Skip to main content

Artikkel

Anrikede data og strukturerte data: Hva handler det egentlig om?

Publisert: November 2024

En person berører et glødende rødt og oransje LED-panel, noe som skaper en følelse av samhandling med teknologi.

Når vi snakker om ISO 20022, dukker to begreper konsekvent opp: «Berikede data» og «strukturerte data». La oss utforske hva de betyr, fordelene deres og hvorfor de er viktige.

Betydningen av data

Data er kjernen i enhver moderne virksomhet. Rådata alene er imidlertid ikke nok. Det er som å ha et enormt bibliotek uten en katalog – du kan ha verdifull informasjon, men uten organisering Become det vanskelig å trekke ut meningsfull innsikt.

Beriket data går utover grunnleggende detaljer. Dette er data som er forbedret med ytterligere kontekst og verdi. Mens mennesker kan tolke kontekst intuitivt, krever datamaskiner struktur for å unngå misforståelser og feil. Det er her strukturert data kommer inn i bildet.

Strukturert data gir et rammeverk for organisering av informasjon – når spesifikke deler av informasjon leveres i et forhåndsdefinert format (individuelle felt) som enkelt kan forstås og behandles av datamaskiner. Struktur bidrar til å unngå tvetydighet og inkonsekvens i dataene, og gjør det mulig for maskiner å tolke konteksten og verdien av hver del av informasjonen. Derfor, selv om berikede data og strukturerte data er separate ting, oppnås maksimal verdi bare når de leveres sammen. ISO 20022 gjør det mulig å utveksle rikere data i et strukturert format.

Grunnleggende betalingsdata

 

12345678, John Smith, HSBCGB2L, 98765432, Ashley Toby, CHASUS33, 100 GBP

I eksemplet ovenfor vet vi bare at det er en transaksjon på 100 GBP mellom John Smith og Ashley Toby, og hvilken bank de bruker. Vi kan ikke si noe annet.

 

Berikede betalingsdata

 

abc123ref2345, HSBCGB2L, 12345678, John Smith, nr. 123 Main Lane, London, W1K 1PN, Storbritannia, 01011995, England, CHASUS33, 98765432, Ashley Toby, 123 Main Street, Apartment 4B, New York, NY 10001, USA, 01012000, NY, USA, 100 GBP, leverandørbetaling, INV0123

Med berikede data vet vi nå mer om de to personene og betalingen. Vi har mer informasjon om betalingene, inkludert adresse, referansenummer, bankens BIC, valuta, formålet med betalingen og fakturanummeret.

 

Berikede og strukturerte data

 

DebitorKreditorBetalingsdetaljer
Navn: John Smith
Adresse:
123 Main Lane
London
W1K 1PN
Storbritannia

Fødselsdato: 01.01.1995
Fødeland: England
Navn: Ashley Toby
Adresse:
123 Main Street, rom 4B
New York
10001
USA

Fødselsdato: 01.01.2000
Fødeland: NY, USA
Referanse: abc123ref2345
Debtors bank: HSBCGB2L
Debtors konto: 12345678
Kreditors bank: CHASUS33
Kreditors konto: 98765432

Beløp: 100 GBP
Formål: Leverandørbetaling
Fakturareferanse: INV0123

 

Beriket og strukturert data er der sann verdi legges til. I vårt eksempel kan vi nå tydelig skille mellom avsender og mottaker, deres bankdetaljer, referanse og formålet med betalingen sammen med fakturanummeret. Denne strukturerte dataen eliminerer potensielle feiltolkninger som kan oppstå fra ustrukturert data.

Ved å utnytte beriket og strukturert data kan bedrifter bygge et mer presist og komplett bilde av sin forretningsdrift og kundene sine.

Diskusjonen handler ikke bare om etterlevelse og teknisk interoperabilitet, men mye mer enn det.

    1. Strukturert navn og postadresse gir en måte å identifisere de involverte partene entydig på. Dette kan være til stor hjelp med KYC og nøyaktig sanksjonskontroll, slik at man ikke bare kan identifisere sanksjonerte parter i en betaling, men også redusere antallet falske positive treff som genereres av et filtreringssystem (se brukstilfelle 3).

