Финтех

гибкости, потому что схемы данных могут просто меняться. Но в таком варианте есть недостаток, потому что он предлагает ограниченную видимость данных: все спрятано за кодом.

В 2012 г. Scaled Risk представили гибридный подход, основанный на Schema on read, но улучшенный:

• реализацией схемы данных поверх метамодели;

• возможностью Schema on read положиться на несколько схем данных;

• возможностью Schema on read автоматически запускать преобразование типов.

Этот гибридный подход значительно уменьшил обычные расходы на внедрение централизованного хранилища данных на начальной стадии, а также при дальнейших его обновлениях.

Эластичность и расширяемость

Эластичность и расширяемость – это главные прорывы, привнесенные технологией больших данных. Обеспечение настоящей открытой распределенной архитектуры позволяет приложениям, использующим большие данные, предлагать неограниченные:

• хранилища данных;

• вычислительные возможности;

• кэширование (внутри памяти).

Внедрение регуляторной системы вызывает множество вопросов, как это было в веб-отрасли:

• до какого уровня сложности будут развиваться данные;

• как быстро будут увеличиваться объемы данных;

• понадобятся ли им больше вычислительных мощностей (например, вальвация);

• нужно ли им быть быстрее (например, закон Додда – Фрэнка и центры обмена информацией)?

Совмещение внутренних и внешних данных

Эффективная система надзора за нормативно-правовым соответствием должна уметь сочетать данные, которые банк уже хранит в своей внутренней системе, предоставленные третьими сторонами, и публично доступные данные (социальные сети, Интернет). Например, при помощи этих источников данных можно распознать отмывание денег путем корпоративных закупок:

• данные из системы банковских операций;

• данные из внешних директорий компании, чтобы идентифицировать акционеров;

• управление по контролю над иностранными активами казначейства США и другие похожие списки;

• результаты поиска информации о заинтересованных лицах.

Большие данные не только обеспечивают удобный сбор данных и их хранение, но также предлагают различные гибкие возможности по синхронизации данных из различных форматов.

В случае с обнаружением случаев отмывания денег, такая реализация позволит:

• обнаружить, что акционеры – это те же люди, которые упоминаются в результатах поиска в Интернете или списках управления по контролю над иностранными активами казначейства, даже если имена транслитерированы различным образом с различных языков;

• рассчитать надежность репутации посредством извлечения данных из Интернета;

• использовать возможности программы для обнаружения слабого сигнала или

• мошеннической схемы по операциям на счету.

Совмещая такую информацию, технология больших данных (как показано на рис. 1 выдаст немедленный результат о возможности отмывания денег. Похожая верификация в ручном режиме потребует нескольких часов работы и не будет настолько исчерпывающей и эффективной.

Улучшение традиционных подходов

Большие данные способны уменьшить уровень сложности данных и обнаружить слабые сигналы в огромных массивах информации. Статистика, анализ текста, машинное обучение усиливают распределенные возможности систем анализа больших данных, потому что они способны:

• хранить большие объемы данных и статистические данные за неограниченный период времени;

• исполнять сложные алгоритмы в режиме реального времени;

• хранить наиболее часто используемые данные в быстро распределенном кэше (т. е. в памяти);

• оставлять расходы на разумном уровне (используются средние серверы).

Такие подходы дают отличные результаты для извлечения скрытой информации из массивов данных при малом числе ложно положительных результатов.

С другой стороны, традиционные подходы слишком устарели, имеют ряд ограничений и часто упускают реальные положительные результаты. Другой недостаток устаревших подходов, использующих обработчики бизнес-правил, основанные на структурированных данных, – это трудность адаптации к изменениям в правовых нормах.

Гибридный подход при обработке показателей, предоставленных системами анализа больших данных, выдает лучшие результаты. Показатели больших данных с ложно положительными результатами эффективно фильтруются обработчиком правил, в то время как обнаруживается больше подозрительных случаев. Давление со стороны законодательных актов определенно ушло за пределы «времени и материалов». Невозможность реализовать эффективный контроль соответствия правовым нормам уже привело к многомиллионным штрафам.

