Os processos de reconciliação no final do dia criam desafios de dados que impedem as empresas do buy-side de alcançar eficiências com novas tecnologias e iniciativas de IA.
Os desafios colocados pela dependência de processos de reconciliação há muito estabelecidos surgem num momento em que o buy-side está a passar por uma transformação dos seus modelos operacionais para acomodar novas estratégias de gestão de dados, investimento e liquidação.
Este desafio foi destacado num estudo recente, que concluiu que mais de dois terços das empresas do buy-side ainda dependem principalmente de reconciliações no final do dia, e cerca de metade afirmou que as incompatibilidades de dados e as diferenças de tempo eram a principal causa de discrepâncias nos fluxos de negociação. O inquérito a líderes seniores do buy-side foi realizado numa mesa-redonda convocada pela empresa de soluções de dados Smartstream.
O desafio da reconciliação de dados que as instituições do buy-side enfrentam tornou-se mais agudo à medida que procuraram passar para a negociação multi-ativos, à medida que o escrutínio regulamentar se intensificou e à medida que se espera cada vez mais que passem para um ciclo de liquidação T+1.
Novas eficiências
À medida que as tecnologias de investigação e negociação melhoradas tornam mais difícil competir em termos de retornos de investimento, as empresas estão a tentar competir em termos de comissões. Para tal, procuraram encontrar eficiências operacionais para melhorar o rendimento e reduzir custos. Uma forma de o fazer tem sido externalizar os seus processos de aquisição de dados, mas isso também está a pesar nas suas operações, afirmou Robin Hasson, responsável pela reconciliação na Smartstream.
“Os desafios de dados na reconciliação tendem a ser a amplitude dos dados, a complexidade e a inconsistência”, disse Hasson à Data Management Insight.
“Existem muito mais pontos de dados em formatos modernos e, se todos os utilizassem da mesma forma, as coisas seriam muito mais simples. Mas essa não é a realidade.”
O inquérito da Smartstream, intitulado “Smart Reconciliations: The Buy-Side Perspective”, concluiu que 59 % dos inquiridos afirmaram que as dependências de dados externos eram o seu principal risco.
“Quanto mais sincronização for necessária entre sistemas, maior o risco, mais frágeis as coisas se tornam e maior o custo da mudança”, afirmou Hasson.
Mais use cases
As reconciliações são importantes para fornecer pontos de controlo para os dados que entram e circulam pelos sistemas de uma organização. À medida que os use cases para dados se multiplicaram, as reconciliações precisam agora de funcionar em toda a organização – não apenas na atividade de negociação – à medida que a informação é transferida de equipa para equipa. Isso tem de acontecer em tempo real e sem perda de integridade dos dados, aumentando a pressão sobre os responsáveis pelos dados para acertar no processo.
A necessidade mais crítica para garantir a qualidade dos dados é que possam ser utilizados com segurança para treinar e alimentar modelos de IA – que podem gerar resultados errados se os dados neles introduzidos não forem precisos e fiáveis.
“Isso tornou-se uma das considerações mais importantes”, afirmou Hasson. “Se tiver acesso a dados de alta qualidade e bem descritos, os seus modelos de IA podem aprender o que os dados realmente representam. Isso torna-se verdadeiramente perspicaz e pode gerar benefícios comerciais significativos.”
Desafios acumulados
Executar essas verificações vitais no final do dia, no entanto, significa que a irregularidade e as falhas de dados podem acumular-se previamente, criando dificuldades de fluxo de trabalho e erros. As soluções de IA estão a ajudar a acelerar e automatizar o processamento de problemas, prevenindo inconsistências que poderiam causar danos antes da reconciliação no final do dia.
A solução para isto é uma estratégia de reconciliação sempre ativa, afirmou Hasson. Uma camada de controlo sobre a arquitetura de gestão de dados pode ajudar a identificar e retificar irregularidades e falhas imediatamente, e diminuir os riscos que representam.
“Assim que detetar uma falha na qualidade dos dados, assim que começar a desviar-se, pode resolvê-la”, disse Hasson.
“Com soluções de IA, pode ser muito mais proativo, detetando frequentemente mudanças de padrão e identificando riscos antes que ocorram falhas. Pode ver desvios nos fluxos de dados e recomendar como corrigi-los.”
Sistemas centralizados
A espinha dorsal tradicional das reconciliações na maioria dos use cases tem sido a gestão de dados mestres, que cria uma única fonte de verdade. Isto tornou-se mais importante à medida que as organizações começaram a passar para uma estratégia de gestão de dados centralizada para supervisionar melhor os seus processos de dados cada vez mais complexos.
“Existe uma tendência para a normalização do armazenamento de dados para que tenha uma única fonte de verdade. Não só para apoiar o treino e auditoria de modelos de IA, mas também para gerar insights, análise de tendências e inteligência empresarial mais ampla”, afirmou Hasson.
Isso tem sido tradicionalmente prejudicado por arquiteturas de dados legadas fragmentadas. Este não é um problema tão agudo para algumas operações, mas a consolidação de sistemas díspares tem sido geralmente a regra geral para os gestores de dados. Embora a IA possa ajudar ao ligar mais eficientemente essas estruturas independentes utilizando ferramentas de Model Context Protocol (MCP), não substitui uma modernização completa, afirmou Hasson.
“Pode estar a mascarar o problema subjacente”, disse. “Se resolver problemas taticamente caso a caso, isso está realmente a melhorar o controlo operacional nos próximos dois a três anos? A resposta é: provavelmente não. A qualidade alcançada nunca corresponderá à de um programa estratégico de dados.”
