Tendencias del 2023: Las Medidas de Modernización en el Sector de los Servicios Financieros

Boris Bialek
March 23, 2023
#Finance

Ante la recesión mundial que se avecina, los bancos se enfrentan a unas condiciones económicas difíciles en 2023. Reducir los costes será vital para que muchas organizaciones sigan siendo competitivas en un entorno con un uso intensivo de datos y altamente regulado. Por ello, es importante que cualquier inversión en IT acelere la transformación digital con tecnologías innovadoras que rompan los silos de datos, aumenten la eficiencia operativa y creen experiencias personalizadas para los clientes.

Siga leyendo para conocer las áreas en las que los bancos están buscando modernizarse en 2023 para construir mejores experiencias de cliente con un coste menor y a escala.

Diseñando un futuro bancario mejor mediante diseños flexibles

En un momento en que los bancos están deseando modernizarse e innovar, las entidades deben alejarse de los sistemas heredados que limitan su capacidad de progresar. Situar a los consumidores en el centro de una experiencia bancaria compuesta por servicios interconectados pero independientes ofrece a los bancos, que apuestan por la tecnología, la oportunidad de remodelar sus modelos de negocio y, en consecuencia, aumentar su cuota de mercado y su rentabilidad.

Estas oportunidades han hecho posible un diseño de arquitectura componible que permite una innovación más rápida, una mayor eficiencia operativa y la creación de nuevas fuentes de ingresos mediante la ampliación de la cartera de servicios y productos. De este modo, los bancos pueden adoptar el mejor software de su categoría y el que mejor se adapte a sus necesidades, organizando asociaciones estratégicas con las empresas de tecnología financiera y los proveedores de software pertinentes. Esta nueva generación de proveedores puede ofrecer desde servicios de conocimiento del cliente (KYC, del inglés "Know Your Customer") hasta reservas integradas, servicios de carga o funcionalidades básicas de marketing y gestión de portfolios.

Este enfoque es más rentable para las entidades que tener que construir y mantener ellas mismas la infraestructura, y es significativamente más rápido en términos de tiempo de comercialización y tiempo de obtención de ingresos. Los bancos que adoptan este enfoque ven a las fintech menos como competidores y más como parte de un ecosistema con el que colaborar para acelerar la innovación y llegar a los clientes.

Eficiencia operativa mediante automatización inteligente

Las entidades financieras seguirán centrándose en la eficiencia operativa y el control de costes mediante la automatización de los procesos manuales y basados en papel. Los bancos han hecho algunos progresos en la digitalización y automatización de lo que antes eran procesos manuales basados casi exclusivamente en papel. Sin embargo, el principal motor de esta transformación ha sido el cumplimiento de la normativa local, en lugar de una estrategia global para conocer realmente al cliente y lograr su satisfacción.

El mercado demanda mejores decisiones automatizadas y basadas en datos, y los sistemas heredados no pueden seguir el ritmo. Crear las experiencias hiperpersonalizadas que demandan los clientes, como chatbots, portales de autoservicio y análisis forense digital, es difícil para las entidades que utilizan tecnología obsoleta. Además, tener una infraestructura de datos en silos impide cualquier experiencia moderna verdaderamente integrada.

Mediante una combinación de automatización robótica de procesos (RPA, del inglés "Robotic Process Automation"), aprendizaje automático (ML, del inglés "Machine Learning") e inteligencia artificial (IA), las entidades financieras pueden agilizar los procesos, liberando así a los empleados para que se centren en tareas que tengan un mayor impacto para el cliente y la empresa. Las entidades no deben digitalizar sin tener en cuenta la interacción humana que será sustituida, ya que los clientes prefieren un enfoque híbrido.

La capacidad de actuar sobre los datos en tiempo real es el camino a seguir para impulsar el valor y transformar las experiencias de los clientes, lo que debe ir acompañado de la modernización de la arquitectura de datos subyacente. El prerrequisito para alcanzar este objetivo implica la disociación de los datos y las fuentes en un paisaje de datos holístico. Algunos lo llaman data mesh otros fuentes de datos componibles o datos virtualizados.

