روند دیجیتال برای تماشای عملیات بازارهای سرمایه در سال 2021

همه گیر سال 2020 عمیقاً بر جوامع جهانی ما تأثیر گذاشته است. نیاز به فاصله اجتماعی بر همه جنبه های زندگی روزمره ما از نحوه کار ، نحوه حضور فرزندان ما در مدرسه و چگونگی معاشرت با خانواده ، دوستان و همکاران تأثیر گذاشته است. به طور کلی ، صنعت گسترده تر بازارهای سرمایه به این بحران بهداشت جهانی تحسین برانگیز پاسخ داده است. علاوه بر نگه داشتن شوک های اقتصادی مرتبط با COVID ، از جمله رکورد های رکورد ، حجم و نوسانات ، عملیات بازارهای سرمایه که بدون اختلال اساسی انجام می شود - شهادت مقاومت در برابر صنعت. چنین نتایج از طریق مقررات جدید تصویب شده از سال 2008 ، بهبود برنامه ریزی تداوم تجارت ، تحولات دیجیتالی مداوم و سرمایه گذاری های اخیر در زیرساخت های کار و مشارکتی از راه دور امکان پذیر شد.

فراتر از نشان دادن تاب آوری عملیاتی (OR) ، دو نتیجه اضافی در سال 2020 در نتیجه این بیماری همه گیر ظاهر شد. کار از راه دور برای تسریع در نوآوری در تجارت بازارهای سرمایه به عنوان نیاز به تقویت قابلیت های نظارت و کنترل تسریع شده برای ارائه دیدگاه های مربوط به تجارت جهانی ، موقعیت و داده های ریسک عمل کرد. همچنین برای برجسته کردن نقاط ضعف پیرامون برخی فرآیندهای دستی که منجر به شرایط کار از راه دور نمی شود ، عمل کرد. با افزایش تمرکز صنعت بر بهبود تاب آوری عملیاتی ، همانطور که در بینش مقاومت اخیر ما برجسته شده است ، افزایش چنین آسیب پذیری ها در اولویت قرار گرفته است.

چهار فن آوری به عنوان بالاترین پتانسیل برای تبدیل صنعت بانکداری سرمایه گذاری در سال 2021 متمایز است. این فناوری ها شامل داده ها و قابلیت های تحلیلی ، محاسبات ابری ، هوش مصنوعی (AI) / یادگیری ماشین (ML) و اتوماسیون فرآیند روباتیک (RPA) هستند. اگرچه این صنعت طی چند سال گذشته در حال پیشرفت این قابلیت های تحول آمیز است ، اما این صنعت هنوز در مقیاس اتخاذ نکرده است. محدودیت های اصلی محدود کننده سرعت فرزندخواندگی شامل پشتیبانی و نگهداری مداوم از میراث میراث IT ، فشار بر بازده خط پایین و تغییرات نظارتی مداوم ناشی از بحران سال 2008 است. آینده آینده ، بیایید در ادامه روند دیجیتالی که در سال 2021 و بعد از آن صنعت بازارهای سرمایه را تغییر می دهد ، کشف کنیم.

داده ها و تجزیه و تحلیل:

داده ها و قابلیت های تجزیه و تحلیل شامل کنترل ها و شیوه های مدیریتی اعمال شده برای دارایی های داده سازمانی و امکان استفاده از آن دارایی ها برای به دست آوردن بینش است. انجام این کار با موفقیت نیاز به یک استراتژی جامع داده برای تکامل صلاحیت های مدیریت داده ها برای فعال کردن قابلیت های تجاری و هدایت ارزش تجاری دارد. صلاحیت های اصلی در تعالی داده ها شامل معماری داده ها ، مدیریت عملکرد ، مدیریت داده ها ، ابزار تحلیلی و همچنین نیروی کار خوب و آموزش داده شده و داده ها است.

پیشرفت در قابلیت های داده های نوآورانه در صنعت به دلیل معماری پیچیده میراث و داده های مربوط به کلاس دارایی و سیلوهای عملیاتی ، غالباً عقب مانده است. علاوه بر این ، خواسته های بیشتر از مشتریان و تنظیم کننده ها به شرکت ها نیاز دارند تا مقادیر فزاینده ای از داده ها را که نیاز به معماری داده های مقیاس پذیر دارند ، پردازش و ذخیره کنند. بهبود معماری داده ها و قابلیت های تحویل برای شرکت ها برای دستیابی به اهداف تولید درآمدی ضمن تحقق اجباری های نظارتی ، بسیار مهم است. توانایی دستیابی به زمان سریعتر برای بازار ، از نظر تحقق درخواست های مشتری با سرعت و دقت ، رقابت را افزایش می دهد و بنگاه ها را قادر می سازد تا به فرصت های جدید تولید درآمد پاسخ دهند. اکثر رهبران صنعت موافقت خواهند کرد که داده ها و تجزیه و تحلیل بالاترین پتانسیل را ارائه می دهد و مهمترین عامل استراتژی موفق تحول دیجیتال است.

