新知一下
海量新知
5 9 7 5 1 2 1

转型中不能忽视的数字化合规问题

球迷Long | 2021/11/25 10:26

在后疫情时代,为应对挑战,企业需加强合规管理以避免不利影响。

安永发布了全球诚信调研报告,重点关注了企业在动荡时期面临的商业道德挑战

1

。在调研中, 90%的受访者认为,新冠肺炎疫情扰乱了商业运营秩序,引发了商业道德风险。

新知达人, 转型中不能忽视的数字化合规问题

约三分之一的受访者表示 会为了自己的职业发展和提高薪酬而违背商业道德。 调研报告显示,这种行为已普遍存在,并会随着员工担心自身工作与薪酬受到疫情影响而加剧。

仅有34%的受访者相信与其合作的第三方(包括供应商、合作伙伴和咨询顾问等)在工作中恪守诚信。为了满足短期业务需求,企业可能会聘请高风险第三方,这些第三方往往无法认同企业的诚信文化。

59%的企业未对员工进行数据保护法规相关的培训。33%的受访者认为, 疫情对传统工作模式的改变加剧了企业的道德风险。

面临后疫情时代的商业道德挑战,企业需要加强自身的合规管理,包括加强企业诚信意识,以避免不道德行为对企业产生的不利影响。尤其是,在信息高速发展的时代,数据、知识产权等已成为企业需要保护的重要资产之一。

如果企业缺乏良好的合规管理体系来应对这些风险,他们遭受的潜在性损失将会变得更大。因此,企业建立系统化合规管理变得比以前更重要。

在5G、人工智能的时代,合规数字化转型已成为发展趋势。

在5G、人工智能的时代,合规数字化转型已成为一个重要的趋势。利用机器学习、自然语言处理、交互式可视化平台,合规数字化转型可以更好地来帮助识别和调查事件,找到根本原因,从而让合规治理更加标准化、精细化,增强识别和调查攻击的能力,同时还可以提高检测和防止再次发生。

特别需要强调的是,在科技前沿技术的应用方面,企业中台将为企业业务发展提供各个方面的应用支持,尤其为合规部门提供强有力的支撑和保障;而数字孪生,能实现对现实商业世界中的数据进行实时采集、跟踪和计算,形成企业真实产品数据或资产的数字化虚拟副本。

将企业业务信息转化成可用于分析的有效数据,有利于企业合规工作发生质的改变。这些实质性的改变在未来也将大幅提升企业的数字化转型速度并有效降低企业数字化成本,成为各企业实现数字化转型的重要前提。

新知达人, 转型中不能忽视的数字化合规问题

借助数据中台,打破系统间壁垒,汇聚整合企业数据以实现数据价值变现。

新知达人, 转型中不能忽视的数字化合规问题

目前企业所拥有的数据可以分为两个大类:结构化数据与非结构化数据。

(1)结构化数据一般为企业内部系统中存放的数据,其存储和排列较为规律。但企业不同系统中存放的数据类型不同(如业务数据、财务数据等),以及系统间的不相互连通造成系统间的壁垒,导致企业合规实现数字化转型存在较大的难度。

(2)非结构化数据一般为企业中各种形式的办公文档、图像、音频、视频等。国际数据公司(IDC)

2

的调查报告显示,现在企业的结构化数据只占全部数据量的20%,剩下的80%是以文件形式存在的非结构化和半结构化数据,这些非结构化数据每年增加60%。如何更好地掌握和处理好非结构化数据,是企业合规工作实现数字化转型的另一难题。

针对上述问题, “数据中台”是一个良好的解决方案。数据中台通过数据技术,将企业中多个部门、多个系统中不同类型的数据统一标准和口径,形成标准数据并进行存储。数据中台所创建的这一中间环境,有效地将企业中的多样数据源合并在一起,可实现多系统中多样数据源的汇聚整合,同时为企业合规数字化转型奠定了基础。

基于商业数据集市,应用合规风险分析模型,构建员工合规风险画像。

经数据中台整合处理,企业中的原始数据释放出的数据价值,将进一步推进企业合规中的数据分析和监控工作,助力企业搭建完整的合规风险分析模型,并且建立员工合规风险画像。

新知达人, 转型中不能忽视的数字化合规问题

针对存储在数据中台的数据,我们可以使用描述性分析、有监督和无监督的学习、可视化技术等大数据分析方法,对数据进行评估挖掘。合规风险分析的框架依次为:

(1)首先通过 基础的描述性分析提取海量数据中的重要信息 ,向用户展示企业的基本信息和现状,并发现数据异常情况。

(2)其次通过 诊断性分析深入地挖掘数据与企业业务信息的相关性 ,进而找出 异常数据背后的原因及关联业务场景。

(3)然后再利用 各类统计、建模、数据挖掘工具对历史数据进行预测性分析 ,找出各数据变量间的相关性及因果关系, 建立模型来预测企业中可量化的值。

(4)最后将决策性分析与上述三种分析方法进行结合,共同为企业选定最佳的行为与策略。

新知达人, 转型中不能忽视的数字化合规问题

目前企业合规工作普遍使用的是基于规则检测的监控模型,主要是以企业现存的政策与规则为基础进行定性及定量分析,因此 只能局限性地支持描述性分析和诊断性分析 ,且无法为企业提供最为有效的执行策略。

在前沿技术中, 基于机器学习和深度学习的监控模型可以全面支持描述性分析、诊断性分析、预测性分析、决策性分析。 其中,机器学习中的无监督学习是通过训练没有风险标签的数据,使机器学习这些数据的特征,并将它们进行分类区分。

当这些 通过机器无监督学习得到的“未知风险标签”在经过大量的积累和强化后 ,合规部门 基于过往知识经验将“未知风险标签”识别为高风险或者低风险 ,可以转化为更为稳定的有监督学习,即通过训练这些带有“未知风险标签”的数据, 将新的带有相同特征的测试数据也归类在此标签下,逐渐形成稳定的新已知标签。 新标签的机器学习可以做业务解读的规则,也可以重新应用到传统规则检测模型中,补充完善其中的规则,从而进一步优化模型。

其中无法做简单的业务解读的复杂统计和数学规则,可以作为机器学习的后台引擎来驱动合规风险的识别。两种监控模式在这种交互式的优化中,将更快地助力企业形成一套完整的数字化风险合规模型。同时,合规人员可以利用该模型分析员工个人行为,从而进一步构建基于个人特征的员工画像及标签体系。

新知达人, 转型中不能忽视的数字化合规问题

员工画像是由当下互联网和营销领域的“用户画像”这一概念衍生而来。企业通过这种“用户思维”了解员工,基于员工的自然属性、行为属性等,提炼出高精度的员工特征标识,形成用于数据分析的多维标签化员工模型。其中:自然属性信息包括性别、年龄、工作地点等比较容易获取的信息;行为属性信息包括考勤打卡、培训学习频率、会议发言频率、报销等基于不同业务模式的行为信息。

相较于 自然属性信息,行为属性信息 更难获取,但基于这类信息对员工做出的分析与分类将更为准确。如建立精准的员工行为画像,企业合规工作可以考虑不再以个体为单位进行分析,而是通过加强算法,以产品组、事业部为单位, 群体性地分析评估整个BU的行为属性信息,这将是未来企业数字化合规工作中的创新突破。

将分析模型嵌入现行措施,同时现行措施的结果反哺分析模型,不断迭代循环。

新知达人, 转型中不能忽视的数字化合规问题

合规风险分析模型的目的是为了嵌入到企业现行的合规监控流程, 助力企业合规的数字化转型。 例如,企业可在商业智能BI平台中利用可视化图表呈现合规风险分析模型的结果和发现,提供交互式实时仪表盘,从合规监控角度及时发现数据中隐藏的“异常行为”并对其进行针对性分析和决策。

新知达人, 转型中不能忽视的数字化合规问题

同时,企业在创立商业智能BI平台时可提供一定程度的用户权限定制, 使不同部门人员根据其特定需求,在平台生成并导出专门针对该部门业务模块的数字化合规报告。除此之外,合规风险分析模型的嵌入也可以帮助企业实现合规风险的动态监控,在各个企业应用系统的支持下,风险分析模型的结果可以协助合规人员在多终端、多平台随时随地进行合规相关审批、查询和监控,并以邮件或短信等形式及时接收合规预警提醒。

而这些现行措施在企业合规工作中的应用 结果被及时反馈收集到企业数据中台之后,又可以用来进一步优化和改善原有的合规风险分析模型 使其更适用于企业的特定业务场景。通过上述迭代循环,企业更快地以数据为驱动进行合规管理与决策,成为真正的数字驱动型企业。


更多“数字化”相关内容

更多“数字化”相关内容

新知精选

更多新知精选