Resolviendo los retos que plantean los datos ESG (del inglés "Environmental, Social, and Governance")

Junto con la elevada inflación, la crisis del coste de la vida, las turbulencias energéticas y la subida de los tipos de interés, los aspectos medioambientales, sociales y de gobernanza (ESG) también están en el punto de mira. Los reguladores presionan cada vez más para que se faciliten datos ESG y los inversores para que los portfolios sean sostenibles. El papel de los datos ESG en la realización de análisis de mercado, el apoyo a la asignación de activos y la gestión de riesgos, y proporcionar información sobre la sostenibilidad a largo plazo de las inversiones sigue creciendo.

La naturaleza y variabilidad de muchas métricas ESG es un reto importante al que se enfrentan las empresas hoy en día. A diferencia de los datasets financieros, que son en su mayoría numéricos, las métricas ESG pueden incluir datos cuantitativos y cualitativos para ayudar a los inversores y otras partes interesadas a comprender las acciones e intenciones de una empresa. Esta complejidad, unida a la falta de una norma de información ESG de aplicación universal, significa que las instituciones deben considerar diferentes normas con diferentes requisitos de datos.

Para dominar la elaboración de informes ESG, incluida la integración de los KPIs pertinentes, se necesitan datos adecuados y de alta calidad que, además, tengan el nivel de granularidad adecuado y cubran los sectores y la región requeridos. Dado el volumen y la complejidad de los datos, las entidades financieras están construyendo plataformas ESG sustentadas en modernas plataformas de datos capaces de consolidar distintos tipos de datos de varios proveedores, crear vistas personalizadas, modelizar datos y realizar operaciones sin barreras.

Pagos digitales - Ofreciendo una experiencia enriquecida

Impulsado por las nuevas tecnologías y las tendencias mundiales, el mercado de los pagos digitales está floreciendo en todo el mundo. Con una valoración de más de 68.000 millones de dólares en 2021 y expectativas de crecimiento de dos dígitos en la próxima década, los mercados emergentes lideran la expansión relativa. Este crecimiento se ha visto impulsado por los pagos sin efectivo inducidos por la pandemia, el comercio electrónico, el impulso gubernamental y las fintech.

Los pagos digitales están transformando la experiencia de pago. Mientras que antes bastaba con que los proveedores de servicios de pago facilitaran información sobre las cuentas y orquestaran transacciones sencillas, ahora los consumidores exigen una experiencia mucho más completa en la que cada transacción ofrezca nuevas perspectivas y servicios de valor añadido. Satisfacer estas expectativas es difícil, especialmente para las empresas que dependen de tecnologías obsoletas que se crearon mucho antes de que las transacciones se realizaran con unos pocos clicks en un dispositivo móvil.

Para satisfacer las necesidades de los clientes, las instituciones financieras están modernizando su infraestructura de datos de pagos para crear experiencias de pago personalizadas, seguras y en tiempo real, todo ello protegiendo a los consumidores del fraude. Esta modernización permite a las entidades financieras ingerir cualquier tipo de datos, poner en marcha servicios más rápidamente, a un coste menor y tener la libertad de ejecutarlos en cualquier entorno, desde el local hasta la multi-nube.

Seguridad y gestión de riesgos

Los datos son fundamentales para todas las instituciones financieras; se reconocen como un activo esencial para impulsar el crecimiento de los clientes y la innovación. Sin embargo, a medida que aumenta la necesidad de aprovechar los datos de forma eficiente, según el 57% de los responsables de la toma de decisiones, la tecnología heredada que aún sustenta a muchas organizaciones es demasiado cara y no cumple los requisitos de las aplicaciones modernas. Esta infraestructura heredada no sólo es compleja, sino que además es incapaz de cumplir los requisitos de seguridad actuales.

Dado el enorme volumen de datos confidenciales de clientes y consumidores que el sector de los servicios financieros maneja a diario -y la estricta normativa que los regula-, la seguridad debe ser la máxima prioridad. El valor percibido de estos datos también convierte a las organizaciones de servicios financieros en el principal objetivo de las filtraciones de datos.

La protección contra el fraude, la gestión de riesgos y la lucha contra el blanqueo de dinero son prioridades importantes para cualquier nueva plataforma de datos, según el estudio de Forrester What's Driving Next-Generation Data Platform Adoption in Financial Services. Para hacer frente a estos retos, la adopción de plataformas de datos de nueva generación seguirá creciendo a medida que las instituciones financieras se den cuenta de todo su potencial para gestionar costes, maximizar la seguridad y fomentar la innovación.

