Raport Specjalny | IT@BANK 2024 – BitPeak | Przyszłość danych w bankowości: między regulacjami a cyfrową transformacją

Sebastian Kamiński
CEO BitPeak

Nowoczesne platformy danych jako istotny element szeroko zakrojonej transformacji cyfrowej powstają w kontekście dynamicznych zmian regulacyjnych. Świat finansów i bankowości zawsze był branżą mocno regulowaną, a nowe przepisy, takie jak AI Act, Data Governance Act czy DORA, stawiają dodatkowe wymagania, także w obszarze danych. To właśnie regulacje wymagają szczególnej uwagi, by tworzone systemy danych sprostały zarówno aktualnym, jak i przyszłym wyzwaniom.

Wykorzystanie jakościowych i ustrukturyzowanych danych daje ogromne korzyści biznesowe. Wzrasta wydajność pracy, skraca się czas operacji, można oferować spersonalizowane doświadczenia klientom. Regulacje są niezbędne, jednak kluczowe jest ich wdrażanie w sposób, który wspiera innowacyjność, bez hamowania rozwoju technologicznego.

Dane pod kontrolą

Instytucje, które stoją przed wyzwaniem modernizacji środowisk raportowo-analitycznych, mierzą się z nie lada zadaniem, stawiając czoła wymogom regulacyjnym. Sama technologia przestała być główną przeszkodą. Obecnie dostępne na rynku rozwiązania, jak Microsoft Fabric czy Databricks, oferują wysoce skalowalne i wydajne platformy, które dynamicznie odpowiadają na potrzeby rynku.

Rekomendacja czy scoring w czasie rzeczywistym na podstawie dużych zbiorów danych do podjęcia szybkiej decyzji kredytowej, technologicznie nie jest dzisiaj wyzwaniem.

Prawdziwym wyzwaniem jest spełnienie wszystkich wymogów, zarówno wewnętrznych, jak i zewnętrznych. Już na etapie początkowym projektanci rozwiązań muszą mierzyć się z koniecznością:

• inwentaryzacji i szczegółowej wiedzy na temat zasobów i ich jakości;
• audytowalności pochodzenia danych;
• zastosowania zaawansowanych mechanizmów bezpieczeństwa;
• spełnienia wymagań RODO.

Zdecydowanie w coraz większym stopniu będziemy sięgać po rozwiązania chmurowe, ceniąc ich elastyczność. To podejście ma dodatkowy atut – selektywne podejście, bo tylko aplikacje rzeczywiście nadające się do migracji będą przenoszone do środowiska chmurowego. Przyniesie to racjonalizację środowiska aplikacyjnego, gdzie przestarzałe lub zbędne systemy zostaną zastąpione bardziej wydajnymi.

Kiedy prawo dyktuje architekturę

Pierwsze wdrożenia hurtowni danych i systemów analitycznych w instytucjach finansowych koncentrowały się głównie na aspektach IT, takich jak architektura czy technologia. Obecnie jednak ten paradygmat uległ zmianie, a jednym z kluczowych wyzwań stała się zgodność z regulacjami.

Celem regulacji i dyrektyw jest wzmocnienie środków bezpieczeństwa, udostępniania danych i przejrzystości w europejskim sektorze finansowym, zwłaszcza w obliczu ewolucji technologii i nawyków konsumentów.

Regulacje DORA i NIS2 dotyczą wysokich standardów cyberbezpieczeństwa. PSD2 wprowadza zmiany poprzez otwartą bankowość opartą na interfejsach API. RODO ustanawia surowe zasady dotyczące przetwarzania danych osobowych, wymagając wdrożenia odpowiednich mechanizmów ich ochrony. AI Act reguluje wykorzystanie sztucznej inteligencji w sektorze finansowym.

To tylko niektóre z najważniejszych regulacji, które wpływają na sposób projektowania platform danych i jednocześnie narzucają konkretne wymagania.

Kluczem jest dojrzałość danych

Projekty związane z budową platformy danych to inicjatywy wymagające znacznych zasobów oraz dużych nakładów finansowych i czasowych. Dlatego tak ważne jest odpowiednie przygotowanie tego przedsięwzięcia, czyli dojrzałość instytucji w zakresie strategii danych oraz procesów Data Governance.

