| | Kredittrisiko

Slik oppnår du umiddelbare resultater med Advanced Analytics

Er du klar for å ta dine finansielle beslutningprosesser til et nytt nivå?

Ved første øyekast kan Advanced Analytics for finans virke overveldende og komplekst. Det er ikke bare faktorer som er relevante for advanced analytics generelt som skal vurderes, men også bransjespesifikke faktorer innenfor finansielle prosesser. Disse omfatter lovbestemmelser, vektlegging av ansvarlighet og sporbarhet i forhold til beslutningsprosesser (helt ned til enkeltsaker), og det faktum at beslutningene kan føre til direkte konsekvenser for forbrukere og/eller foretak.

Den gode nyheten er at fordelene er enorme. Advanced analytics kan, og har allerede, revolusjonert finansverdenen og dens prosesser ved å avdekke muligheter, forsterke forståelsen av våre kunder og muliggjøre vellykkede og mer effektive økonomiske beslutningsprosesser gjennom hele kundens livssyklus, fra bestilling til betalingsprosess – noe som også er i kundens interesse. Når Advanced Analytics (se vår innsikt under) implementeres riktig åpnes helt nye muligheter for finansavdelinger, også når det gjelder intern posisjonering. De kan nå bistå andre avdelinger som markedsføring, salg, Consumer Relationship Management og Supply Chain Management enda bedre enn før, ved å tilgjengeliggjøre handlingsrettet innsikt.  Dette bidrar positivt til målene i alle avdelinger og den overordnede selskapsstrategien, og til slutt skaper den en vinn-vinn-situasjon for hele selskapet.

Hvordan kan du så ta dine økonomiske beslutningsprosesser til et nytt nivå? Det er mange faktorer å vurdere, men i dette blogginnlegget skal jeg fokusere på de seks nøkkelelementene som er nødvendige for å få en helhetlig strategi og oppnå avkastning over gjennomsnittet i Financial Advanced Analytics-prosjekter:

Data – hjertet av bedriftsanalyser innen finans

All forretningsinnsikt begynner med innhenting og behandling av data. Finansprosesser genererer en enorm mengde data – både strukturert og ustrukturert – takket være behovet for sporbarhet, ansvarlighet og sikkerhet. Ifølge Veritas er omtrent 50 prosent av alle dataene som er lagret og behandlet av bedrifter globalt i dag “mørkedata”, noe som betyr at verdien av disse har ikke blitt kvantifisert ennå. Bare 15 prosent av alle lagrede data i dag regnes som forretningskritisk når det gjelder beslutninger. Men hva som anses som “kritiske” data kan endres over tid, slik at en regelmessig overvåkingsprosess (for eksempel under modellvalideringer) må etableres sammen med bærekraftige retningslinjer for datastyring som vurderer datakvalitet og -kvantitet.

Eksempelvis kan en bank tradisjonelt beregne verdien av en kunde (og bruke den til styring i ulike finansprosesser) ved å se på kundens produkter og tilknyttede kontotransaksjoner. Ytterligere informasjon kan komme fra andre kilder. Bank-app/data fra portal (lokasjon, atferd, og innloggingsinformasjon innhentet med nødvendig samtykke og i samsvar med gjeldende forskrifter) kan innhentes og øke forståelsen av en kundes oppførsel og behov i kombinasjon med tradisjonelle datakilder.

I tillegg til datamengden og datakilden, må hastigheten dataene kan behandles med, samt tilgjengeligheten på et bestemt tidspunkt for beslutningstaking, også vurderes. Dette er spesielt relevant for sanntidsautomatiserte avgjørelser i en finansiell sammenheng, der avgjørelser (for eksempel akseptere/avvise/henvise) må gjøres umiddelbart.