Descargue el estudio completo de Forrester - What's Driving Next-Generation Data Platform Adoption in Financial Services - para obtener más información.

← Previous

Los 5 Pasos Necesarios para Modernizar el Mainframe de los Bancos

Enriquecida, cómoda y personalizada son las palabras clave para cualquier empresa que construya una experiencia de cliente digital moderna. No es diferente para los bancos minoristas tradicionales, especialmente cuando intentan defenderse de los bancos emergentes y diseñar sus propias experiencias de banca online y en las sucursales para captar nuevos clientes y retener a los existentes. Sin embargo, para vencer a la competencia y crear experiencias que superen las ofrecidas por los neobancos, los bancos minoristas establecidos deben dominar su patrimonio de datos. En concreto, deben liberarse de las rígidas arquitecturas de datos asociadas a los mainframes heredados y a las aplicaciones bancarias empresariales monolíticas. Sólo entonces los bancos establecidos podrán hacer que sus desarrolladores se pongan a trabajar en la creación de aplicaciones de alta calidad orientadas al cliente, en lugar de gestionar miles de tablas SQL, luchar por rehacer los esquemas o mantener sistemas heredados que flaquean. El primer paso en este proceso es modernizar el mainframe. Modernización avanzada en 5 fases La mejor opción de modernización es un modelo por fases que utilice una capa de datos operativos (ODL, del inglés "Operational Data Layer"). Una ODL actúa como puente entre los actuales y los nuevos sistemas de un banco. El uso de una ODL permite un enfoque iterativo, lo que permite a los bancos ver el progreso hacia la modernización en cada paso del camino sin dejar de proteger los activos existentes y las operaciones críticas para el negocio. Los bancos pueden ver mejoras rápidas en un periodo de tiempo relativamente corto, al tiempo que conservan los componentes heredados mientras sean necesarios para mantener el negocio en funcionamiento. El enfoque de modernización en cinco fases de MongoDB permite a los bancos modernizarse de forma progresiva al tiempo que equilibran el rendimiento y el riesgo. Si los bancos están deseando modernizarse y sus clientes exigen experiencias bancarias modernas, ¿por qué tardan tanto en abandonar los sistemas heredados que limitan su capacidad de innovación? ¿Y por qué fracasan tantos esfuerzos de modernización? Acceda al informe Las 5 fases de la modernización bancaria para empezar a trazar su camino. Técnicas de modernización del mainframe Con una ODL, la infraestructura heredada puede desconectarse pieza a pieza y retirarse a medida que se añaden más funcionalidades. En este escenario, las operaciones de base de datos son mucho más eficientes porque los objetos se almacenan juntos en lugar de en ubicaciones inconexas. Las lecturas se ejecutan en paralelo a través de los nodos de un conjunto de réplicas. Las escrituras no se ven afectadas. Para aportar beneficios similares a las escrituras, los bancos pueden optar por implantar un ODL con sharding y shards regionales , acercando las escrituras al usuario real. A continuación, las cargas de trabajo pueden trasladarse gradualmente de los sistemas heredados al ODL, con el objetivo final de desmantelar el sistema heredado. Lo interesante de este enfoque de la modernización es que comienza por contestar al siguiente caso de uso: ¿A qué problemas se enfrenta el banco en su gestión de datos y qué funcionalidades solicitan los clientes? Si la principal prioridad es dar a los clientes acceso a los datos históricos de las transacciones, los bancos pueden abordar ese problema inmediatamente creando un repositorio (o dominio) para descargar los datos de los clientes del mainframe. Si la prioridad es la reducción de costes, entonces un ODL puede actuar como una capa intermedia, permitiendo a las aplicaciones acceder a los datos que necesitan, sin necesidad de ejecutar costosas consultas contra los datos del mainframe. Las ventajas de un ODL MongoDB es ideal para conectar mainframes y bases de datos tradicionales a arquitecturas más modernas, como un data mesh mediante una ODL. Una ODL tiene una serie de ventajas. Combinadas, estas ventajas facilitan enormemente el acceso a los datos y su uso, y hacen que las aplicaciones sean más fáciles y rápidas de desarrollar. Una ODL permite a una organización procesar y aumentar datos que residen en silos separados, y luego utilizar esos datos para alimentar un producto derivado, como un sitio web o un cajero automático. Con una ODL, los datos se copian físicamente a una nueva ubicación. Los sistemas heredados de un banco permanecen en su lugar, pero las nuevas aplicaciones pueden acceder a los datos a