W pierwszym kroku organizacja powinna zdefiniować i wdrożyć zasady Data Governance, a dopiero potem przystąpić do budowy platformy. Taka kolejność zapewnia, że poruszamy się w określonych ramach, obejmujących m.in.:

• systemową architekturę i zewidencjonowane zbiory danych, wspierane procesami;
• interesariuszy wraz z nazwanymi potrzebami i priorytetami biznesowymi;
• wyznaczone jednostki i role odpowiedzialne za zarządzanie danymi;
• polityki i standardy;
• świadomość pracowników na temat znaczenia danych.

Dzięki temu możemy skutecznie pracować nad docelową formą przechowywania i udostępniania danych, optymalną dla całej organizacji.

Należy pamiętać o pełnej audytowalności oraz przejrzystości źródeł pochodzenia danych. Świadomość danych powinna obejmować zarówno informacje, jak i metadane, metody przetwarzania oraz być częścią edukacji pracowników. Automatyzacja na poziomie zbierania i przetwarzania danych, a także ich późniejsze wykorzystywanie przez inne aplikacje (np. AI), wymaga solidnego śledzenia i zarządzania kontekstem danych (np. daty odświeżania, uprawnień oraz pochodzenia).

Kontrola nad danymi powinna być traktowana jako kluczowy element całego ekosystemu danych. Równie istotne są procedury i powtarzalność działań, takich jak testy i bezpieczeństwo. Platforma danych musi być także gotowa do udostępniania informacji, co otwiera przed organizacją nowe możliwości biznesowe, ale także wyzwania. W ramach przestrzegania regulacji dane o klientach czy transakcjach mogą wspierać zarówno analizy wewnętrzne, jak i zewnętrzne.

Otwartość na AI

Mając ogromne zbiory danych, banki potrzebują zaawansowanych rozwiązań AI do skutecznej analizy i automatyzacji powtarzalnych, ręcznych procesów.

Już teraz odgrywają one kluczową rolę w transformacji sektora. Z jednej strony angażują się w bezpośrednie interakcje z klientami, z drugiej – wspierają, przyspieszają i automatyzują procesy wewnętrzne. W przeciwieństwie jednak do takich obszarów, jak np. sztuka, w sektorze finansowym kreatywność modeli AI nie jest wskazana. Z tego względu szczególną wagę należy przykładać zarówno do jakości danych, jak i samych modeli, poprzez ich regularne przeglądy oraz walidację. Modele muszą być też odpowiednio udokumentowane, aby w razie potrzeby móc przekazać stosowne informacje organom regulacyjnym.

Należy myśleć o AI w sposób skoordynowany, a wsparcie zapewnia tutaj m.in. AI Act, który narzuca metodyczne podejście do aplikacji analitycznych, wymagając ich ewidencji, oceny oraz przejrzystości. Wraz z wejściem w życie ustawy o AI konieczne staje się rygorystyczne podejście do testowania – zanim modele trafią do produkcji, muszą zostać gruntownie sprawdzone, zapewniając przejrzystość i pełną możliwość śledzenia podejmowanych przez nie decyzji.

Jak pracować nad strategią danych?

Pisząc wcześniej o dojrzałości danych, wspomniałem, że w pierwszym kroku organizacja powinna zdefiniować i wdrożyć zasady Data Governance. W BitPeak, pracując z naszymi klientami, stosujemy podejście polegające na opracowaniu „Roadmapy Strategii Danych”. Określa ona kroki oraz kierunek, jakie organizacja powinna podjąć i wdrożyć, aby efektywnie zarządzać danymi.

Prace zaczynamy od oceny sytuacji, organizując warsztaty i ankiety użytkowników, dokonując przeglądu i ewidencji dostępnych zasobów danych.

Stworzenie „Roadmapy Strategii Danych” to jednak dopiero pierwszy krok. Kluczowe staje się jej konsekwentne wdrażanie, monitorowanie oraz dostosowywanie do zmieniających się potrzeb.

Pragmatyczne i iteracyjne podejście, które stosujemy, skoncentrowane na praktycznych aspektach zarządzania danymi, pozwala przeprowadzić organizację przez kluczowe etapy budowy strategii danych.

BitPeak wspiera klientów na każdym etapie tego procesu, angażując wewnętrzne zespoły klienta, podczas gdy nasz multidyscyplinarny zespół pełni funkcję doradczą i wspierającą. Wierzymy, że to organizacja powinna być liderem tej inicjatywy, a nasze wsparcie skupia się na doradztwie i wprowadzaniu korekt w kluczowych momentach.