Verktøy for å aktivere vellykkede finansielle beslutningsprosesser

Når man ska implementere Advanced analytics starter man ikke med teknologien. Man må tenke på brukstilfeller og data som en har tilgjengelig, og kombinert med virksomhetens mål kan man formulere en helhetlig strategi for Advanced analytics.

Når tiden er inne for å velge verktøy er det første spørsmålet en må stille seg om de er egnet for virksomhetens konkrete behov. Vil de være i stand til å oppfylle kravene etter hvert som virksomheten utvikler seg?

Det er en tydelig sammenheng mellom alle de seks hovedelementene i Financial Advanced Analytics-strategien. Når det kommer til plattformsvalg, er det viktig å vurdere om en bør velge API- eller kommersiell løsning? Skal plattformen redusere kompleksiteten med et grafisk brukergrensesnitt, eller vil du virkelig gå ned til kodenivået, eller et sted i mellom?

Til slutt bør man unngå å søke etter banebrytende løsninger – Pareto kan for eksempel tilby en brukbar tilnærming til teknologispørsmålet. Noen krav kan imidlertid ikke fravikes – for eksempel overholdelse, regelverk og krav fra myndighetene når det gjelder dokumentasjon og sporbarhet.

Metodikk – oppnå transparens og gjør den skalerbar

Enhver metodikk som benyttes av Financial Advanced Analytics må baseres på en grundig forståelse av virksomheten og dens mål, konkrete brukstilfeller, potensiell avkastning og tilhørende data. Det finnes eksisterende metoder som kan tjene som inspirasjon, som CRISP-DM, der implementeringen av datautvinningsprosjekter deles i 6 nøkkelfaser, og som også passer for Financial Advanced Analytics-prosjekter: forretningsforståelse, dataforståelse, forberedelse av data, modellering, evaluering og distribusjon. Men det vil alltid være nødvendig med tilpasning til dine individuelle forretningsbehov.

Når du har bestemt deg for en metodikk, er planlegging og kommunikasjon helt avgjørende. En vanlig fallgruve er å glemme tilstrekkelig planlegging for distribusjon, ofte referert til som “den siste milen”. Det er enkelt for et prosjektteam å bli isolert i overgangsfasen og dermed presentere en løsning som ikke er kommunisert. Informer derfor viktige interessentene om årsaskene for og prosedyrene rundt prosjektet, forventet avkastning og prosjektets varighet for å sikre involvering av de viktige intressentene i distribusjonsfasen. Resultatene av Financial Advanced Analytics-prosjekter kan endre virksomheten, og må derfor forberedes og administreres deretter.

Til slutt, mens kunnskap om finansielle prosesser er grunnlaget for suksess i implementering av Financial Advanced Analytics, må du ha et åpent sinn når det gjelder algoritmer og konsepter. En erfaren partner kan gjerne bruke innsikt fra andre næringer og sammenlikne dine konkurrenter for å identifisere de mest fordelaktige områdene for bruk av Financial Advanced Analytics.

Menneskene – som kombinerer data med forståelse for finansielle prosesser

Alt snakket om teknologi kan noen ganger overskygge et av de viktigste elementene for å skape en datadrevet virksomhet og kultur – nemlig menneskene. I tråd med fremskrittene innen teknologi, har roller og ferdigheter også utviklet seg.

Før var det vanlig for dataforskere å jobbe alene med isolerte konsepter, og samle inn og tolke data i laboratoriene sine. I et komplekst datastyrt miljø vil dataforskere som jobber isolert, kjempe for å levere reell verdi – en av hovedgrunnene til at de fleste konsepter aldri «går den siste milen». I dag må de være proaktive, kommersielt bevisste lagspillere som forstår virksomheten, samt analyser/data og proaktivt kan samarbeide med andre interessenter. Dette gjelder også for alle andre som er med i prosjektgruppen eller involvert i Financial Advanced Analytics-prosjekter – det handler om fordomsfri datadrevet tenkning.