پیچیدگی مرتبط با درست کردن معماری داده های میراث و چارچوب های حاکمیت داده ها ضمن پشتیبانی از عملیات و خواسته های نظارتی ساده نیست. تغییر رانندگی در این فضا به بنگاه ها نیاز دارد تا یک استراتژی جامع داده را با یک دید طولانی در مورد تحولات داده های اصلی به صورت تدریجی تدوین کنند. امروز ، این صنعت گزارش می دهد که با سرمایه گذاری در دریاچه های داده مبتنی بر ابر و ابزار برای بهبود پردازش عملیاتی جلو به عقب و قابلیت های هوش مصنوعی ، مدیریت داده های سازمانی ، کیفیت داده ها و ابزارهای تجزیه و تحلیل ، پیشرفت هایی برای افزایش داده ها ، سرمایه گذاری هایی را برای بهبود داده ها و قابلیت های تجزیه و تحلیل انجام می دهد. دانه بندی و تلاش های دیجیتالی سازی اسناد. این صنعت در این زمینه پیشرفت خوبی داشته است و تنها 33 ٪ از شرکت کنندگان در مطالعه AMFE نشان دهنده پذیرش مقیاس داده های داده و تجزیه و تحلیل در سازمان خود ، باند قابل توجهی باقی مانده است. [1]

پردازش ابری:

Cloud Computing تحویل خدمات محاسباتی است - از جمله سرورها ، ذخیره سازی ، پایگاه داده ، شبکه ، نرم افزار ، تجزیه و تحلیل و اطلاعات - از اینترنت (ابر) برای ارائه نوآوری سریعتر ، منابع انعطاف پذیر و اقتصاد مقیاس.

فناوری Cloud توانایی اجرای فناوری های جدید ، سرعت رانندگی به بازار و پردازش سریع داده ها را سریعتر می کند. این مزایا برای رقابت در بازارهای سرمایه بسیار مهم است و از لحاظ علل با پیشرفت قابلیت های داده و تجزیه و تحلیل و در نهایت قابلیت های AI/ML مرتبط است. از آنجا که محاسبات ابری به عنوان یک فناوری اساسی برای صنعت بازارهای سرمایه دیده می شود.

مزایای دیگر شامل کاهش هزینه های ثابت و افزایش مقیاس پذیری است. چنین مزایایی در اجرای ابرهای عمومی بزرگ می شود که در آن خدمات IAAS و PAAS چابکی بیشتری ، هزینه های پایین تر و مقیاس جهانی را در مقایسه با ابر خصوصی فراهم می کنند که تجهیزات متعلق به سازمان حمایت کننده و میزبان دیتاسنرهای داخلی یا برون سپاری هستند.

امروز این صنعت شروع به انتقال برنامه های هدفمند به ابر عمومی می کند ، اما سرمایه گذاری های صنعت گذشته در سیستم های پیچیده جهانی و زیرساخت ها همچنان به محدودیت مهاجرت عمده فروشی ادامه می دهد. زمان و افزایش سرمایه گذاری برای مهندسی مجدد این سیستم عامل ها برای رفع چالش های نظارتی و فنی لازم است. با این حال ، بسیاری از شرکت کنندگان در بازارهای سرمایه در حال حاضر با ارائه دهندگان خدمات ابری برای بهره برداری از این فناوری در حال انجام معاملات هستند.

در یک نظرسنجی از 250 شرکت خرید و فروش ، تجارت جهانی گزارش می دهد که 62 ٪ از پاسخ دهندگان معتقدند که این بیماری همه گیر باعث افزایش تقاضا برای سیستم های ابری شده است. این افزایش تقاضا حتی در مناطقی از عدم تمایل گذشته مانند مدیریت ریسک و پردازش پس از تجارت نشان داده می شود.[2] علاوه بر این ، گزارش های مطالعه AFME در بررسی 2020 ، مبنی بر 63 ٪ از پاسخ دهندگان صنعت در حال حاضر قابلیت های ابری را اجرا می کنند ، در حالی که 37 ٪ دیگر قصد دارند تا سال 2023 در مرحله اجرا باشند. شرکت های گزارش پذیرش ابر در مقیاس 20 ٪ بودند در حالی که 58٪ از پاسخ دهندگان تا سال 2023 انتظار پذیرش مقیاس را دارند.

