam a pedido e tomar decisões informadas com base em dados atuais, incluindo informação transacional em tempo real. A latência é minimizada e as avaliações de risco são muito mais precisas do ponto de vista do mercado e do cliente. Cumprir acordos de nível de serviço (SLAs) é muito menos desafiante e os relatórios estão disponíveis à medida que são exigidos pelos clientes.
Muitas empresas já investiram tempo e dinheiro nas suas arquiteturas de dados durante a última década com um objetivo de melhoria do negócio em mente. Algumas empresas construíram lagos de dados para reunir os seus ativos de dados de toda a organização, mas estas arquiteturas centralizadas ainda não corresponderam às expectativas da empresa na maioria dos casos. Embora os dados estejam disponíveis para análise histórica básica, não são facilmente manipulados e interrogados a partir de uma perspectiva analítica mais aprofundada. Os Data Lakes também têm frequentemente dificuldades em suportar a análise de dados em tempo real à escala, o que requer uma camada adicional no topo do lago para normalizar e tornar os dados adequados ao fim a que se destinam.
Os utilizadores empresariais querem ser capazes de fazer o melhor uso dos investimentos existentes em vez de começar do zero, portanto, construir no topo do lago é a melhor opção. Pense numa camada de tecido de dados muito semelhante a uma fábrica de processamento de água, filtrando a lama do lago de dados e assegurando que é consumível pelas funções a jusante. Se um utilizador empresarial receber uma consulta de um cliente, pode acessar os dados residentes no Data Lake através do tecido de dados e responder a consultas complexas em tempo real, independentemente do tipo de dados envolvidos. Os resultados poderiam ser para análise de carteira, gestão de risco, conformidade ou quaisquer outros fins comerciais.
Estes desafios também não se limitam ao setor bancário, os gestores de ativos também estão interessados em apoiar melhor a optimização da sua carteira, relatórios operacionais, e funções de relatórios de clientes com dados limpos e rapidamente entregues. A atividade de F&A no meio da comunidade de gestão de ativos tem sido significativa nos últimos anos, o que significa que, tal como as suas contrapartes bancárias, muitas destas empresas estão também a debater-se com arquiteturas operacionais pesadas e em silos. Agregar dados de sistemas de múltiplas fontes e fornecer às várias funções de negócio, conformidade e risco um acesso rápido e fácil aos dados, quer diretamente ou integrando em sistemas a jusante, também faz a diferença no domínio da compra.
Nenhuma tecnologia pode resolver todos os seus problemas de negócio; no entanto, podem certamente ajudar quando se trata de lidar com o ritmo rápido do ambiente de mercado atual e futuro.
Virginie O'Shea é CEO e Fundadora da
Firebrand Research. Como analista e consultora, O'Shea é especializada em tecnologia de mercados de capitais, abrangendo gestão de ativos, sistemas bancários internacionais, serviços de títulos e TI financeira global.
Este post foi originalmente publicado no Tabb Forum.