través de la ODL en lugar de interactuar directamente con los sistemas heredados. Un ODL puede extraer datos de uno o varios sistemas de origen y alimentar una o varias aplicaciones consumidoras, unificando datos de múltiples sistemas en una única plataforma en tiempo real. Un ODL libera el mainframe de cargas de trabajo. Un subproducto útil es evitar las interrupciones del servicio al consumidor provocadas por las ventanas de mantenimiento en sistemas heredados, como Oracle Exadata. Una ODL puede utilizarse para servir sólo lecturas, aceptar escrituras que luego se escriben en los sistemas de origen, o evolucionar hasta convertirse en un sistema de registro que acabe sustituyendo a los sistemas heredados y simplifique la arquitectura de la empresa. Debido a su capacidad para trabajar con sistemas heredados, o para sustituirlos gradualmente, y a su capacidad para apoyar un enfoque evolutivo de la modernización heredada, muchos bancos consideran que una ODL es un paso crítico en el camino hacia la modernización completa de su arquitectura empresarial. En términos de configuración arquitectónica, algunos bancos pueden querer una ODL para cada uno de sus dominios de datos, pero otros pueden considerar que ciertos dominios pueden compartir una ODL. El modelo de ODS/ODL puede aplicarse de diversas maneras, sin infringir las normas internas del banco. Por ejemplo, imaginemos un cajero automático conectado a un ODL basado en MongoDB. Con el ODL en funcionamiento, los datos del mainframe se replican en tiempo real y se ponen a disposición del consumidor para que compruebe sus transacciones más recientes y el saldo de su cuenta en el cajero automático. Sin embargo, la información del saldo del cliente sigue residiendo en el sistema de origen. Utilizar el ODL para replicar y mostrar información del mainframe evita a los clientes tener que enfrentarse a retrasos molestos mientras esperan a que se cargue la información de un mainframe. Al mismo tiempo, los informes normativos y de gestión de riesgos pueden seguir ejecutándose contra un mainframe como un proceso batch "end of day". Con un ODL en funcionamiento, los datos pueden fluir desde el mainframe a una arquitectura más nueva, lo que proporciona al cajero automático capacidades más amplias que amplían las experiencias bancarias de los clientes, como la posibilidad de pagar facturas, cambiar direcciones o incluso abrir cuentas adicionales. Actualizaciones en batch nocturnos, masivas o en tiempo real: MongoDB es lo suficientemente flexible como para conectarse a cualquier fuente de datos, ya sea DB2 clásico para zOS, Oracle, SQL Server, legado basado en Hadoop o incluso hojas de cálculo Excel. MongoDB dispone de la conectividad adecuada para ingerir cualquier dato en cualquier momento y desde cualquier lugar. Enriquecimiento, dominios de datos y mercados de datos: Con su modelo de datos de documentos, MongoDB tiene la capacidad de llevar los datos a dominios de datos frente al uso de enrevesados esquemas de tablas y procesos ETL. Los dominios surgen de forma natural en función de los requisitos de la aplicación y de la comunidad de usuarios. Seguridad, esquemas y validación: MongoDB cuenta con múltiples capas de seguridad, incluida la protección por contraseña sobre el cifrado in flight y at rest, además del cifrado granular field-level. Todo ello con gestión externa de claves. Dé el siguiente paso en la modernización del mainframe Dado que muchas funciones bancarias básicas son transaccionales y pueden gestionarse con el procesamiento por batch diarios, los mainframes siguen siendo la columna vertebral de nuestro sistema financiero. La modernización de los mainframes puede parecer desalentadora, pero no tiene por qué serlo. Los bancos pueden optar por seguir un camino sencillo y predecible que les permita modernizarse de forma iterativa. Pueden recibir los beneficios de la modernización en un área de la organización incluso si otros grupos se encuentran más adelantados en su camino de modernización. Es posible hacerlo sin dejar de cumplir la cada vez más compleja normativa sobre privacidad de datos y, lo que es más importante, minimizando los riesgos. Los bancos y otras instituciones financieras que se han modernizado con éxito han experimentado reducciones de costes, un rendimiento más rápido, prácticas de cumplimiento más sencillas y ciclos de desarrollo más rápidos. Las arquitecturas nuevas y flexibles han acelerado la creación de servicios de valor añadido para consumidores y clientes corporativos. Si está preparado para obtener más información sobre cómo puede acelerar su transformación digital minimizando el riesgo, acceda ahora al documento " Las 5 fases de la modernización bancaria "