هوش مصنوعی (AI) و یادگیری ماشین (ML):

انگیزه های صنعت بازار سرمایه برای دستیابی به پذیرش در مقیاس فناوری های هوش مصنوعی و یادگیری ماشین بسیار زیاد است. دستیابی به برتری عملیاتی در حوزه AI/ML ممکن است اوج تحول فناوری در صنعت برای دهه های آینده باشد. شرکت هایی که بر این قابلیت ها تسلط داشته باشند، از نظر بهبود خدمات مشتری، کاهش ریسک و سود بیشتر، مزیت رقابتی به دست خواهند آورد و برای کسانی که نمی توانند، مطمئناً عقب خواهند ماند.

چنین نمونه هایی نشان می دهند که چگونه پیاده سازی های AI/ML در یک محیط بازار سرمایه اعمال می شوند، فرصت های عظیمی را برای تغییر کسب وکار ارائه می کنند. واقعیت این است که اگرچه بانک های سرمایه گذاری AI/ML را با موفقیت در موارد استفاده مجزا به کار برده اند، اما به عنوان یک صنعت، ما تا رسیدن به پذیرش مقیاس فاصله داریم. در مطالعه AFME 2020، 47٪ از شرکت ها گزارش دادند که روی پیاده سازی AI/ML کار می کنند، در حالی که تنها 7٪ گزارش داده اند که برنامه های AI / ML را به صورت عملیاتی تعبیه کرده اند.[2] این یافته ها نشان می دهد که در حالی که پیاده سازی های مجزا در حال پیشرفت هستند، دستیابی به پذیرش مقیاس گریزان باقی می ماند.

پیاده سازی یک برنامه کاربردی AI/ML آماده تولید، کاری چالش برانگیز است که نیازمند هماهنگی پیچیده بین دانشمندان داده، کارشناسان حوزه و منابع IT است. مقادیر زیادی از داده ها باید منبع، تجزیه و تحلیل، پاکسازی و تبدیل به یک قالب مصرفی آماده تولید برای آموزش مدل های تصمیم گیری شوند. برای پردازش الگوریتمی، داده های جریان بیدرنگ باید در خطوط لوله داده مبتنی بر ابر وارد شوند. و گردش کار باید برای بینش های حاصل از عمل ایجاد شود. با رسیدن به دایره کامل، موانع بالقوه برای انجام این فعالیت ها در مقیاس به قابلیت های اساسی داده ها و تجزیه و تحلیل و پذیرش ابر باز می گردد. گارتنر تاکید می کند که تا سال 2023 مهندسی هوش مصنوعی به سمت توسعه قابلیت هایی برای پشتیبانی از عملیات مقیاس هوش مصنوعی پیشرفت خواهد کرد. یک استراتژی قوی مهندسی هوش مصنوعی عملکرد، مقیاس پذیری، تفسیرپذیری و قابلیت اطمینان مدل های هوش مصنوعی را برای اطمینان از تحقق منافع سرمایه گذاری های هوش مصنوعی تسهیل می کند.[6]

اتوماسیون و هایپراتوماسیون فرآیند رباتیک:

به طور سنتی، اتوماسیون فرآیند رباتیک (RPA) شکلی از فناوری اتوماسیون فرآیندهای تجاری است که استقرار ربات های نرم افزاری (ربات ها) را ایجاد و مدیریت می کند که در بالای سیستم های موجود برای اجرای فعالیت های تکراری و مبتنی بر قوانین توسط انسان ها قرار می گیرند. این در تضاد با ابزارهای اتوماسیون گردش کار سنتی است که در آن لیستی از اقدامات از طریق بک اندهای سیستم با استفاده از API و زبان های برنامه نویسی خودکار می شوند. RPA با اجرای کارهای دستی و تکراری در برنامه های موجود از یک فرد تقلید می کند و بر اساس مجموعه ای از قوانین تعریف شده تصمیم می گیرد. RPA در دو طعم ارائه می شود، بدون مراقبت و حضور. ربات های بدون مراقبت بدون دخالت انسان در پس زمینه کار می کنند، در حالی که ربات های RPA حضور یافته نیاز به تعامل انسانی دارند.

موسسات مالی اولین پذیرندگان فناوری های RPA بودند، جایی که صنعت دریافت که نسل های اولیه چنین نرم افزارهایی پروژه هایی را تولید می کنند که انتظارات را برآورده نمی کنند. تجربیات رایج در سراسر صنعت، شامل منحنی های یادگیری شیب دار، زمان کند توسعه، و پروژه هایی است که بازدهی جذابی نداشتند.[7] علاوه بر این، عملکرد نرم افزارهای اولیه دارای محدودیت هایی بود که آنها را برای حل موارد استفاده پیچیده مورد نیاز صنعت مناسب نمی کرد.

