نحوه بهره برداری از داده ها برای دیدگاه دانه ای در مورد خطر عملیاتی

خطراتی که امروزه سازمانها با آن روبرو هستند ، از نظر ماهیت بی شماری و پیچیده ای هستند-در حال رشد فشار رقابتی ، حملات سایبری ، ناآرامی های داخلی ، همه گیر ، کلاهبرداری به طور فزاینده ای ، بررسی دقیق نظارتی ، توسعه فن آوری های مختل کننده ، برای ذکر چند مورد.

اینها زمانهایی است که توسط upheaval تعریف شده است و هرگز فشار زیادی به عملکردهای خطر وجود نداشته است تا دیدگاه تلفیقی تری داشته باشند ، و همچنین برای افسران ریسک اصلی در معرض خطر قرار نگرفته است.

با ظهور مداوم خطرات و تهدیدات جدید ، فشار قابل توجهی برای مدیریت خطرات عملیاتی با یک استراتژی جهانی و میدان دید گسترده وجود دارد. اما در کنار هم ، برای سازمانهایی که می توانند دید دقیق ، شفاف و دانه ای را در مورد پیچیدگی های پیچیده نمونه های منحصر به فرد خود از خطر عملیاتی به دست آورند ، مزایای زیادی وجود دارد.

هوش مصنوعی ، داده ها و ابر به سازمانها اجازه می دهد دیدگاه تلفیقی 360 درجه در مورد ریسک ، شفافیت بیشتر و دیجیتالی شدن فرآیند همراه با یک چارچوب قوی ، به سازمانها کمک کند تا خطرات را بهتر شناسایی کنند. این نه تنها دیدگاه واضح تری در مورد ریسک به همراه خواهد داشت بلکه بار ارزیابی ریسک بر روی انسان را نیز کاهش می دهد.

چارچوب های ریسک عملیاتی سازمانها غالباً فاقد ادغام هستند و مجموعه ای از فعالیتهای پراکنده و متفاوت با انواع مختلفی از خطرات هستند. اما خطرات در تعامل با شیوه ای پیچیده با پتانسیل بزرگ برای همپوشانی و آلودگی متقابل. با این حال ، یک دیدگاه بسیار جامع تر و جامع تر مورد نیاز است. داده ها و هوش مصنوعی ، در صورت استفاده از تخصص مناسب ، شناسایی ریسک سیال تر ، ارزیابی ریسک سیستماتیک تر و چندین قابلیت در جهت پیش بینی خطر را امکان پذیر می کنند.

در خدمات مالی

طی سالهای گذشته ، خدمات مالی (FS) به عنوان یک بخش توسط مجازات هایی که مربوط به سوءاستفاده مشتریان و سوء رفتار در بازار است ، ایجاد شده است. افزودن به این روش افزایش نفوذ داده ها و مدل های تجاری جدید باعث انقلابی در نحوه خدمت به بانک ها به مشتریان می شود (گزارشی اخیر از موسسه تحقیقات Capgemini نشان داد که تنها 34 ٪ از بانک ها معتقدند که آنها نوآوری مدل کسب و کار را که به آنها نیاز دارند) دارند ، شما یک محیط دارید. که در آن قابلیت های ریسک عملیاتی می تواند رنج ببرد ..

اما رهبران FS در استفاده از هوش مصنوعی و ML قبلاً آن را تحمل می کنند که دارای تأثیر قابل اندازه گیری است. هوش مصنوعی و یادگیری عمیق امکان تجزیه و تحلیل سیگنال ضعیف از مجموعه داده های گسترده اکوسیستم بانکی را فراهم می کند تا آنها بتوانند رفتار غیر عادی معامله گران سرکش را تشخیص دهند. چنین رفتارهای کلاهبرداری یک خطر گسترده برای بانک ها است. بیش از دو دهه پیش ، در عصری که قبل از ظهور قابلیت های هوش مصنوعی پیش آمد ، نیک لیسون ، معامله گر سرکش باعث فروپاشی فاجعه بار بارینگز ، قدیمی ترین بانک بازرگان لندن و بانکدار به ملکه شد. هوش مصنوعی ، داده های بزرگ ، تجزیه و تحلیل داده ها وسیله ای را برای پیگیری ، پیش بینی و جلوگیری از چنین تجارت غیرقانونی در اختیار بانک ها قرار می دهد.

در ساخت

اگرچه هیچ بخشی وجود ندارد که در آن استفاده مناسب از هوش مصنوعی و داده ها در ریسک عملیاتی مزایای قابل توجهی به همراه داشته باشد - قادر به پیش بینی یا پیش بینی خطرات برای هر سازمانی سودمند است - اما در ساخت ، افراد فراز و نشیب ها به ویژه قابل تشخیص هستند. زمان خوبی برای خرابی در کف مغازه وجود ندارد. بنابراین ، قادر به تشخیص رانندگان جدید و خطرات در حال ظهور برای خط تولید ، با تجزیه و تحلیل سیگنال های ضعیف در مورد اختلال در زنجیره تأمین ، می تواند در مقابل سرچشمه های آینده چابکی زیادی به همراه آورد.