March 23, 2023
Next →

Building AI With MongoDB: Integrating Vector Search And Cohere to Build Frontier Enterprise Apps

Cohere is the leading enterprise AI platform, building large language models (LLMs) which help businesses unlock the potential of their data. Operating at the frontier of AI, Cohere’s models provide a more intuitive way for users to retrieve, summarize, and generate complex information. Cohere offers both text generation and embedding models to its customers. Enterprises running mission-critical AI workloads select Cohere because its models offer the best performance-cost tradeoff and can be deployed in production at scale. Cohere’s platform is cloud-agnostic. Their models are accessible through their own API as well as popular cloud managed services, and can be deployed on a virtual private cloud (VPC) or even on-prem to meet companies where their data is, offering the highest levels of flexibility and control. Cohere’s leading Embed 3 and Rerank 3 models can be used with MongoDB Atlas Vector Search to convert MongoDB data to vectors and build a state-of-the-art semantic search system. Search results also can be passed to Cohere’s Command R family of models for retrieval augmented generation (RAG) with citations. Check out our AI resource page to learn more about building AI-powered apps with MongoDB. A new approach to vector embeddings It is in the realm of embedding where Cohere has made a host of recent advances. Described as “AI for language understanding,” Embed is Cohere’s leading text representation language model. Cohere offers both English and multilingual embedding models, and gives users the ability to specify the type of data they are computing an embedding for (e.g., search document, search query). The result is embeddings that improve the accuracy of search results for traditional enterprise search or retrieval-augmented generation. One challenge developers faced using Embed was that documents had to be passed one by one to the model endpoint, limiting throughput when dealing with larger data sets. To address that challenge and improve developer experience, Cohere has recently announced its new Embed Jobs endpoint . Now entire data sets can be passed in one operation to the model, and embedded outputs can be more easily ingested back into your storage systems. Additionally, with only a few lines of code, Rerank 3 can be added at the final stage of search systems to improve accuracy. It also works across 100+ languages and offers uniquely high accuracy on complex data such as JSON, code, and tabular structure. This is particularly useful for developers who rely on legacy dense retrieval systems. Demonstrating how developers can exploit this new endpoint, we have published the How to use Cohere embeddings and rerank modules with MongoDB Atlas tutorial . Readers will learn how to store, index, and search the embeddings from Cohere. They will also learn how to use the Cohere Rerank model to provide a powerful semantic boost to the quality of keyword and vector search results. Figure 1: Illustrating the embedding generation and search workflow shown in the tutorial Why MongoDB Atlas and Cohere? MongoDB Atlas provides a proven OLTP database handling high read and write throughput backed by transactional guarantees. Pairing these capabilities with Cohere’s batch embeddings is massively valuable to developers building sophisticated gen AI apps. Developers can be confident that Atlas Vector Search will handle high scale vector ingestion, making embeddings immediately available for accurate and reliable semantic search and RAG. Increasing the speed of experimentation, developers and data scientists can configure separate vector search indexes side by side to compare the performance of different parameters used in the creation of vector embeddings. In addition to batch embeddings, Atlas Triggers can also be used to embed new or updated source content in real time, as illustrated in the Cohere workflow shown in Figure 2. Figure 2: MongoDB Atlas Vector Search supports Cohere’s batch and real time workflows. (Image courtesy of Cohere) Supporting both batch and real-time embeddings from Cohere makes MongoDB Atlas well suited to highly dynamic gen AI-powered apps that need to be grounded in live, operational data. Developers can use MongoDB’s expressive query API to pre-filter query predicates against metadata, making it much faster to access and retrieve the more relevant vector embeddings. The unification and synchronization of source application data, metadata, and vector embeddings in a single platform, accessed by a single API, makes building gen AI apps faster, with lower cost and complexity. Those apps can be layered on top of the secure, resilient, and mature MongoDB Atlas developer data platform that is used today by over 45,000 customers spanning startups to enterprises and governments handling mission-critical workloads. What's next? To start your journey into gen AI and Atlas Vector Search, review our 10-minute Learning Byte . In the video, you’ll learn about use cases, benefits, and how to get started using Atlas Vector Search.

April 25, 2024