스프레드시트 그 이상: Databricks가 금융 서비스 분야의 현대적 CFO를 어떻게 지원하는가

전통적인 금융 서비스 업계에서 CFO실은 오랫동안 두 가지 주요한 "측면"으로 인식되어 왔습니다. 바로 자산을 보호하고 규정 준수를 보장하는 관리자(Steward)와 계획 및 사후 보고에 집중하는 운영자(Operator)입니다.

하지만 엄청난 변화가 진행 중입니다. Deloitte의 연구에 따르면 금융 리더의 역할이 진화하면서 CFO는 이제 기업 전반의 혁신을 주도하고 회사의 미래를 형성하는 전략가(Strategist) 및 촉진자(Catalyst)로서 시간의 60% 이상을 보내야 합니다. 오늘날의 금융 리더는 더 이상 CEO가 "금융 기관을 운영하도록" 돕는 것 이상으로, "금융 기관을 변화시키는" 임무를 맡고 있습니다.

그러나 대부분의 경우 이러한 전환은 팀을 "운영자" 역할에 묶어두는 기존 인프라에 발목 잡힌 근본적인 "데이터 및 거버넌스 세금"으로 인해 방해받습니다. 목표는 명확합니다. 정적이고 월별 예측에서 동적이고 실시간 자본 배포로 전환하는 것입니다.

데이터 문제: 현대 금융의 구조적 마찰

대부분의 금융 서비스 조직은 현재 CFO실이 전략적 엔진 역할을 하는 것을 방해하는 근본적인 "데이터 세금"으로 인해 어려움을 겪고 있습니다. 이러한 시스템적 아키텍처 실패는 CFO를 "운영자" 단계에 가두어 둡니다.

• 단편화 격차 (분리된 시스템): 데이터는 분리된 레거시 사일로에 갇혀 있습니다. 하위 원장, 공급업체 플랫폼 및 수십 년 된 메인프레임에서 실행되는 핵심 시스템입니다. 총계정원장은 원시 거래 데이터와 분리되어 있기 때문에 CFO는 막대한 "조정 세금"을 지불합니다. McKinsey에 따르면 데이터 사용자는 분석보다는 데이터를 검색하는 데 시간의 30~40%, 데이터를 정리하는 데 20~30%를 소비할 수 있습니다.
• "배치 세금" (T+1 지연): 금융 데이터 파이프라인은 전통적으로 엄격한 야간 배치 주기에 기반합니다. 24/7 디지털 전송 및 즉각적인 시장 변동성의 세계에서 T+1은 구조적 약점입니다. 실시간 일중 유동성 가시성이 없으면 CFO는 과도한 "유휴" 현금 버퍼를 유지해야 하며, 이는 수익을 놓치고 시장 스트레스 상황에서 회사를 수동적인 상태로 유지시킵니다.
• 계보 문제 (불투명한 계산): CCAR, FR 2052a, LCR과 같은 글로벌 보고 요구 사항은 극도의 세분성을 요구합니다. 레거시 스택에서 원시 거래와 최종 보고서 간의 "계산"은 복잡한 ETL 코드의 "블랙박스"에 숨겨져 있는 경우가 많습니다. 이는 모든 감사 문의가 데이터의 여정을 비싸고 수동적으로 재구성하도록 트리거하는 규제 취약성을 만듭니다.
• 의미론적 격차: IT가 데이터를 저장하는 방식(기술 스키마)과 재무팀이 데이터를 이야기하는 방식(GAAP/IFRS, NIM, HQLA) 사이에 근본적인 단절이 있습니다. 분석가는 분석을 시작하기 전에 원시 데이터를 비즈니스 의미로 변환하는 데 시간의 80%를 "데이터 관리인"으로 보냅니다.

솔루션: Databricks

관리자에서 촉진자로 전환하려면 데이터를 단순히 저장하는 것을 넘어 데이터를 이해하는 플랫폼이 필요합니다. Databricks는 실시간 스트리밍, 중앙 집중식 거버넌스 및 민주화된 데이터 및 AI를 통합하는 통합 플랫폼을 제공합니다.

1. Unity Catalog를 통한 통합 계보 및 신뢰

Unity Catalog는 원시 거래부터 규제 보고, 전략적 의사 결정 및 예측에 사용되는 최종 ML 모델까지 모든 데이터 자산에 대한 단일 거버넌스 보기를 제공합니다. FIBO와 같은 의미론적 표준을 통합함으로써 단순한 파일 목록에서 존재론적 백본으로 보기를 변환합니다. 이를 통해 AI 쿼리가 단순히 편리한 것이 아니라 업계 표준 논리에 기반하므로 통계적 추측이 아닌 본질적으로 신뢰할 수 있습니다.

이 프레임워크는 포괄적인 종단 간 계보를 제공하여 "감사 부채"를 효과적으로 제거합니다. 규제 기관이 유동성 비율이 어떻게 계산되었는지 질문하는 경우 CFO는 파일 경로만 보여주는 것이 아니라 의미론적 논리를 추적하여 "유동 자산"이 어떻게 정의되고 개별 거래에 매핑되었는지 정확하게 증명할 수 있습니다. 이러한 수준의 투명성은 한때 몇 주간의 법의학적 수동 작업이 걸렸던 프로세스를 몇 초 안에 사용할 수 있는 검증 가능한 통찰력으로 전환합니다.

2. Lakeflow를 통한 "배치 세금" 제거

Lakeflow 및 Spark 선언형 파이프라인을 통해 현대 CFO는 "배치"에서 "연속"으로 전환합니다. 그 영향은 CFO실의 양쪽에 걸쳐 있습니다. Treasury의 경우 Lakehouse로 데이터가 실시간으로 스트리밍되면 현금 집중 및 일중 위험에 대한 실시간 보기를 제공하여 은행이 수익을 내지 못하는 현금 버퍼를 줄이고 유동성을 더 높은 수익 자산으로 즉시 재배포할 수 있습니다. Comptroller의 경우 Lakeflow는 대출 예약, 거래 정산, 결제 거래와 같은 오리진 메시지를 수신하고 일일 배치 주기를 기다리는 대신 이벤트 발생 시 하위 원장에 게시하여 실시간 총계정원장 처리를 가능하게 합니다. 이를 통해 거래가 발생한 시점과 장부에 나타나는 시점 사이의 조정 지연이 제거되어 마감 주기가 단축되고 GL이 항상 감사 준비 상태를 유지합니다.

3. 의미론적 격차 해소: "데이터와 대화하기"

Databricks는 LLM을 사용하여 금융 데이터의 의미를 이해합니다. 이를 통해 CFO실 및 현업 리더는 Genie를 사용하여 일반 영어로 전체 금융 자산을 쿼리할 수 있습니다. 거버넌스된 데이터 위에 AI를 활용함으로써 "Chat CFO"는 "원시 데이터"와 "비즈니스 통찰력" 간의 격차를 해소하여 분석가가 데이터 준비 및 보고서 대신 전략에 집중할 수 있도록 합니다.

4. Agent Bricks를 통한 투명하고 거버넌스된 모델링

예금 베타, PPNR 예측, CECL 준비금, 헤징 효율성과 같은 중요한 Treasury 모델은 전통적으로 감사하거나 재현할 수 없는 블랙박스 공급업체 도구나 불안정한 로컬 스프레드시트에 있었습니다. Agent Bricks는 이러한 모델을 소비하는 데이터와 동일한 거버넌스 플랫폼으로 가져옵니다. 모델은 종속된 데이터 세트와 함께 Unity Catalog에서 학습, 등록 및 버전 관리되어 원시 거래 데이터부터 모델 출력까지 단일 계보 체인을 생성합니다. 규제 기관이나 내부 감사자가 "이 PPNR 예측은 어떻게 생성되었습니까?"라고 물으면 답은 사람의 이름이 아니라 추적 가능하고 재현 가능한 파이프라인입니다.

Databricks는 금융 서비스 전반의 현대 CFO를 지원합니다

은행 및 자본 시장

현대 은행은 이제 통합 재무 허브에서 운영됩니다. 총계정원장과 하위 원장 간의 사일로를 해체하여 포트폴리오 및 시장 데이터를 통합함으로써 Databricks는 재무팀이 방어적인 보고에서 공격적인 자본 관리로 전환할 수 있도록 다음 핵심 기둥을 지원합니다.

금리 위험 및 ALM: 전통적인 자산 부채 관리(ALM)는 집계된 버킷에 의존합니다. Databricks는 수분 내에 수천 가지 금리 시나리오 하에서 대출 수준 시뮬레이션 및 순이자 소득(NII) 예측을 가능하게 합니다. 이를 통해 재무팀은 "중간" 결과 관리를 넘어 스프레드시트를 최적화할 수 있습니다.

• 자금 조달 및 유동성 (LCR, ILST, FR 2052a): 내부 현금 흐름과 참조 시장 데이터를 통합하는 통합 데이터 허브를 사용하여 재무팀은 실시간으로 일중 유동성 및 자금 조달 위험을 모니터링할 수 있습니다. 예측 AI 모델은 몇 시간 전에 유동성 커버리지 비율(LCR) 또는 내부 유동성 스트레스 테스트(ILST)의 잠재적 위반을 알려주어 사전 재조정을 가능하게 합니다.
   

  

• 자본 계획 및 적정성 (CCAR): 자본 적정성은 수동적인 연간 연습으로 취급되는 대신 지속적인 프로세스가 됩니다. 위험 및 재무 데이터를 통합함으로써 팀은 포괄적 자본 분석 및 검토(CCAR) 보고의 무거운 작업을 자동화하고 실시간으로 신규 사업 라인 또는 거시 경제 변화의 영향을 확인하기 위해 자본 버퍼에 대한 "가상" 시나리오를 실행할 수 있습니다.

• AI 기반 예금 시나리오 계획: 재무 담당자는 과거 평균을 넘어선 정밀한 가격 책정으로 NIM과 PPNR을 극대화합니다. AI 모델은 스트레스 상황에서의 예금 "고착성"을 분석하고, 일괄적인 조정 대신 정교한 권장 사항을 제공합니다. 예를 들어, 25bp 시장 금리 인상 후 AI는 "높은 관성"을 가진 소매 부문에는 5bp 인상만으로 유지율을 확보할 수 있음을 파악하는 반면, 금리에 민감한 기업 계좌에는 22bp 인상을 권장합니다. 이러한 표적화된 조정은 "핫머니" 유출로부터 대차대조표를 보호하는 동시에 이자 비용을 적극적으로 방어하여 최적의 스프레드 관리와 대차대조표 보호를 보장합니다.
   

  

• 목적에 맞는 규제 보고: Databricks는 규정 준수를 주기적인 의무에서 지속적인 역량으로 전환합니다. FR 2052a 및 LCR 결과는 실시간 재무부 모니터링을 지원하는 동일한 스트리밍 데이터에서 파생됩니다. 별도의 추출이나 조정 지연이 없습니다. 감사 질문에 몇 초 만에 답변할 수 있으며, 몇 주간의 포렌식 재구성이 필요 없습니다. 스트레스 테스트 모델은 CCAR, CECL 및 ILST 규제 전반에 걸쳐 버전 관리되고 재사용되어 규제가 발전함에 따라 적응 비용을 줄입니다. 이를 통해 CFO는 모든 수치를 확신을 가지고 뒷받침할 수 있습니다.

보험 산업

은행과 마찬가지로 보험 재무 기능은 구조적인 데이터 마찰로 인해 제약을 받으며, 이는 CFO실을 반응적이고 보고 중심적인 상태로 유지합니다. 핵심 문제는 광범위한 "데이터 및 거버넌스 세금"과 유사하지만, 보험별 시스템 및 규제 프레임워크를 통해 나타납니다.

보험 계약 및 클레임 파편화 격차:
보험 계약 관리 시스템, 클레임 플랫폼, 재보험 원장 및 투자 포트폴리오는 모두 분리된 사일로에 존재합니다. 보험 계리팀은 의미 있는 분석이나 의사 지원이 시작되기 전에 이러한 시스템 간의 데이터를 조정하는 데 시간의 30-40%를 소비합니다.

보험료 산정 및 마감의 "배치 세금":
월별 또는 분기별 마감 주기는 보험 계리사 및 재무팀이 오래된 스냅샷으로 작업하도록 강요합니다. 실시간 재해 이벤트 및 변동성이 큰 자본 시장의 세계에서 T+1 또는 T+30은 동적 보험료 산정, 지급 여력 모니터링 및 자본 배치를 위한 구조적 부채가 됩니다.