شلیک در بازوی برای ارزیابی ریسک

این همه گیر باعث ایجاد اختلال و رنج جهانی شد اما درسهای ارزشمندی در مورد خطر و پتانسیل داده ها برای پیش بینی شیوع آموخته شده است. این همه گیر نشان داد که بسیاری از سازمان ها به سادگی از انعطاف پذیری و دیدگاه هایی در مورد خطر به اندازه کافی گرانول برخوردار نیستند ، با صنعت قابل توجهی یا خاصیت جغرافیایی. سیستم های مدیریت ریسک بهتر به سادگی می توانند به بسیاری از سازمان ها کمک کنند تا سریعتر و مؤثرتر پاسخ دهند. به عنوان مثال ، Bluedot ، یک بستر اطلاعاتی شیوع ، توانست خطر نوظهور شیوع Covid-19 را هشت روز کامل قبل از سازمان بهداشت جهانی شناسایی کند. اثبات این زمان و داده ها بسیار ذات است. با تجزیه و تحلیل منابع بهداشت عمومی و 10،000 مقاله در روز در رسانه های جمعی ، و برنامه های پرواز در زمان واقعی توانایی خود را برای کوتاه کردن ارزیابی ریسک از روزها به دقیقه نشان داد.

شش تظاهرکننده ما

در Capgemini اختراع ما 6 تظاهرکننده کلیدی ایجاد کرده ایم که با استفاده از هوش مصنوعی ، داده ها و ابر ، به سازمان ها کمک می کنند تا دید کامل و دانه ای را در مورد خطر مورد نیاز خود کسب کنند:

RCSA پویا (خود ارزیابی کنترل ریسک) به تطبیق تقدیر از خطر از یک نوع خاص با ماهیت دقیق یک سازمان معین کمک می کند. این مجموعه به طور خودکار مجموعه ای از کتابخانه های ریسک و کنترل را بر اساس حسابرسی در زمان واقعی ایجاد می کند ، و به نوبه خود بار کار دستی و تکراری را کاهش می دهد و به نوبه خود نتایج RCSA در زمان واقعی را نشان می دهد.

ابزار ارزیابی RCSA ارزیابی RCSA را تسهیل می کند و آن را با یک روش مشترک ساده می کند. این ارزیابی های RCSA را برای ارائه یک نمای کلی از خطرات تثبیت می کند. مزایا شامل یک فرآیند و روش عادی شده برای ارزیابی RCSA با درجه بیشتری از کنترل است که روند جمع آوری را در هر مرحله ارزیابی کاهش می دهد.

ادغام/ تجسم RCSA با استفاده از فن آوری های پیشرفته تجسم و تحلیلی ، دیدگاه تلفیقی از خطرات را در سراسر سازمان جمع می کند. این یک ابزار مشترک است که از طریق یک دیدگاه تلفیقی توسط منطقه خطر ، از تیم های تجاری و عملیاتی در تصمیم گیری خود پشتیبانی می کند. این امر شناسایی اولویت های مربوط به بهبود چارچوب کنترل و نظارت را کاهش می دهد و اطلاعات مورد نیاز برای گزارش های داخلی و خارجی را به دست می آورد.

معیار خطرات داخلی /خارجی اکتشافات قدرتمند حوادث خارجی را برای ارائه بینش برای افزایش دقت در ارزیابی ریسک از طریق معیارهای مناسب (عمومی و خاص) فراهم می کند. این امر با تجزیه و تحلیل بانکهای اطلاعاتی مربوط به حوادث تاریخی ، شناسایی و شناسایی خطر را پشتیبانی می کند.

ابزار منطقی سازی و طبقه بندی طبقه بندی به طور خودکار حوادث ریسک عملیاتی را در طبقه بندی داخلی خطرات بر اساس توضیحات حادثه طبقه بندی می کند. این امر به مدیران ریسک با قابلیت های اکتشافی پیشرفته و تجسم برای ارزیابی بهتر خطرات عملیاتی کمک می کند. با اتوماسیون معیار معیارها و کارهای تکراری و وقت گیر ، انسان را برای نقش های بیشتری که ارزش افزوده و بهره وری را به خود اختصاص می دهد ، آزاد می کند.

ابزار تجزیه و تحلیل سیگنال های ضعیف ، بر اساس توضیحات حادثه ، بیشترین خطرات عملیاتی یک سازمان ، مباحث مربوط به مادی و دلایل مرتبط را نشان می دهد. این لنز قدرتمندتر برای تشخیص و تعریف دقیق شاخص های ریسک کلیدی (KRIS) فراهم می کند. این امکان را برای شناسایی سریعتر رانندگان ریسک و خطرات در حال ظهور بر اساس ورودی های ارائه شده توسط استخراج و تجزیه و تحلیل داده های هوش مصنوعی فراهم می کند.

در نتیجه

استفاده از داده ها و هوش مصنوعی برای به دست آوردن دید واضح تر و دقیق تر در مورد خطر، مزایای زیادی دارد. تصور کنید قبل از اینکه بخوابید دقیقاً می دانستید چند پشه وارد اتاق خواب شما شده اند و دقیقاً کجا بودند! شما قادر خواهید بود تهدید را بیابید و خنثی کنید و از مزاحمت، ناراحتی و اختلال قابل توجه جلوگیری کنید. داده ها، هوش مصنوعی و ابر می توانند چنین دیدگاهی را در مورد ریسک در اختیار سازمان ها قرار دهند و تنها در صورتی که به شیوه ای درست به کار گرفته شوند، مزایای زیادی به همراه داشته باشند.

اگر سازمانی بتواند خطرات را کاهش دهد و از آن اجتناب کند، در واقع می تواند به یک سازمان قدرتمند تبدیل شود، اما عقب ماندگی ها در استفاده از هوش مصنوعی و داده ها به بهترین نحو، در تاریکی به روی آن نیش های آزاردهنده باز می مانند. اگر می توانید آن را ببینید، می توانید آن را له کنید.

نویسنده

آدم مسکینی

مدیر ارشد، مدیریت ریسک با پشتیبانی از داده، Capgemini Invent ایجاد و مقیاس بندی ارزش برای ریسک و توابع شرکتی