Det er ekstremt viktig å vurdere hva som kreves av menneskene, og deretter utvikle en strategi som sikrer tilgjengeligheten og kontinuiteten til det oppgavekritiske talentet, formulert sammen med ethvert prosjekt for implementeringen av Financial Advanced Analytics. Når de nye eller modifiserte rollene er identifisert, kan man deretter vurdere hvilke roller som best oppfylles internt, og hvilke som skal leveres av eksterne partnere. Forholdet mellom de to kan variere betydelig avhengig av tid, penger og forretningsstrategi.

Endringsledelse for vellykkede Financial Advanced Analytics-prosjekter

Endringsledelse i implementeringen og gjennomføringen av Financial Advanced Analytics er trolig et av de mest oversette aspektene i prosessen. Ettersom data ofte behandles i siloer i store organisasjoner, må det fremmes en samarbeidskultur for å dra nytte av fordelene på et foretaksnivå. En måte å oppnå dette på er å skape vinn-vinn-situasjoner hvor utvalgte avdelinger samarbeider med analytikere for å oppnå felles mål.

Til eksempel: Hva ville være fordelen hvis du som Key Account Manager for en av bedriftens viktigste kunder justerte kredittgrensen proaktivt i forkant av store avtaler, i stedet for å eskalere den i etterkant? Masse potensial kan avdekkes, for eksempel ved å synkronisere målene for salgs- og finansavdelingene, og å slå sammen datasett fra begge to.

Man må også huske på at det er ikke bare maskiner, men også mennesker som skal samhandle med innsikten og beslutningene som gjøres mulig ved hjelp av dataene. I denne forbindelse er det viktig å få alle interessenter engasjert på et tidlig stadium, for å sikre at de er klare på når prosessene rulles ut. Det er mange tilfeller der Financial Advanced Analytics-prosjekter blir forsinket fordi personalet var uforberedt på de nye prosessene og prognosefunksjonene. Hva kan man lære av det? Åpen dialog og tydelig kommunikasjon er viktig – innrammet av en tydelig strategi som forklarer hvorfor og hvordan initiativet er.

Operative modeller for Advanced Analytics i finansielle prosesser

Ifølge CRISP-DM er den operative modellen en del av metodens implementeringsfase. Vår erfaring viser imidlertid at denne faktoren er av avgjørende betydning og fortjener en separat diskusjon. Uansett hvilken modell du bestemmer deg for, er det et par faktorer du må vurdere som kan påvirke effektiviteten til modellen. Den første er å unnlate å planlegge effektivt for implementering. Som med endringsledelse spiller kommunikasjon en nøkkelrolle for å sikre at menneskene over hele organisasjonen er om bord, både når det gjelder hva man kan forvente og hvorfor det blir gjort.

En annen faktor som kan begrense effektiviteten til den operative modellen er mangel på overvåkning, vedlikehold og oppdatering av modellen over tid. En statisk modell vil ikke forbli relevant med endrede markedsforhold, forbruker-/kundeatferd og porteføljestruktur. Derfor er det obligatorisk å etablere en bærekraftig overvåkingsramme som sikrer at beslutningene går i riktig retning over tid, og at modellene tilpasses når det er nødvendig.

Sist, men ikke minst…

Etter å ha presentert de seks nøkkelelementene for vellykkede Financial Advanced Analytics-prosjekter, er det kanskje på tide å spørre hvor man skal begynne? Det lønner seg å bruke litt tid på å definere strategien – som dekker minst de 6 nøkkelelementene som er identifisert ovenfor – og forklare hvor du vil, og viktigst av alt, hvorfor. Deretter må man være åpensinnet overfor datakildene, og forsøke å kombinere data for å utnytte innsikt. Og glem for all del ikke at det menneskelige elementet, endringsledelse og kommunikasjon er vitale deler av miksen.

Hvis du er klar til å ta det neste steget kan du lese mer om Financial Advanced Analytics her.

Andre relevante innlegg