疫情加速業務數碼化 金融業移向雲服務

Scott Mullins
AWS全球金融服務發展總監Scott Mullins:疫情下金融機構利用雲服務保持業務正常運作,與客戶建立聯繫,管控風險,甚至作為反洗黑錢和執行認識客戶。

金融創新

2020年的疫情,重創全球實體經濟,催化了金融業的轉型,不少員工在家工作,無法上班;金融機構分行關閉,也無法接觸客戶,不少文件處理和批核,無法以紙張處理,迫使金融機構加速數碼化。

宏觀經濟環境變化,不少客戶信貸迅速惡化,風險管理部門的壓力大增,以往的評級方法和評分模型,可能已經不再切合。

疫情下金融市場動盪,金融監控也受到考驗。市場交易量大增,懷疑交易個案上升,涉及商業欺詐和內幕交易,監控部門要跟進的個案大增。

金融機構大量轉用虛擬桌面技術,甚至客戶服務中心(Contact Center)遷移雲上,以便員工在家繼續服務客戶。

不少人指出,疫情的其中一個影響,就是加速了數碼化,而數碼化的快的途徑,就是通過部署「公有雲」(Public Cloud)。公有雲可快速擴充,只須按需付費,毋須投資任何基建,快速部署,支援敏捷開發升級,快速推出和調整服務,成為金融機構應對疫情的手段。

今次疫情最大獲益者,公認是全球最大的公有雲AWS,具備廣泛的數據服務和API,數據中心覆蓋極廣,有不少技術夥伴,迅速解決業務難題。

AWS全球金融服務發展總監Scott Mullins回顧疫情以來,金融機構以雲服務應對疫情變化。Mullins曾任職美國摩根大通交易監察執行總監,亦為納斯達克市場建立NASDAQ OMX金融雲服務,熟悉金融業如何遷移雲平台。

Mullins指疫情期間,金融機構首個考驗,就是讓員工在家工作,包括以雲服務的虛擬桌面,向用戶提供遠端的辦公桌面環境,辦公桌面其實是運行於數據中心,員工只要通過不同設備就可存取桌面。印度RBL銀行透過部署AWS的Workspaces虛擬桌面服務,員工直接從家處理銀行業務,維持正常運作。

部分金融機構改以雲端客戶服務中心,類似Amazon Contact的雲端客戶服務中心,英國巴克萊銀行就部署了Amazon Contact,25,000位客戶服務員可在家接聽客戶來電。

FINRA
美國金融業監管局(Financial Industry Regulatory Authority,FINRA)為美國最大非政府證券業自律監管機構,為AWS客戶。

快速服務應對

除了與客戶保持聯繫,雲服務讓金融機構推出服務,以應付疫情。美國為紓緩疫情衝擊,政府和國會推出全球最大經濟刺激法案,規模達2萬億美元的救助法案Coronavirus Aid, Relief, and Economic Security Act(CARES Act),為陷入困境行業提供救濟,直接向符合條件公民支付現金。

Mullins指不少金融機構亦是利用雲服務,處理大量救助財困中小企申請。

「通過Amazon Textract從文件自動擷取內容,加快審批貸款的申請,蒐集資料和批核過程,從數天縮短至4小時。」AWS雲服務也為不少承辦CARES法案的機構,快速建立審批和申請流程。

疫情期間的金融市場大幅波動,以往系統無法短時間內擴充,亦以雲服務暫時解決。Mullins指,美國金融業監管局(Financial Industry Regulatory Authority,FINRA)為美國最大非政府證券業自律監管機構,也是AWS數據湖(Data Lake)的用戶,每晚分析會員自動上傳交易紀錄,找出不正常交易。

CARESact
美國政府為紓緩疫情衝擊,國會通過了全球最大規模經濟刺激法案,金額達2萬億美元經濟救助法案CARES Act。

交易量飊升3倍

「正常的交易日,每晚FINRA接收4000億宗交易訊息。疫情期間市場交易量飊升達3倍,每日訊息量升至12,000億條。」FINRA利用AWS數據湖的自動擴充容量,透過按需部署,運算能力自動擴展至數以萬計主機,篩查交易異常並處理完數據後,主機自動停用,交易量激增亦毋須擴充基建。

疫情下,金融機構仍進行「壓力測試」(Stress test),以評估資產質素變化以計算風險水平。金融機構更防範洗黑錢、偽造交易等規則,以免受到監管機構懲罸。

「類似反洗黑錢和監控交易,基本上均數據驅動,整合不同來源數據找出個案。類似FINRA數據湖就是例子;先蒐集數據後,通過AWS數據分析工具監控。每晚美國約有 4000名經紀上載已整合和供追蹤數據,以大數據分析找可疑交易。」

AWS技術夥伴NICE的Actimize的工具,為全球反金融罪行領先平台,以AWS雲服務為全球多家監管機構,提供市場監控的技術平台。

機器學習減耗人手

Mullins說,市場監控、反洗黑錢、甚至是認識客戶(KYC)改用了雲服務,解決了擴充瓶頸之餘,相較部署內部系統,規模幾乎沒限制,也更快獲分析結果,亦帶來其他好處。

一般來說,市場監控人員會按照以往案例,開發出以「規則」為基礎的系統(Rule-based system),當交易與系統預設「規則」一旦吻合,就列為「可疑個案」。

「不過系統找出不尋常「個案」,就須再以人手偵查,亦要聘用大量員工,翻查數以千計可疑個案。金融機構正研究以雲服務,透過「機器學習」以數據訓練的模型,模仿人手處理過程,減少篩查「可疑個案」的人力,當發現命中率高個案,才以人手跟進。」

Mullins任職監控市場多年,以為機器學習不可能短期內,取代「規則」的系統。以「規則」作監控市場手段,仍有其價值,不過雲服務「機器學習」訓練的模型輔助下,更事半功倍,當市場處於不穩定時期,更保持市場的公平交易和安全。

Leave a Reply

Your email address will not be published. Required fields are marked *