Проверяйте все

Контроля и внедрения регуляторного надзора, к сожалению, недостаточно. Правовые нормы требуют, чтобы вы могли доказать, что все методы контроля действительно были использованы. Большие данные снова оказываются очень полезными тем, что хранят исчерпывающие результаты проверки, временные штампы и относящуюся к делу информацию для каждого контрольного журнала.

Контрольный журнал всегда доступен, это означает, что данные за несколько лет могут предоставляться в режиме реального времени. Архивирование становится проще, потому что размер хранилища неограничен: оно подробное и любой исторической глубины.

Успешное внедрение проекта

Основываясь на нашем опыте, успешное внедрение систем надзора за нормативно-правовым соответствием, основанных на больших данных, требует исполнения некоторых обязательных условий.

Требуются промежуточные компоненты

Открытая программная платформа Hadoop для работы с необработанными данными пока не готова к внедрению в обычные финансовые процессы. Внутренний проект, основанный на Hadoop, потребует несколько человеко-месяцев, если не человеко-лет, чтобы создать и внедрить пакет промежуточных технических компонентов. Это, конечно же, самый неожиданный факт, с которым можно столкнуться при создании проекта с использованием больших данных «с нуля».

Другой выученный урок: компоненты, доступные публично, не обязательно будут отвечать требованиям банковской системы, особенно в отношении целостности данных и работы в режиме реального времени. Это значит, что некоторые компоненты тоже необходимо разрабатывать.

Создание внутреннего проекта требует огромного количества времени, которое можно сэкономить, если использовать существующие сторонние платформы, как показано на рис. 2.

Scaled Risk предлагает готовые к использованию возможности технологии больших данных:

• гибкую схему данных с поддержкой множества версий для быстрого сбора данных;

• управляемую событиями технологию, работающую в режиме реального времени в самом сердце архитектуры;

• мгновенный, простой и целостный доступ к данным благодаря функциональности поисковой службы;

• возможность надежной отчетности благодаря распределенной и оперативной аналитической обработке данных в реальном времени (OLAP);

• полное представление аудита с возможностью представления данных;

• компоненты визуализации данных.

Это дает экономию на выведение продукта на рынок с нашей интегрированной платформой.

Использование такого решения позволит вам потратить время и деньги на то, чтобы действительно внедрять правила и контроль нормативно-правового соответствия.

Используйте открытые системы

Они полностью совместимы с готовыми к использованию коммерческими решениями. Scaled Risk не собирает ваши данные в черный ящик. Hadoop и экосистема открытого ПО предоставляют крупным компаниям мощное программное обеспечение (R, Spark, Hive и т. д.), которое остается полностью совместимым с этой системой.

Открытая система уже вот-вот будет способна расширять или изменять правила и источники данных. Технологии, используемые для того, чтобы добиться этого, должны быть стандартными и открытыми, что позволит вам легко найти экспертные ресурсы на рынке труда.

Комплексное внедрение проекта

Технологии больших данных остаются новыми для предприятий и банков, в результате чего технология ориентируется сама на себя. По нашему мнению, это ошибка, которую следует старательно избегать. Отрасль финансового программного обеспечения стремительно меняется с появлением новичков, которые могут одновременно предоставлять финансовые услуги и услуги анализа больших данных. Они являются лучшими поставщиками систем надзора за нормативно-правовым соблюдением законодательства.

Финтех-решения при оптимизации сложных контрактов

Акбер Дату (Akber Datoo),

партнер, D2 Legal Technology LLP

Десятилетия пренебрежения вышли боком. Во все более регулируемом и конкурентном мире на финансовые учреждения налагается обязанность понимания сложных контрактов с клиентами. Неспособность к такому пониманию приводит к катастрофе, которая произошла с Lehman Brothers and AIG. Если финансовый кризис и научил нас чему-то, так это тому, что у нас низкий уровень понимания большинства контрактов, которые мы заключаем. Компании попали в