Marek Chlebicki, Dyrektor Strategii i Transformacji IT w Grupie Raiffeisen Bank International AG w Wiedniu.
Daniel Paćkowski: Podczas II edycji Data Economy Congress (9-10 października 2023 r.) poruszy Pan tematykę Data Mesh i decentralizacji zarzadzania danymi w banku. Proszę uchylić rąbka tajemnicy, o czym będzie mowa? Co w praktyce oznacza „Produktyzacja Danych”?
Marek Chlebicki: Data Mesh to nie tyle nowa technologia, co nowy paradygmat architektoniczno-technologiczny nowoczesnego zarządzania danymi. W naszej sesji chcemy rozmawiać o tym, jak połączyć biznesowe rozumienie danych oraz ich wartości z technologiczną wizją budowy nowych, wysoko jakościowych źródeł danych będących fundamentem do zastosowania biznesowego. W realiach większości instytucji finansowych dane zarządzane są bardzo hermetycznie, w sposób wysoce zcentralizowany. Centralne zespoły zarządzające centralnymi zasobami danych, strukturyzowane w oparciu o centralne taxonomie. Taka organizacja nie przystaje do dzisiejszego świata pod kątem łatwości dostępu do danych, elastyczności, skalowalności, nie pozwala na wykorzystanie pełnego potencjału danych w organizacji. Data Mesh jest odpowiedzią na wyzwania dzisiejszego biznesu. Pozwala na rozmowę o kluczowych aspektach danych, architekturze, lineage, jakości językiem biznesu. Przede wszystkim jednak koncentruje się na budowie danych w sposób zdecentralizowany, wokół domen biznesowych i przypadków użycia. W naszej sesji postaramy się pokazać Data Mesh w praktyce i opowiedzieć, jak bardzo wysokiej jakości produkty danych zmieniają rzeczywistość każdej organizacji.
Skoro jesteśmy przy danych, to jakie informacje na nasz temat zbiera bank i co się dalej z nimi dzieje, jak są przetwarzane i wykorzystywane?
Banki z definicji spełniają definicję „data company”, zbierają, przetwarzają i archiwizują ogromne ilości danych. Pamiętajmy, że w przypadku banków obowiązek zbierania i przetwarzania danych jest narzucony regulacyjnie. W dzisiejszych czasach dane są podstawą wszystkich procesów bankowych, rozpoczynając od procesów biznesowych, a kończąc na zarządzaniu ryzykiem i finansami. Wraz z postępującą digitalizacją pojawiają się coraz więcej nowych źródeł danych, coraz więcej danych „real time”, coraz więcej danych zbudowanych w środowisku digitalnym i chmurze. Mając tak bogate zasoby danych, banki mają ogromny potencjał zastosowania analizy danych i sztucznej inteligencji. Wróćmy jednak do problemów przedstawionych w pierwszym pytaniu – do realnego wykorzystania danych z korzyścią dla klientów niezbędne jest zapewnienie dostępności danych (najlepiej w czasie rzeczywistym lub prawie w czasie rzeczywistym) o wysokiej jakości.
Paradoksalnie zdecentralizowane zarządzanie danymi, ich produktyzacja to zarówno lepsze wykorzystanie danych jak i ich większa ochrona. Za cenę decentralizacji i konieczności wprowadzenia mechanizmów regulujących „mesh” możemy przypisać do danych prawdziwych właścicieli i aktywnie zarządzać dostępem do danych poprzez zautomatyzowany, algorytmiczny data governance. Pamiętajmy, że banki to instytucje zaufania, także odpowiedzialne wykorzystanie danych jest w ich przypadku tak samo ważne jak ich bezpieczeństwo.
Jak banki działające w Polsce wypadają pod względem technologicznym na tle regionu i całego świata?
Sektor bankowy ma długą historię wykorzystania technologii do zbierania i przetwarzania danych. Jednocześnie architektura i infrastruktura danych większości banków powstawały lata temu i dzisiaj charakteryzują się dużym poziomem długu technologicznego. Dodatkowo, kluczowe elementy tej architektury były projektowane i budowane z myślą o zupełnie innym wykorzystaniu danych niż dzisiejsze potrzeby biznesowe – procesy zarządcze, finansowe, sprawozdawcze. To dotyczy większości banków niezależnie od geografii – stąd modernizacja danych jest wyzwaniem globalnym, nie tylko dla banków w Polsce.
W Europie widzimy rosnące inwestycje banków w modernizację technologii związanych z danymi, budowę nowych kompetencji i platform danych. Dobrym przykładem jest Grupa Raiffeisen Bank International AG, która realizując program Data Mesh Transformation, implementuje technologie real-time i near-real-time oraz wprowadza nowe platformy danych – data marketplace, katalog danych, data lakehouse, platformę wirtualizacji danych.
