Potenziare gli utenti aziendali con la Data Intelligence self-service - Clonato

Introduzione

I dati sono potere. Secondo McKinsey, "le banche possiedono più dati sui clienti rispetto alle aziende della maggior parte degli altri settori, ma sono indietro rispetto a molti altri settori rivolti ai consumatori quando si tratta di personalizzazione su scala". https://www.mckinsey.com/industries/financial-services/our-insights/the-state-of-retail-banking-profitability-and-growth-in-the-era-of-digital-and-ai. Nel settore bancario, si tratta di trasformare questo potere in insight utili, gestendo con attenzione i rischi legati alla sicurezza dei dati. Le istituzioni finanziarie devono trovare un equilibrio tra la protezione dei dati sensibili e l'adozione della democratizzazione dei dati per migliorare l'esperienza dei clienti, ridurre i rischi e promuovere l'innovazione.

Sigma Computing, una piattaforma di analytics e business intelligence di nuova generazione, offre un percorso sicuro, sfruttando Databricks come data warehouse intelligente centrale. Questa partnership consente alle banche di sfruttare gli insight, dalla segmentazione dei clienti alla valutazione del rischio, il tutto senza compromettere la sicurezza. In questo blog mostreremo come Databricks e Sigma offrano insieme un workflow esplorativo sicuro per gli analisti bancari che utilizzano i dati dei consumatori per promuovere una migliore personalizzazione e nuove fonti di ricavo.

La Data Intelligence è una nuova ancora di salvezza per il settore bancario

Le banche digitali come Nubank e le fintech come Wise e Brex hanno superato il settore bancario aziendale tradizionale offrendo ai clienti esperienze digitali semplificate, servizi finanziari in tempo reale e prezzi trasparenti. Al contrario, le banche tradizionali spesso rimangono indietro a causa di infrastrutture legacy. Questo debito tecnico comporta cicli di sviluppo più lunghi e, di conseguenza, limita la capacità delle banche di sviluppare nuovi prodotti e anticipare le mutevoli aspettative dei clienti. Oggi più che mai, i dati sono un asset strategico e le banche possono sfruttarli come vantaggio competitivo.

La data intelligence è fondamentale per sbloccare l'intero potenziale dei dati aziendali. In linea con la nostra visione di una completa democratizzazione dei dati per qualsiasi utente, Databricks rilascia strumenti come gli spazi Genie, un'interfaccia conversazionale in cui gli utenti aziendali possono interrogare i propri dati. Ciò che differenzia Genie è che questo servizio incorpora l'intero contesto aziendale fatto di gergo commerciale e metadati tecnici, integrato nello spazio come base per rispondere alle domande di business tramite Unity Catalog, la soluzione di governance di Databricks.

Perché le banche faticano a raggiungere la democratizzazione dei dati

Le banche sono per natura altamente regolamentate e avverse al rischio. Gestiscono enormi volumi di dati sensibili, dalla cronologia delle transazioni alle informazioni personali dei clienti, il che le rende i bersagli principali di cyberattacchi e minacce interne. L'esfiltrazione dei dati (il trasferimento non autorizzato o il furto di dati) rappresenta un rischio costante, che impone protocolli di sicurezza rigorosi. Ma ecco il dilemma: sebbene proteggere i dati sia essenziale, blindarli eccessivamente ostacola l'innovazione e rallenta il processo decisionale.

In questo ambito, la democratizzazione dei dati diventa una sfida. La democratizzazione promette di sbloccare il potenziale dei dati, mettendoli nelle mani di chi può agire in base agli insight: analisti di dati, product manager e persino dirigenti. Tuttavia, le banche si trovano spesso divise tra la necessità di un accesso aperto e flessibile ai dati e le rigide misure di sicurezza che devono rispettare.

I sistemi di dati tradizionali nelle banche sono a silos, il che rende difficile per i team condividere i dati in modo fluido tra i vari dipartimenti. Il timore di accessi non autorizzati porta a un ambiente restrittivo in cui solo pochi eletti hanno il privilegio di accedere a informazioni critiche. Questo collo di bottiglia soffoca l'agilità che la democratizzazione dei dati mira a fornire. Inoltre, la conformità normativa aggiunge un ulteriore livello di complessità, poiché le banche devono garantire il rispetto di standard locali e globali come GDPR e CCPA, promuovendo al contempo una cultura basata sui dati. Un ottimo esempio di banca che ha risolto questi problemi è HSBC, con la sua reinvenzione dei pagamenti basata su Databricks. Sono riusciti a consolidare 14 database in un unico Lakehouse. Inoltre, sono stati in grado di proteggere i dati tramite mascheramento in tempo reale e hanno modernizzato la loro strategia di segmentazione della clientela, creando l'app di pagamento numero uno a Hong Kong.

Nella prossima sezione esploreremo come i clienti possono utilizzare Databricks e Sigma Computing per risolvere le sfide sopra descritte.

Liberare la Data Intelligence nel rispetto della conformità

Il problema aziendale

Immagina un gruppo di analisti aziendali con il compito di aumentare la fidelizzazione per i prodotti bancari di credito rotativo (revolving). Il team IT interno deve fornire a questi analisti strumenti no-code e non tecnici. Esistono requisiti rigorosi per limitare le funzionalità di esportazione. Dall'altro lato, gli analisti devono manipolare i dati con pieno accesso alla derivazione (lineage) e ai metadati per spiegare qualsiasi risultato di business, come un'offerta proattiva di aumento del limite di credito, ai propri stakeholder.

Strumenti di mercato per l'analisi self-service

Gli utenti finali richiedono analisi self-service. Nella maggior parte dei casi, lo strumento principale per consentire questo è Excel. Tuttavia, fornire dati in Excel è un modo sicuro per aumentare il rischio di esfiltrazione dei dati e far proliferare le copie dei dati, con conseguenti inefficienze. Ecco che entra in gioco Sigma Computing.

Sigma offre agli utenti finali un modo per visualizzare feed di dati e analytics senza fornire un accesso illimitato ai dataset. Sigma offre inoltre una UX familiare simile a quella dei fogli di calcolo, il che rende l'adozione da parte degli utenti di Excel particolarmente fluida. Sigma offre ai team di piattaforma un modo unico per estendere i dati agli utenti non tecnici utilizzando un costrutto noto come 'secure embed'.

Consentire un vero self-service con il Secure Embed di Sigma

Sigma consente di creare un widget self-service secure embed nell'applicazione preferita. Ad esempio, gli sviluppatori possono creare un'app Flask, un'e-mail incorporata o integrazioni con Teams che si autenticano con token JWT e chiamano il servizio Sigma. I JWT (JSON Web Token) sono token compatti e sicuri per l'URL che trasmettono informazioni in modo sicuro tra i sistemi, garantendo l'integrità dei dati e l'autenticazione. Questo formato è fondamentale per le moderne applicazioni basate su API, consentendo alle grandi aziende di autenticare gli utenti in modo sicuro senza esporre informazioni sensibili. In questa integrazione tra Sigma Computing e Databricks, i JWT garantiscono agli utenti un accesso personalizzato in tempo reale a cartelle di lavoro e dashboard. I JWT consentono un accesso sicuro dei client ai dati finanziari e questa implementazione protegge l'accesso alle dashboard, mantenendo sia le prestazioni che la sicurezza incorporando attestazioni (claim) specifiche dell'utente all'interno di ciascun token.

Incorporare utenti senza autorizzazioni per il workspace

Gli utenti possono ora accedere facilmente ai dati e i controlli di accesso basati sui ruoli possono essere applicati per consentire ai proprietari delle cartelle di lavoro di fornire un accesso limitato con una semplice opzione attivabile una sola volta. Vedere le immagini seguenti come riferimento. Qui, l'utente esterno fa parte del team 'Embed Banking Analysts'. I proprietari delle cartelle di lavoro di analytics forniscono un accesso singolo al team di utenti incorporati e gli utenti finali sono pronti a utilizzare qualsiasi dataset a cui hanno diritto. Tutti i controlli di accesso granulari definiti come parte di Unity Catalog si estendono ai gruppi in Databricks, in particolare al filtraggio a livello di riga e colonna.

Distribuzione di app di analytics finanziaria sul Lakehouse con intelligenza di dominio

Databricks offre ora un modo completamente nuovo e semplificato per distribuire l'applicazione per servire utenti incorporati sicuri: Databricks Apps. Utilizzando Databricks Apps, i team di data engineering possono sviluppare e sincronizzare il codice nell'area di lavoro di Databricks e distribuire un'applicazione in pochi minuti, rendendo i dati accessibili ad analisti e utenti non tecnici proprio come farebbero in un portale personalizzato standard. Sia che si utilizzi Databricks Apps o un'applicazione self-hosted (utilizziamo Flask nella nostra demo di Apps), i team della piattaforma possono abilitare gli utenti incorporati per democratizzare completamente i dati per gli utenti non tecnici abituati a sfruttare tabelle pivot e rapporti calcolati al volo per i casi d'uso bancari.

Nella nostra app di esempio, ci concentriamo su clienti con profili interni e dati esterni provenienti da una centrale rischi (ad esempio, TransUnion) e aggregatori finanziari come Plaid e Yodlee, che forniranno punteggi di credito, linee di credito e tendenze sull'utilizzo dei prodotti finanziari. Il nostro riepilogo iniziale (sotto in rosso) mostra che la maggior parte dei clienti è interessata alla proprietà della casa. D'altro canto, il coinvolgimento è basso e la banca per cui lavoriamo è interessata ad aumentare la fidelizzazione. Come punto di partenza, i nostri utenti incorporati possono esaminare rapidamente gli indici di liquidità e i segmenti di clientela target per un aumento proattivo della linea di credito.

Le analytics che vediamo sono utili, ma come possiamo offrire agli utenti incorporati una migliore esperienza di esplorazione senza rischiare l'esfiltrazione dei dati?

Come mostrato di seguito, all'interno dell'ambiente Sigma, possiamo creare un ruolo completamente personalizzato chiamato 'Explorer But Not Exporter', impedendo agli utenti di esportare dati tramite i pulsanti di download. In uno spirito di innovazione, concediamo all'utente analista i diritti di modifica della cartella di lavoro, ad esempio per il calcolo e la creazione di nuove colonne, il che consentirà un'esperienza molto più ricca e l'aggiunta di calcoli come gli indici di liquidità per valutare in modo efficiente le opportunità di aumento proattivo delle linee di credito o di investimenti per i clienti bancari. Gli utenti sono ora pienamente abilitati ad aggiungere analytics personalizzate in base alle loro domande.

Sebbene l'esperienza abbia consentito agli utenti di creare nuovi binning, mappe di calore e liste di segmentazione, come possiamo garantire la fiducia nei dati prodotti? Le nostre tabelle di esempio nell'applicazione mostrano una previsione di aumento proattivo della linea di credito, che ora possiamo applicare ai nostri segmenti target. Gli analisti devono capire da dove provengono le previsioni per spiegare le analytics e i risultati agli stakeholder aziendali e ai dirigenti. Con la lineage integrata in Unity Catalog, che si estende oltre i dati a modelli, dashboard, feature e funzioni, possiamo individuare esattamente l'origine delle nostre previsioni. Tutte le informazioni sulle sorgenti derivate riportate di seguito e i tag sono facilmente ottenibili dalle tabelle di sistema di Unity Catalog (AWS | Azure | GCP), offrendo un livello superiore di fiducia e spiegabilità al business.

Conclusione

Il settore dei servizi finanziari si trova a un bivio. Le banche tradizionali non possono più permettersi di rimanere vincolate a sistemi di dati obsoleti e a silos, mentre i disruptor del settore fintech continuano a ridefinire le esperienze dei clienti attraverso la data intelligence in tempo reale. In questo ambiente ad alto rischio, la democratizzazione sicura dei dati non è solo un lusso, è una linfa vitale.

Le funzionalità di incorporamento sicuro di Sigma Computing, combinate con la solida piattaforma di distribuzione delle applicazioni e il data lakehouse di Databricks, offrono una soluzione rivoluzionaria per le banche che desiderano sfruttare i dati senza compromettere la sicurezza. Gli incorporamenti sicuri di Sigma offrono un'esperienza controllata che si allinea perfettamente con i rigorosi requisiti normativi. Con Sigma, le banche possono consentire ad analisti, investigatori, product manager e team di vendita di accedere a insight fondamentali in un ambiente più sicuro e conforme.

Distribuendo le applicazioni su Databricks, gli istituti finanziari possono estendere in modo rapido e trasparente l'accesso sicuro ai dati agli utenti degli incorporamenti, personalizzando le esperienze e mantenendo al contempo un controllo ferreo sulla sicurezza dei dati. In un settore in cui il margine di errore è minimo, la capacità di fornire insight basati sui dati attraverso applicazioni incorporate e sicure diventa un vantaggio competitivo.

Il messaggio per gli istituti finanziari è chiaro: il tempo delle strategie di dati passive è finito. Chi adotta una data intelligence self-service e sicura ridurrà i rischi e sbloccherà l'agilità necessaria per prosperare nel mercato digitale di oggi. Le banche devono evolversi ora, e l'utilizzo di strumenti come Sigma Computing e Databricks può attivare una cultura basata sui dati che trasforma le informazioni grezze in insight fruibili.

Iscriviti oggi stesso a Databricks e Sigma per abilitare una data intelligence self-service e sicura.

(Questo post sul blog è stato tradotto utilizzando strumenti basati sull'intelligenza artificiale) Post originale