محصولات RPA امروزی به بلوغ زیادی رسیده اند. ابزارهایی مانند UiPath و Automation Anywhere، دو فروشنده پیشرو RPA، محصولات از فناوری های «کد پایین» با رابط های کشیدن و رها کردن استفاده می کنند که به توسعه و استقرار سریع ربات ها برای حل مشکلات کمک می کند. چنین محصولاتی دارای منحنی های یادگیری پایین تری هستند که امکان چرخش سریع را فراهم می کند. علاوه بر این، این ابزارهای جدید هم به صورت تعبیه شده و هم برای فناوری های AI/ML خارجی باز هستند. این دریچه را به روی توانایی هایی مانند پردازش زبان طبیعی، تشخیص نوری کاراکترها و قابلیت های تصمیم گیری و طبقه بندی مبتنی بر ML باز می کند. چنین توانایی های ذهنی هوشمندی در پیشینیان خود یافت نشد و موارد استفاده قابل اجرا را تا حد زیادی گسترش داد.

در جایی که قبلاً ، استفاده از ZOND به اصلاحات تاکتیکی فرآیندهای تکه تکه شده محدود می شد ، نمای نوظهور این است که فرآیندهای انتهایی به پایان به مقیاس بزرگ از لحاظ استراتژیک از رأی دهندگان همراه با AI و ML برای ارائه راه حل های هوشمند در فرآیندهای پیچیده استفاده می کنند تا رانندگی کنند. راندمان عملیاتی و برای بهبود کیفیت خدمات. گارتنر اخیراً این تکرار جدید از اجرای حزب های بیش از حد اتوماسیون را نامیده و پیش بینی می کند که سازمان ها تا سال 2024 هزینه های عملیاتی را 30 ٪ کاهش می دهند. برای استخدام کارگران دیجیتال هوشمند در بسیاری از زمینه ها.

تعدادی از موارد استفاده امیدوارکننده که توسط UIPATH و اتوماسیون در هر نقطه در بازارهای سرمایه مشخص شده است ، شامل کارکردهایی مانند [7،8] است:

· جمع آوری و تأیید داده های مشتری (KYC) خود را بشناسید

یک تغییر فرهنگی

دستیابی به پذیرش مقیاس یافته نسل بعدی فن آوری های تحول آمیز در تجارت بازارهای سرمایه یک کار دلهره آور و یک فرصت هیجان انگیز در همان زمان است. برای تسریع در تغییر ، تیم های رهبری باید تمرکز خود را بر روی برنامه ریزی استراتژیک با برد طولانی تر افزایش داده و به پیشرفت های صنعت به سمت انتقال چابک ادامه دهند. برای اطمینان از دستیابی به تغییرات هدف ، برنامه ریزی استراتژیک طولانی مدت نیاز به افزایش بررسی پیشنهادات پروژه دارد تا اطمینان حاصل شود که موارد تجاری با استراتژی همسو هستند و بررسی های مناسب پروژه انجام می شود تا اطمینان حاصل شود که نتایج تجاری مورد نظر حاصل می شود. صنایع به سمت شیوه های چابک در طی چند سال گذشته تغییر کرده است و در جهت تقویت نوآوری و شیوه های توسعه محور مشتری محکم تر عمل کرده است. این روند با برخورد استراتژی و اجرای با تغییر فرهنگ به سمت ترمیسم طولانی و دنیای چابک تر ، تسریع می شود. سال 2021 با توجه به تحولات دیجیتالی که از سال 2020 آغاز شده است ، یک سال مهم است.

در مورد مونتیکلو؟

گروه مشاوره Monticello یک شرکت مشاوره مدیریت است که از طریق دانش و تخصص در زمینه تحول دیجیتال ، مدیریت تغییر و مشاوره خدمات مالی از صنعت خدمات مالی پشتیبانی می کند. درک ما از نیروهای رقابتی که در حال تغییر شکل مدل های تجاری در بازارهای سرمایه و بانکداری دیجیتال هستند ، فعال کننده هایی هستند که به مشتریان ما کمک می کنند تا برنامه های تغییر نوآورانه را هدایت کنند تا رقابتی تر باشند و سهم بازار را در مشاغل جدید و موجود کسب کنند.

[2] معاملات جهانی اکتبر 2020: چشم انداز کار از راه دور برای سمت خرید و طرف فروش

[3] متولی جهانی: خدمات اوراق بهادار BNP Paribas AI را برای پردازش تجارت اتخاذ می کند

[4] ing: Katana به معاملات اوراق قرضه می دهد

[5] ING ابزار پیشرفته Analytics Portfolio را به آزمایشگاه های Katana می چرخاند: