混沌から明瞭へ：銀行のデジタル・ジャーニーにおけるクリーンデータの役割

Numerixがスポンサーを務めたRisk Live Europeのパネルセッションでは、専門家がデジタルトランスフォーメーションにおいてクリーンで正確なデータが果たす役割について探求しました。ここでは、ディスカッションから生まれた主なテーマを検証します。

アーキテクチャの選択肢

デジタル化は過去10年間で、金融サービス部門を大きく変貌させました。しかし、急速な変化のペースと絶え間ない技術の進歩により、それは時に終わりのない旅のように感じられることもあります。

銀行にとって基本的な決断は、自社のビジネスに最も適したアーキテクチャ・モデルを選択することです。「銀行は、将来にわたってオンプレミスを維持できるかどうかを自問する必要があります。「そうでない場合、パブリック・クラウドに移行するのか、プライベート・クラウドを持つプロバイダーに移行するのか。これらの選択には、それぞれ異なるサポート上の課題があります。

文化、レガシー、コスト、スピード、サードパーティプロバイダの運用回復力など、他の要因も考慮する必要があります。

Numerix社のプロダクト・マネージャーであるSarthak Shreya氏は、次のように付け加えています。例えば、XVA（評価調整）には、データのトレーサビリティとリネージとともに、深い専門知識と大きな計算能力が必要です。これを安全で運用効率の高い方法で確実に行うには、専門知識を持つベンダーを利用するのが理にかなっています。しかし、その反面、機密性の高い顧客情報については、社内にとどまるか、プライベート・クラウドを利用した方が良い場合もあります」。

ICAEW Financial Services Facultyの理事であるMarina Antoniou氏も、次のように述べています：「特に人工知能[AI]や大規模な言語モデル[LLM]に関しては、膨大に流入する非構造化データを効率的に吸収・処理できるよう、組織はスケーラブルなシステムとインフラに投資することが不可欠です"

人工知能

AIはデータの状況を変えつつありますが、「従来のデータマイニングを時代遅れにするものではありません。AIは、時系列分析を可能にする、より強力なツールを提供することで、従来のデータマイニングを補完するものです」。

しかし、AIに課題がないわけではありません。パネリストは、倫理、責任、説明可能性、生成AIを使用した合成詐欺のリスクの増加、データ、機械学習、リスクに関する専門知識を持つチームを組み合わせることの難しさなどの問題を提起しました。

UBSのリスクCTOアーキテクトであるディーナール・トラスカー氏は、企業はAIをめぐる誇大広告の先を見据える必要があると述べました。単純なルールベースのアルゴリズムで十分なのに、なぜLLMにクエリを送るために10倍のエネルギーとコストを費やすのでしょうか？

シュレヤも同意見：「時系列の観点からは、機械学習指向の統計的アプローチの方が使いやすいのですが、EWMA（指数加重移動平均）やGarch（一般化された自己回帰条件付き複素分散）のような単純なアプローチでも、依然として非常に有効です。これらのモデルは、過去のギャップを埋め、一貫性のある完全な時系列データを作成するために適用することができます。

クリーンで正確なデータの定義

デジタルトランスフォーメーションに関しては、パネルも聴衆もデータテクノロジーよりもデータの質の低さについて懸念していました。しかし、クリーンで正確なデータにはさまざまな定義があります。Antoniou氏は、ベンダーのデータが受けるべきプロセスに加え、データの偏りや、環境・社会・ガバナンスの分野で大きな課題となっている堅牢なデータの入手可能性といった問題についても懸念を示しました。

シュレヤは、データの質を測ることの難しさを強調しました。「モデルのアウトプットが貧弱であれば、インプットデータも貧弱である可能性が高いのですが、データを客観的に見て、良いデータと悪いデータを識別するのは難しいのです」。

また、銀行がデータの課題を解決するための最善の方法についても説明：「まず、解決すべき問題を明確にすることが重要です。例えば、すべてのエクイティ・スワップやディスカウント・ファクター・カーブがシステム間で一貫していることを確認することなどです。また、最初からすべてがクリーンで完璧であることを期待するのではなく、ロードマップを持ち、一歩ずつ物事を進めていくことも重要です」。

責任、文化、ガバナンス

BNPパリバのCIOリスク・マーケッツ、リスク・システムの責任者であるミカエル・ソルボーエンは、責任と文化の問題を強調しました。「長年、私たちの経験では、データが欠落したり不正確になったりするたびに、ITの問題とレッテルを貼られていました。私たちは、ITの問題は10％程度で、90％はプロセスかデータの所有権の問題であることを証明することに成功しました。ですから、私にとって重要なのは企業文化です。データ品質に真剣に取り組むのであれば、全員が責任を負う必要があります。リスク、財務、ITが、フロントオフィスから派生したデータ品質の問題を追及して時間を浪費する二流のグループとみなされているのであれば、決して質の高いデータを得ることはできません」。

アントニウ氏も同意見です。文化はトップから生まれるもので、リーダーシップの賛同と組織全体の統合的なアプローチが必要です。データ品質とテクノロジーに関する決定は、別々に考えるのではなく、全体的なデジタル戦略とフレームワークの一部として考えるべきです。違反行為を監視し、問題があればエスカレーションするために、主要なガバナンス・フォーラムを設置する必要があります。データに何か問題が発生した場合、それはテクノロジーだけの問題ではないのです」。

どのようなガバナンスフレームワークであっても、マニュアルステップ、インシデント管理手順、必要な場合のフォールバックメカニズムがあることを確認する必要があります。

セルフサービス・ データ・ インフラ

文化とガバナンスに加えて、トラスカー氏はデータの自律性の重要性を強調しました。「完全に可視化されたセルフサービスのクラウドベースのデータインフラは、何が問題なのかを判断するためにIT部門に依存する必要がないことを意味します。つまり、データへのアクセスを民主化することで、ユーザーはデータの所有者を特定し、品質に問題があればデータをドリルダウンできるようになります。これを実行するには、効率的なカタログ、直感的なユーザー・インターフェース、コラボレーション機能が必要です。これが組織内で大規模に行われれば、データ品質やサイロの問題を減らすことができます」。

要約すると

デジタルトランスフォーメーションにおいて、データ品質は最も重要な課題です。アーキテクチャ上のハードルを克服することに加え、銀行はクリーンで正確なデータを構築するための基本的な構成要素を確実に整える必要があります。これには、強力なガバナンスの枠組み、組織文化、明確な責任などが含まれます。

スポンサーコンテンツ