Berita dan Informasi Teknologi Terbaru berbagi informasi tentang "Teknologi Analitik, Big Data, dan Penipuan di Sektor Keuangan". Informasi tersebut dikumpulkan dari sumber yang disebutkan di bawah artikel. Info tentang "Teknologi Analitik, Big Data, dan Penipuan di Sektor Keuangan" layak Anda baca baik sebagai infomasi maupun penambah pengetahuan Anda.
Teknologi Analitik, Big Data, dan Penipuan di Sektor Keuangan
Ilustrasi (Ist.)
Jakarta - Perusahaan jasa keuangan, seperti bank dan asuransi, memiliki peran penting dalam segala lini bisnis. Mereka pun dituntut regulator untuk menyimpan dan memproses data transaksi selama bertahun-tahun untuk mempermudah transaksi perdagangan elektronik. Sehingga, pasar modal dapat menghasilkan serta memproses ratusan juta pemesanan pasar setiap harinya.
Bisa dibayangkan, berapa besar data yang harus dikelola? Pastinya, kondisi sektor keuangan yang super sibuk berdampak pada banyaknya data yang harus disimpan dan diolah oleh banyak perusahaan.
Dalam mengola tumpukan data, sejumlah perusahaan sejatinya telah mengandalkan teknologi yang 'relasional', ditambah dengan metode business intelligence untuk menangani serta menganalisis kebutuhan data yang kian meningkat.
Ini membuat semakin jelas terlihat peran teknologi sebagai motor industri dalam manajemen serta data analisis. Sangat menarik untuk dicatat bahwa banyak teknologi ini telah dikembangkan untuk menghadapi tantangan data analisis di bisnis e-commerce dan industri pencari internet.
Inovasi
Di sisi lain, bank dituntut untuk terus mencari dan menawarkan layanan baru kepada nasabah guna meningkatkan pendapatan serta meminimalisir nasabah yang 'kabur' (churn rate).
Hanya saja, untuk menawarkan layanan baru, bank harus dapat mengintegrasikan data transaksi nasabah (seperti data customer call records, email, atau data klaim) dengan informasi eksternal dari web log, feed media sosial dan lainnya.
Nah, untuk dapat mengelola tumpukan data sedemikian rupa tersebut diperlukan pula teknologi big data.
Bank dapat juga menggunakan software Real-Time Decision (RTD) untuk menghasilkan skema penyimpanan yang sesuai dengan kebutuhan pelanggan. Hal yang sama pun dapat disodorkan ke para nasabah secara real-time melalui smartphone, Facebook, situs web dan saluran call center.
Analisis Media Sosial
Entah itu untuk menelaah indikator kestabilan ekonomi, pasar, atau mendeteksi asal usul sentimen negatif yang menggoyang saham perusahaan, sejatinya ada setumpuk data di web yang bisa dimanfaatkan. Termasuk jika ingin mengoptimalkan data dari media sosial.
Memang, analis entitas sudah cukup lama menemani perusahaan dan punya banyak data pendukung dari berbagai pihak, namun ketersediaan data dari media sosial relatif baru dan cukup menarik perhatian banyak institusi yang ingin mengukur sentimen publik.
Sebagai contoh, riset media sosial untuk melakukan sentimen analisis. Sebuah hedge fund seperti Derwent Capita, memiliki strategi dasar dengan melakukan analisis feed Twitter.
Bahkan kebanyakan hedge fund saat ini menggunakan sentimen analisis dari media sosial untuk menjaring opini publik terhadap sebuah perusahaan dan market yang ingin diteliti serta ekonomi secara keseluruhan.
Analisis Risiko On-Demand
Bank global biasanya menggunakan analisis risiko 'On-Demand' terutama pada level perdagangan. Bukan hanya untuk mempercepat pengukuran dan laporan risiko, tetapi juga untuk mengukur sejumlah aset. Agregasi posisi global, perhitungan harga, dan Value at Risk (VaR), semua termasuk dalam bidang big data.
Hal ini disebabkan oleh tekanan untuk perhitungan cepat sangat jauh melampaui kapasitas sistem yang ada saat ini sehingga dibutuhkan volume data yang lebih besar.
Sementara perusahaan telah mengadopsi penggunaan grid technologies untuk perhitungan risiko yang lebih cepat, ini menjadi hambatan memberi asupan data ke grid. Seperti teknologi Java pada memori data grid membantu mengatasi kemacetan perhitungan cepat dengan memungkinkan akses real time ke memori dan paralelisasi map reduce.
Sebagai contoh, arsitektur tersebut membantu bank global mengurangi waktu perhitungan VaR 15 jam mencapai 200 node grid dan 20 menit mencapai 60 node grid, sementara pada saat yang sama jumlah simulasi meningkat hampir 25 fold.
Rogue Trading Detection
Rogue trading terus menjadi ancaman yang besar untuk lembaga keuangan. Proses analisis penghitungan yang dikorelasikan data dengan sistem position tracking dan order management systems dapat memberikan masukan berharga untuk mendeteksi tanda-tanda rogue trading. Dimana hal ini belum bisa disediakan oleh tools manajemen data yang tradisional.
Fraud Detection
Fraud Detection yang melibatkan kartu, debit, dan pembayaran grosir juga dengan cepat telah menjadi masalah big data. Kondisi ini mau tak mau terkait dengan rangkaian data dari berbagai lini, dimana sumber tidak terkait memiliki potensi untuk menangkap lebih banyak aktivitas penipuan dari beberapa metode saat ini.
Misalnya menghubungkan titik data penjualan (tersedia untuk setiap penerbit kartu kredit) dengan analisis web (bisa dari [ihak bank atau eksternal), dan bersinergi dengan lembaga keuangan lain atau penyedia layanan Seperti First Data atau SWIFT untuk mendeteksi aktivitas mencurigakan.
Penyedia pembayaran sejatinya telah mengembangkan tool untuk mendeteksi penipuan yang memanfaatkan aset data besar yang berisi tidak hanya rincian keuangan untuk transaksi, namun alamat IP, informasi browser, serta data teknis lainnya.
Alat-alat ini membantu lembaga keuangan untuk memprediksi, mengidentifikasi, dan mencegah aktivitas penipuan. Alat ini meningkatkan pendekatan tradisional untuk yang sebagian besar didasarkan pada daftar sanksi dan aturan yang telah ditetapkan.
Kepatuhan dan Investigasi (e-Discovery)
Beberapa kasus yang baru saja terjadi, dimana lembaga keuangan dinyatakan bersalah menggelapkan dana atau menyesatkan nasabah mengenai alokasi dana, telah membuat litigator dan regulator untuk mendorong peningkatan keamanan jauh lebih ketat dari pengawasan informasi dari sebelumnya.
Untuk mendeteksi malpraktek tersebut, peneliti harus menembus track record siklus transaksi seperti tatanan perdagangan -- termasuk di antaranya email, transkrip telepon, pesan teks, kontrak, dan lainnya. Hanya saja, semua data ini tidak terstruktur.
Retensi laporan tersebut telah diketahui selama bertahun-tahun, tetapi sulit untuk menghubungkannya dengan transaksi tersebut sehingga menyebabkan regulator mencari tingkat yang jauh lebih besar antara catatan transaksi terstruktur dan catatan interaksi tidak terstruktur.
Untuk itulah diperlukan solusi big data yang dapat membantu dari struktur dikonfigurasikan ke dalam platform manajemen data holistik, untuk menjaga hubungan serta korelasi mereka.
Kesimpulannya adalah, tumpukan data yang dimiliki dan bertebaran di luar diolah dan dianalisis untuk dapat membantu dalam pengambilan keputusan, meningkatkan customer experience, meminimalisir risiko dan memenuhi kebutuhan regulator. Sebab faktanya adalah, lembaga keuangan jadi salah satu adaptor paling cepat untuk big data dan solusi analitik.
*) Penulis, Yatin Kantak merupakan Senior Director Technology Business Unit Oracle India.
(ash/ash)
Bisa dibayangkan, berapa besar data yang harus dikelola? Pastinya, kondisi sektor keuangan yang super sibuk berdampak pada banyaknya data yang harus disimpan dan diolah oleh banyak perusahaan.
Dalam mengola tumpukan data, sejumlah perusahaan sejatinya telah mengandalkan teknologi yang 'relasional', ditambah dengan metode business intelligence untuk menangani serta menganalisis kebutuhan data yang kian meningkat.
Ini membuat semakin jelas terlihat peran teknologi sebagai motor industri dalam manajemen serta data analisis. Sangat menarik untuk dicatat bahwa banyak teknologi ini telah dikembangkan untuk menghadapi tantangan data analisis di bisnis e-commerce dan industri pencari internet.
Inovasi
Di sisi lain, bank dituntut untuk terus mencari dan menawarkan layanan baru kepada nasabah guna meningkatkan pendapatan serta meminimalisir nasabah yang 'kabur' (churn rate).
Hanya saja, untuk menawarkan layanan baru, bank harus dapat mengintegrasikan data transaksi nasabah (seperti data customer call records, email, atau data klaim) dengan informasi eksternal dari web log, feed media sosial dan lainnya.
Nah, untuk dapat mengelola tumpukan data sedemikian rupa tersebut diperlukan pula teknologi big data.
Bank dapat juga menggunakan software Real-Time Decision (RTD) untuk menghasilkan skema penyimpanan yang sesuai dengan kebutuhan pelanggan. Hal yang sama pun dapat disodorkan ke para nasabah secara real-time melalui smartphone, Facebook, situs web dan saluran call center.
Analisis Media Sosial
Entah itu untuk menelaah indikator kestabilan ekonomi, pasar, atau mendeteksi asal usul sentimen negatif yang menggoyang saham perusahaan, sejatinya ada setumpuk data di web yang bisa dimanfaatkan. Termasuk jika ingin mengoptimalkan data dari media sosial.
Memang, analis entitas sudah cukup lama menemani perusahaan dan punya banyak data pendukung dari berbagai pihak, namun ketersediaan data dari media sosial relatif baru dan cukup menarik perhatian banyak institusi yang ingin mengukur sentimen publik.
Sebagai contoh, riset media sosial untuk melakukan sentimen analisis. Sebuah hedge fund seperti Derwent Capita, memiliki strategi dasar dengan melakukan analisis feed Twitter.
Bahkan kebanyakan hedge fund saat ini menggunakan sentimen analisis dari media sosial untuk menjaring opini publik terhadap sebuah perusahaan dan market yang ingin diteliti serta ekonomi secara keseluruhan.
Analisis Risiko On-Demand
Bank global biasanya menggunakan analisis risiko 'On-Demand' terutama pada level perdagangan. Bukan hanya untuk mempercepat pengukuran dan laporan risiko, tetapi juga untuk mengukur sejumlah aset. Agregasi posisi global, perhitungan harga, dan Value at Risk (VaR), semua termasuk dalam bidang big data.
Hal ini disebabkan oleh tekanan untuk perhitungan cepat sangat jauh melampaui kapasitas sistem yang ada saat ini sehingga dibutuhkan volume data yang lebih besar.
Sementara perusahaan telah mengadopsi penggunaan grid technologies untuk perhitungan risiko yang lebih cepat, ini menjadi hambatan memberi asupan data ke grid. Seperti teknologi Java pada memori data grid membantu mengatasi kemacetan perhitungan cepat dengan memungkinkan akses real time ke memori dan paralelisasi map reduce.
Sebagai contoh, arsitektur tersebut membantu bank global mengurangi waktu perhitungan VaR 15 jam mencapai 200 node grid dan 20 menit mencapai 60 node grid, sementara pada saat yang sama jumlah simulasi meningkat hampir 25 fold.
Rogue Trading Detection
Rogue trading terus menjadi ancaman yang besar untuk lembaga keuangan. Proses analisis penghitungan yang dikorelasikan data dengan sistem position tracking dan order management systems dapat memberikan masukan berharga untuk mendeteksi tanda-tanda rogue trading. Dimana hal ini belum bisa disediakan oleh tools manajemen data yang tradisional.
Fraud Detection
Fraud Detection yang melibatkan kartu, debit, dan pembayaran grosir juga dengan cepat telah menjadi masalah big data. Kondisi ini mau tak mau terkait dengan rangkaian data dari berbagai lini, dimana sumber tidak terkait memiliki potensi untuk menangkap lebih banyak aktivitas penipuan dari beberapa metode saat ini.
Misalnya menghubungkan titik data penjualan (tersedia untuk setiap penerbit kartu kredit) dengan analisis web (bisa dari [ihak bank atau eksternal), dan bersinergi dengan lembaga keuangan lain atau penyedia layanan Seperti First Data atau SWIFT untuk mendeteksi aktivitas mencurigakan.
Penyedia pembayaran sejatinya telah mengembangkan tool untuk mendeteksi penipuan yang memanfaatkan aset data besar yang berisi tidak hanya rincian keuangan untuk transaksi, namun alamat IP, informasi browser, serta data teknis lainnya.
Alat-alat ini membantu lembaga keuangan untuk memprediksi, mengidentifikasi, dan mencegah aktivitas penipuan. Alat ini meningkatkan pendekatan tradisional untuk yang sebagian besar didasarkan pada daftar sanksi dan aturan yang telah ditetapkan.
Kepatuhan dan Investigasi (e-Discovery)
Beberapa kasus yang baru saja terjadi, dimana lembaga keuangan dinyatakan bersalah menggelapkan dana atau menyesatkan nasabah mengenai alokasi dana, telah membuat litigator dan regulator untuk mendorong peningkatan keamanan jauh lebih ketat dari pengawasan informasi dari sebelumnya.
Untuk mendeteksi malpraktek tersebut, peneliti harus menembus track record siklus transaksi seperti tatanan perdagangan -- termasuk di antaranya email, transkrip telepon, pesan teks, kontrak, dan lainnya. Hanya saja, semua data ini tidak terstruktur.
Retensi laporan tersebut telah diketahui selama bertahun-tahun, tetapi sulit untuk menghubungkannya dengan transaksi tersebut sehingga menyebabkan regulator mencari tingkat yang jauh lebih besar antara catatan transaksi terstruktur dan catatan interaksi tidak terstruktur.
Untuk itulah diperlukan solusi big data yang dapat membantu dari struktur dikonfigurasikan ke dalam platform manajemen data holistik, untuk menjaga hubungan serta korelasi mereka.
Kesimpulannya adalah, tumpukan data yang dimiliki dan bertebaran di luar diolah dan dianalisis untuk dapat membantu dalam pengambilan keputusan, meningkatkan customer experience, meminimalisir risiko dan memenuhi kebutuhan regulator. Sebab faktanya adalah, lembaga keuangan jadi salah satu adaptor paling cepat untuk big data dan solusi analitik.
*) Penulis, Yatin Kantak merupakan Senior Director Technology Business Unit Oracle India.
(ash/ash)
Semoga informasi tentang "Teknologi Analitik, Big Data, dan Penipuan di Sektor Keuangan" di atas bermanfaat bagi Anda.
No comments:
Post a Comment