규제 보고의 계보 문제:
글로벌 프레임워크 — IFRS 17, Solvency II, NAIC RBC 및 LDTI — 는 세분화되고 종단 간 감사 추적성을 요구합니다. 레거시 스택에서 보험 계약 거래와 최종 보험료 또는 자본 숫자 사이의 "수학"은 불투명한 보험 계리 도구 및 사용자 정의 코드에 숨겨져 있어 규제 취약성과 값비싼 수동 감사 재구성을 초래합니다.

보험 계리 및 재무 간의 의미론적 격차:
보험 계리사는 손실 개발 삼각형, 노출 단위, 꼬리 계수 및 재해 곡선으로 이야기하고, 재무는 GAAP/IFRS 계정 항목, 결합 비율 및 자본 비율로 이야기합니다. 이 두 세계 간의 수동 번역은 분석가 대역폭을 소비하고, 조정 위험을 초래하며, 의사 결정을 늦춥니다.

보험 재무를 위한 Databricks

과거 지향적 보고에서 실시간 지급 여력, 가격 책정 및 자본 최적화로 전환하려면 보험 CFO는 단일 지능형 기반에서 데이터, 모델 및 거버넌스를 통합하는 플랫폼이 필요합니다.

1. Unity Catalog를 통한 통합된 계보 및 신뢰
   Unity Catalog는 원시 보험 계약 및 클레임 거래부터 보험 계리 모델을 거쳐 최종 재무제표까지 단일 거버넌스 뷰를 생성합니다. ACORD 데이터 모델과 같은 보험 의미론적 표준을 온톨로지 백본으로 통합함으로써 IFRS 17 CSM 계산, LDTI 재측정 및 RBC 보고를 위한 종단 간 감사 추적을 제공합니다. 규제 기관 및 감사자는 몇 주간의 수동 재구성 대신 몇 초 만에 투명하고 추적 가능한 답변을 얻습니다.
2. Lakeflow를 통한 "배치 세금" 제거
   Lakeflow는 발생하는 즉시 보험 계약 수정, 클레임 이벤트 및 투자 거래를 Lakehouse로 지속적으로 수집합니다. 실시간 하위 원장 게시를 통해 클레임 지급과 보험료 움직임 간의 조정 지연을 제거하여, 총계정원장이 항상 감사 준비 상태이고 법정 및 GAAP 마감 주기가 압축되는 지속적인 마감 상태를 가능하게 합니다.
3. 의미론적 격차 해소: "데이터에 말 걸기"
   거버넌스된 데이터 위에 구축된 Genie를 통해 CFO, 컨트롤러 및 비즈니스 단위 리더는 일반 영어로 전체 재무 상태를 쿼리할 수 있습니다. "재해 손실이 5억 달러를 초과할 경우, 사업부별 현재 결합 비율은 얼마인가?" 와 같은 질문에 며칠이 아닌 몇 초 만에 답변합니다. 이는 보험 계리-재무 번역 계층을 연결하고 분석가가 데이터 관리 작업에서 벗어나 가격 책정, 보험료 산정 및 자본 전략에 집중할 수 있도록 합니다.
4. Agent Bricks를 통한 투명하고 거버넌스된 모델링
   손실 준비금, IBNR, 재보험 회수금, CSM 롤포워드, 자산-부채 매칭 등 중요한 보험 모델은 취약한 스프레드시트와 블랙박스 보험 계리 벤더 도구에서 소비하는 데이터와 동일한 거버넌스 플랫폼으로 이동합니다. 모델은 Unity Catalog에서 학습, 버전 관리 및 등록되어 완전한 재현성과 원시 거래부터 모델 출력까지의 단일 계보 체인을 생성합니다. 감사자나 규제 기관이 "이 준비금 또는 자본 숫자는 어떻게 생성되었습니까?"라고 물을 때, 답변은 개인의 데스크톱 워크북이 아닌 추적 가능하고 거버넌스된 파이프라인입니다.