Równie ważne jak implementowane technologie jest to, jak są one wdrażane w organizacji. Kluczem do skutecznego zarządzania danymi jest budowa otwartej architektury i self-service, pozwalające na produkcję i konsumpcję danych bez wąskich gardeł w postaci centralnych zespołów.
Gdzie zatem jesteśmy? Bliżej nam do liderów czy średniaków?
Jeżeli popatrzymy na tempo wdrażania zmian i innowacyjność polskich banków – wyraźnie widać, że liderzy rynku działają w kluczowych obszarach właśnie w ten sposób. Wiemy, że polskie banki są liderami nowych technologii w regionie. Wszystko wskazuje na to, że dzięki elastyczności i krótkim cyklom wytwórczym utrzymają swoją pozycję. Jednak konkurencja jest duża – przykładowo w wypadku nowych graczy w sektorze finansowym, gdzie technologia budowana jest od początku w agile, w pełni produkcyjną z pełną odpowiedzialnością i decyzyjnością w domenach produktowych. To ogromna przewaga na start – w erze rewolucji w obszarze danych.
Banki w Polsce na przestrzeni ostatnich lat mocno rozwinęły swoje kompetencje technologiczne. Obecnie nikt nie wyobraża sobie banku bez sprawnej i łatwej w obsłudze aplikacji. Pytanie, co dalej? Wizyty online w „bankowym metaversie”, transakcje 7 dni w tygodniu oparte o blockchain? W którą stronę idą banki? O jakie technologie najmocniej zabiegają obecnie banki?
Intensywność technologii rośnie. Pięć lat temu możliwe było wymienienie 2-3 kluczowych technologii przyszłości, dzisiaj wydaje się to niemożliwe – mówimy o dziesiątkach kategorii technologicznych, które dodatkowo dynamicznie rosną. Jednocześnie rosną oczekiwania klientów i kompleksowość rozwiązań bankowych budowanych, aby na nie odpowiedzieć. Jednocześnie dziś dla bankowości kluczowy jest, i najprawdopodobniej będzie w najbliższym okresie, digital – dalsza integracja klienta 360 stopni i jego cyklu życia w banku z kanałami, z którymi na co dzień styka się klient.
Technologie przyszłości? Metaverse to inwestycja długoterminowa w przyszłe pokolenia klientów bankowych, pozwala jednak wymyślić ponownie wiele procesów. Paradoksalnie kluczem do wykorzystania nowych technologii nie jest jednoczesna implementacja wielu rozwiązań na szczycie obecnego stosu technologicznego, a gruntowna modernizacja niższych warstw infrastruktury, technologii – budowa solidnego fundamentu dla wykorzystania nowych technologii. Bez modernizacji zastosowanie nowych technologii i innowacja będą siłą rzeczy ograniczone – wyobraźmy sobie klienta w Metaverse otwierającego produkty w mainframe’owym CBS nie pracującym 24/7.
Jak banki tworzą nowe technologie? Budują własne, potężne działy IT czy sięgają po zewnętrzne zespoły i rozwiązania?
Banki stoją przed ogromnym wyzwaniem w zakresie budowy i utrzymania technologii w przyszłości. Konkurują o talent technologiczny na niezwykle trudnym, dynamicznym, globalnym rynku, nie tylko z instytucjami finansowymi, ale także z nowoczesnymi biznesami i globalnymi firmami technologicznymi. Już dzisiaj potrzeby banków przekraczają możliwości zatrudnienia ludzi w dziale IT – dlatego banki muszą kreatywnie stosować wszystkie 3 techniki budowy zasobów IT – Build (budować swoje zespoły technologiczne), Buy (współpracować z partnerami technologicznymi i vendorami w budowie rozwiązań technologicznych) i Borrow (budować kompetencje technologiczne w modelu partnerskim we współpracy z partnerami bogatymi w talent technologiczny). Ważne jest strategiczne definiowanie tego, jakie rozwiązania i kompetencje budowane są w którym z tych modeli – własne kompetencje kluczowe są w obszarach stanowiących przewagę biznesową banku, w pozostałych szukanie partnerów do współpracy pozwala skrócić czas do wdrożenia i zapewnić wyższą efektywność organizacji. W celu zwiększenia konkurencyjności i przełamania granic geograficznych w dostępie do talentu IT, globalni i regionalni gracze budują międzynarodowe centra technologiczne – przykładem mogą być centra Raiffeisen Tech, działające w 3 krajach, w tym w Polsce, w Warszawie. Niezależnie od modelu i geografii, kluczowe jest zapewnienie atrakcyjnego środowiska pracy, wyzwań technologicznych i dostępu do nowych technologii. To one stanowią najważniejszy magnes przyciągający i utrzymujący talent IT w organizacji.
Z jednej strony banki zamykają placówki i redukują etaty, a z drugiej rekrutują nowych programistów. Jak duże są obecnie działy IT w bankach?
To oczywiście zależy od skali organizacji i rozłożenia akcentów pomiędzy modelami – Build, Buy, Borrow. Także od modelu operacyjnego i poziomu wykorzystania technologii chmurowych oraz zastosowania rozwiązań „as-a-Service” (aaS). Niezależnie od modelu, działy IT rosną wraz z rosnącą intensywnością biznesową IT (ilością procesów biznesowych wykorzystujących technologie). Jednocześnie, wraz z modernizacją i zastosowaniem nowych technologii rośnie udział zasobów IT realizujących innowacje, w odróżnieniu od operacji i powtarzalnych procesów. Oba trendy utrzymają się najprawdopodobniej w kolejnych latach wraz z rosnącą adopcją digitalizacji i digitalizacją procesów biznesowych.
W tym roku motywem przewodnim jest sztuczna inteligencja. Firmy dosłownie prześcigają się w stosowaniu AI w swoich produktach i rozwiązaniach. Czy w bankowości jest miejsce na intensywniejsze wykorzystanie sztucznej inteligencji?
Jest ogromna przestrzeń, ale szczególnie w bankowości wdrożenie AI wymaga ostrożności i odpowiedzialności. Kluczowe jest – i tu wracamy do początku naszej rozmowy – przygotowanie i jakość danych stosowanych w budowie rozwiązań AI. Pamiętajmy, że AI w bankowości to nie tylko rozwiązania na styku z klientem, ale także automatyzacja procesów, automatyzacja operacji, wreszcie rozwiązania DevSecOps wspierające procesy budowy technologii. Wreszcie, pamiętajmy, że wiele rozwiązań opartych o AI jest już od lat stosowanych produkcyjnie przez banki. Obecna koncentracja na GenAI otwiera nowe pole i nowe przypadki użycia, które z czasem weryfikują swój potencjał i wpływ na procesy i modele biznesowe banków. Tu także kluczowe znaczenie ma jakość danych. Próba obecnie wykorzystania AI bez modernizacji danych to pomysł krótkoterminowy, skazany na porażkę lub problemy w dłuższej perspektywie czasu.
Wiedząc o tym, ważna jest właściwa koncentracja i sekwencja działań. Zacytuję jednego z dyrektorów IT banku z naszej grupy:
– Dziś 90 proc. środków powinno zostać ukierunkowanych na jakość danych i ulepszenie procesów wytwarzania i konsumpcji, a 10 proc. w kierunku AI. Modele AI i analizy będą tak dobre, jak dane na wejściu. (…) Jednak zniknęła z przestrzeni dyskusja o jakości danych, właścicielstwie. W bankowości, silnie uregulowanej, bez odblokowania możliwości konsumpcji danych do AI, większość zespołów zatrzyma się na etapie eksploracji i testowych modeli. Prawdziwym wyzwaniem jest przejście od ekscytujących technologii i eksploracji do produkcyjnego użycia danych.
Kiedy sztuczna inteligencja dokona scoringu kredytowego i zdecyduje o tym czy komuś przyzna pożyczkę lub nie?
Kompetencje i rozwiązania technologiczne pozwalające na taki proces są już powszechnie dostępne. Wyzwaniem jest odpowiedzialność za wykorzystanie tych technologii w relacji z klientem. Odpowiedzialne AI. Zatem prawdziwe pytanie to nie kiedy to się dokona, ale kto weźmie odpowiedzialność za to, zwłaszcza w przypadku reklamacji klienta – kto jest autorem tej decyzji – model? Analityk big data? Ekspert z ryzyka czy Tribe Lead z biznesu.
Czyli obecnie jedną z barier jest brak ram prawnych i wyznaczenia granic w wykorzystaniu AI?
Tak, rynek czeka na rozwiązania regulacyjne. Obecnie mamy obowiązek wykazać sposób podjęcia decyzji. Technologicznie, model AI nie daje możliwości łatwego udokumentowania podjętej decyzji, a jedynie jej interpretowalność. Niektóre fragmenty procesu scoringu już dzisiaj są w ten sposób automatyzowane, ale do pełnego AI to jeszcze daleka droga. Oddzielnym pytaniem jest, czy jako społeczeństwo chcemy oddać ten fragment władzy nad naszym życiem algorytmom. To jest część dylematu regulatorów. Na koniec dnia jedyne, co pozostaje w pełni pod kontrolą banku w procesie w pełni wykorzystującym AI, to jakość danych, na których model został zbudowany i operuje. Być może w przyszłości to właśnie jakość danych będzie miarą odpowiedzialności za wykorzystanie AI w organizacji.
Dziękuję za rozmowę.
