Arquitectura de referencia para la previsión de pérdidas crediticias: clonada

Qué aprenderás:

• Una arquitectura lakehouse de extremo a extremo para la ingesta y unificación de préstamos minoristas, préstamos comerciales, libro mayor (GL) y datos de escenarios macroeconómicos
• Cómo Lakehouse Federation y Lakeflow Connect admiten una integración de datos segura y escalable en sistemas locales y en la nube
• El uso de lakehouse para estandarizar, conciliar y controlar la calidad de los datos para la ejecución de modelos en etapas posteriores
• Cómo poner en producción modelos creados en Python, R o SAS utilizando Databricks y orquestar flujos de trabajo con Databricks Workflows
• Una capa de computación escalable que utiliza clústeres de Databricks para admitir CECL a gran escala y pruebas de estrés
• Un catálogo centralizado de datos y modelos, un modelo de seguridad y controles con Unity Catalog para garantizar el linaje de datos, la auditabilidad y el cumplimiento normativo
• Cómo Lakehouse Apps permite la colaboración segura, los ajustes y la aprobación de previsiones entre los equipos de riesgo crediticio y finanzas

Moderniza tu previsión de pérdidas crediticias para CECL y pruebas de estrés

1. Fuentes de datos e ingesta de carteras
   • Acceder e ingestar préstamos minoristas, préstamos comerciales y datos de exposición relacionados
   • Ingestar datos de GL, incluidos los recuentos de cuentas y los saldos pendientes, para la conciliación y la integridad de los datos
   • Utilizar Lakeflow Connect para la ingesta nativa basada en CDC desde sistemas de datos locales o en la nube, o aprovechar Lakehouse Federation para un acceso a los datos seguro, escalable y sin duplicaciones
2. Datos de escenarios macroeconómicos
   • Conectar y obtener datos de escenarios macroeconómicos, como los escenarios de Moody's, a través de API
   • Incorporar lógica personalizada de expansión de escenarios o ingestar conjuntos de datos de escenarios internos directamente en la plataforma
3. Gobernanza y gestión de datos
   • Utilizar Unity Catalog para centralizar la gobernanza de metadatos en los datos de cartera, datos de escenarios, salidas de modelos, superposiciones e informes de divulgación. El seguimiento de linaje garantiza la fiabilidad de los datos y la preparación para auditorías.
   • Permitir la integración de múltiples clases de activos, estandarizando los datos de préstamos minoristas y comerciales con controles de acceso a nivel de fila
   • Realizar comprobaciones de calidad de datos y conciliación de GL en tablas Silver depuradas y aprobar los controles de datos
   • Aprovechar las tablas del sistema y las pistas de auditoría integradas para una auditabilidad completa y el cumplimiento de las normas regulatorias
4. Implementar la ejecución de modelos
   • Implementar o importar modelos desarrollados en Python, R o SAS. Registrar modelos en MLflow.
   • Definir la lógica para la derivación de variables, la puntuación del modelo y los cálculos de pérdida crediticia esperada (ECL) por escenario y horizonte temporal
5. Flujos de trabajo de CECL y pruebas de estrés
   • Crear flujos de trabajo para análisis de escenarios, análisis de sensibilidad y análisis de atribución
   • Ejecutar flujos de trabajo a escala utilizando Databricks Workflows, proporcionando automatización, monitoreo y programación para canalizaciones de modelos complejas
6. Inteligencia de negocios
   • Utilizar Databricks SQL para revisar y analizar datos de cartera y datos de escenarios
   • Realizar análisis de pérdidas crediticias a nivel de préstamo para cada escenario y horizonte
   • Explorar los resultados de forma interactiva y validar las suposiciones con total transparencia y trazabilidad
7. Colaboración entre riesgo crediticio y finanzas
   • Permitir la colaboración en tiempo real entre los equipos de riesgo crediticio y finanzas a través de Lakehouse Apps (aplicaciones web)
   • Cargar hojas de cálculo de usuario final para admitir evaluaciones individuales
   • Aplicar superposiciones de gestión y controles de aprobación, e integrarse con sistemas de riesgo y finanzas en etapas posteriores para el registro en el GL, informes de divulgación y más

Beneficios

1. Cumplimiento normativo y auditabilidad
   Garantizar el cumplimiento de CECL, CCAR, IFRS 9 y otros marcos regulatorios a través de un linaje de datos automatizado, controles integrados y flujos de trabajo listos para auditorías
2. Rendimiento escalable para cálculos complejos
   Ejecutar modelos y escenarios de pérdidas crediticias con facilidad utilizando clústeres de Databricks con escalado automático diseñados para cargas de trabajo financieras de computación intensiva
3. Arquitectura rentable
   Aprovechar un modelo de precios basado en el consumo sin tarifas de licencia de software adicionales, lo que resulta en un TCO más bajo y un uso flexible de recursos alineado con tu demanda
4. Plataforma segura y lista para la empresa
   Las capacidades integradas de seguridad, gestión de identidades y gobernanza garantizan que los datos de riesgo confidenciales estén protegidos y se gestionen de acuerdo con los estándares empresariales y regulatorios
5. Autoservicio con personalización completa
   Permitir que los equipos internos controlen y adapten su entorno de modelado a través de una plataforma de autoservicio, sin dejar de admitir la personalización completa, la automatización y la integración con los sistemas empresariales