이론이 아닙니다: Databricks는 현대 CFO를 지원합니다

• 주요 글로벌 은행: 파편화 문제를 해결함으로써 유동성 보고를 위한 규제 데이터 처리 시간을 10시간에서 8분으로 단축했습니다. 이 75배의 성능 향상은 재무팀이 전례 없는 속도로 시장 변동성에 대응할 수 있도록 합니다.
• Nationwide Insurance: Nationwide의 재무 및 마케팅 팀은 취약한 스프레드시트 기반 BI 및 SAS 기반 위험 모델에 의존했습니다. 인프라 오버헤드와 길고 수동적인 보고 주기는 중요한 가격 책정 및 성능 통찰력을 얻는 데 몇 주가 아닌 몇 분이 걸린다는 것을 의미했으며, 시장 상황에 대응하는 능력을 제한했습니다. 그들은 스프레드시트 워크플로우를 대체하기 위해 Spark 선언형 파이프라인 및 서버리스 SQL 웨어하우스를 사용하여 데이터 통합 프레임워크를 구축했습니다. 그 결과 결합 비율 5pp, 비용 비율 3pp 개선을 달성했습니다.
• Databricks는 Databricks에서 실행됩니다: 당사의 CFO실은 거래 데이터(ERP, CRM, HRIS, 계획)를 통합하고 거버넌스하여 단일 거버넌스된 진실 공급원으로 통합하기 위해 이 플랫폼을 사용합니다. 고객 0으로서 Databricks 플랫폼의 내부 채택은 측정 가능한 결과를 이끌어냅니다
  • 더 빠른 마감 및 예측 주기
  • "올바른 숫자는 무엇인가"의 제거 및 통합된 단일 진실 공급원을 통한 원활한 스프레드시트 데이터 수집
  • Genie를 통한 자연어 기반 AI 분석, 통찰력 및 예측
  • Unity Catalog를 통한 SOX 규정 준수를 위한 감사 준비 상태

레거시 시스템은 AI 혁명의 속도를 따라가지 못하도록 설계되었습니다. CFO실은 데이터 + AI를 위한 여러 분산된 개별 솔루션 시대를 넘어서야 합니다. Databricks는 미래의 CFO 스택의 백본입니다. 모든 거래 신호를 단일 거버넌스된 진실 공급원으로 통합함으로써, 우리는 과거를 보고하는 것에서 AI를 사용하여 실시간으로 비즈니스를 운영하는 것으로 나아가고 있습니다. — Dave Conte, Databricks CFO

결론: CFO 리더십의 새로운 표준

"미래의 CFO 스택"은 거래, 예측 분석 및 AI가 수렴하는 통합 플랫폼입니다.

CFO의 역할이 계속 진화함에 따라 그 중요성은 그 어느 때보다 커지고 있습니다. T+1 배치 모드로 계속 운영하는 사람들은 "잠자는 자본"과 증가하는 규제 비용에 의해 제약을 받을 것입니다. 반대로, Lakehouse 아키텍처를 채택하는 CFO는 부서가 가치를 보고하는 비용 센터에서 가치를 창출하는 전략적 허브로 변모하고 있습니다.

이 게시물은 재무 부서 현대화에 대한 탐구의 시작을 알립니다. 우리는 현대 CFO를 위한 아키텍처 요구 사항을 확립했지만, 이 플랫폼의 진정한 테스트는 업계에서 가장 변동성이 큰 변수에 적용하는 데 있습니다.

이 시리즈의 두 번째 부분에서는 아키텍처 전략에서 기능 실행으로 이동할 것입니다. AI 기반 예금 시나리오 계획 및 PPNR 최적화에 대해 더 자세히 알아보고, AI 기반 재무부 예금 및 PPNR 모델링을 통해 리더가 과거 "베타" 평균을 넘어 정교한 가격 책정 정밀도를 달성하여 실시간으로 대차대조표를 보호하고 수익을 극대화하는 방법을 시연할 것입니다.

지금 바로 확인하세요

미래의 재무는 데이터 중심적일 뿐만 아니라 지능 주도적입니다. 현대 CFO 사무실로의 전환은 자신의 데이터에서 무엇이 가능한지 보는 것에서 시작됩니다. 통합 재무부 허브 및 AI 기반 시나리오 계획의 라이브 데모를 포함한 이러한 워크플로우를 보려면 지금 바로 Databricks 계정 팀에 문의하십시오.

Part 2: “실시간 예금 인텔리전스로 PPNR 성능 향상”에 대한 내용은 계속 지켜봐 주세요

(이 글은 AI의 도움을 받아 번역되었습니다. 원문이 궁금하시다면 여기를 클릭해 주세요)