    2. Strukturert betalingsinformasjon gjør det mulig å overføre informasjon som fakturanumre, ordrenumre og andre referanser knyttet til hva betalingen gjelder, i betalingsmeldingene. Det kan gi ERP-systemer (Enterprise Resource Planning) mulighet til å motta og behandle mer utfyllende betalingsinformasjon, noe som kan føre til automatisk avstemming og bedre likviditetsstyring.

    3. Juridisk enhetsidentifikator (LEI) gir mer gjennomsiktighet i betalinger for tydelig å identifisere spesifikke enheter som er involvert, noe som kan bidra til forbedret KYC, automatisert sanksjonskontroll og avstemming.

    4. Formålskoder gir innsikt i årsaken til betalinger og når de brukes konsekvent, kan det gi flere fordeler som å identifisere viktige kundetrender og dermed muliggjøre utvikling av innovative tjenester, forebygging av svindel og betalingsprioritering for behandling. Som et eksempel planlegger Bank of England å bruke formålskoden for å identifisere og prioritere tidskritiske betalinger som eiendomskjøp.

    5. Flere betalingsidentifikatorer gjør det mulig for hver part å inkludere sine unike referanser for å identifisere betalingen, noe som forbedrer avstemmingsprosessen.

    6. Ultimate skyldnere og kreditorer – også kjent som OBO-betalinger («på vegne av») – gir informasjon om den virkelige sluttparten som betaler eller mottar midlene.

Alle dataene til sammen kan gi bedrifter detaljert informasjon for å analysere betalingene deres som er sendt og mottatt. Dette kan føre til bedre beslutningstaking, ikke bare for forbedret svindeldeteksjon og forebygging, men også forbedret kundeopplevelse og optimalisering av interne prosesser.

Virkelig innvirkning

La oss utforske noen brukstilfeller:

Brukstilfelle 1 – Commonwealth Bank of Australia (CBA) – fordelssøker

Det kan være svært komplisert å finne og søke om visse offentlige ytelser, noe som fører til at millioner av kroner forblir uavhentet hvert år. CBA fant ut at ved å bruke formålkoder kunne de nøyaktig identifisere studentkundene sine og dermed hjelpe dem med å få tilgang til fordeler de gikk glipp av. Denne skreddersydde tilnærmingen gjorde bankopplevelsen for hver student mer personlig og relevant.

Brukstilfelle 2 – avstemming av fakturaer i detaljhandelskonsern

Mange store detaljhandelsbedrifter sliter med å måtte manuelt avstemme fakturaer fra ulike leverandører, hver med sitt eget unike dataformat, noe som fører til økte kostnader som kan påvirke resultatet deres. Banker er i stand til å tilby tjenester til bedrifter som matcher feeder av innkommende betalinger med fakturadetaljer levert av kundens ERP-motor, noe som gir automatisk avstemming og nøyaktig rapportering. Dette er bare mulig fordi riktige data er i riktig felt.

Bruksområde 3 – nøyaktig sanksjonsscreening

Betalinger blir ofte forsinket på grunn av falske treff på betalers eller betalingsmottakers navn (falske positiver), noe som fører til misfornøyde kunder, med potensielt inntektstap og økte kostnader for banker på grunn av manuelle undersøkelser.

Eksempler:

Mohammed Ali og Maria Chavez er internasjonalt vanlige navn som også står på sanksjonslister. En betalingssanksjonskontroll kan utløse et varsel på grunn av dette navnet. Men, for å ta et fiktivt eksempel, Mohammed Ali fra London født i 1997 eller Maria Chavez fra New York, født i 1980 er forskjellig fra Mohammed Ali fra Egypt født i 1965 eller Maria Chavez fra Mexico, født i 1967 som kan stå på OFAC-listen.

Ved å inkludere tilleggsdata som adresser, fødselsdatoer og andre attributter, kan kontrollsystemer gi mer nøyaktige varsler, spare finansinstitusjoner for kontroll- og undersøkelseskostnader og, viktigst av alt, forbedre kundeopplevelsen.

Bestill en demonstrasjon

Be om en personlig demo for å lære hvordan Mastercard kan forbedre virksomheten din gjennom våre produkter og tjenester.

Mastercard