Подписаться
Читать в телеграм
Однако переход к цифровым платежам связан с рядом трудностей. Чтобы улучшить пользовательский опыт, поставщики услуг должны обрабатывать транзакции в режиме реального времени и при этом обеспечивать их надежность. У них также должна быть возможность нарастить емкость раньше, чем появляется спрос. При этом необходимо использовать сложную аналитику для предотвращения мошенничества, соблюдения нормативных требований и выявления полезных результатов из данных, которые они собирают.
Особое значение для разработчиков платежных решений имеет защищенность. В цифровых платежных системах нередко находятся лазейки для мошенничества, взлома и других угроз безопасности. Новые правила кибербезопасности способствуют более надежной защите данных, но также повышают требования к производительности.
Что необходимо делать разработчикам в таком случае:
- Внедрять эффективные методы защиты и шифрования для аутентификации пользователей и конфиденциальности транзакционных данных.
- Соблюдать сложные и постоянно обновляемые правила безопасности, часто в режиме реального времени.
- Обеспечивать доступ к огромным объемам структурированных и неструктурированных данных, например, к истории данных поведения пользователей, которые помогут предсказать мошенничество в будущем.
- Идентифицировать и предотвращать действия злоумышленников в режиме реального времени с помощью интеллектуального моделирования, машинного обучения и других методов.
Еще одна задача, стоящая перед поставщиками ИТ-решений — успешная обработка данных, собираемых с широкого круга поставщиков услуг и получателей платежей, чтобы нащупать новые возможности для бизнеса. Например, можно объединять платежные данные с геолокационной информацией и данными клиентов из социальных сетей, а затем анализировать агрегированные данные для прогноза поведения клиентов и повышения их удовлетворенности. Другой пример — можно анализировать данные о платежах в режиме реального времени, чтобы мгновенно выявлять возможности продаж дополнительных продуктов и услуг. Если речь идет о персонифицированном обращении к клиенту, это может быть чат с личным помощником, который готов ответить на все вопросы и подсказать дальнейшие шаги.
И предотвращение мошенничества, и аналитика требуют обработки крупных массивов структурированных и неструктурированных данных из разных источников. Обработка должна происходить с беспрецедентной скоростью с использованием машинного обучения и других технологий искусственного интеллекта. Для реализации всех этих задач помимо масштабов и скорости, от базовой технологической инфраструктуры требуется:
- Гибкость и интероперабельность, возможность интеграции устаревших open-source и облачных систем, а также подключения вариантов оплаты с различных устройств.
- Отказоустойчивость и высокая доступность, обеспечивающие уровень надежности и восстановимости, необходимый для финансовых данных.
- Безопасность, обеспечивающая сохранность данных клиентов.
Чтобы достичь этого, многие поставщики платежных систем обращаются к решениям для вычислений в памяти компьютера (in-memory computing, IMC). Новый технический документ «Модернизируйте и ускоряйте платежные решения с помощью In-Memory Computing» от GridGain Systems раскрывает, как вычисления в памяти становятся одной из ключевых технологий в основе новых платежных решений.
Сохраняя данные в RAM-памяти, IMC устраняет проблему, которая снижает эффективность любой другой высокопроизводительной вычислительной стратегии: медленный доступ к диску. Вместо этого вычисления в памяти в сочетании с параллельной обработкой и распределением в вычислительном кластере дают поставщикам доступ к «тяжелой» аналитике и приложениям. Это позволяет обрабатывать транзакции примерно в 1000 раз быстрее в режиме реального времени за счет выполнения сотен или даже миллионов транзакций в секунду.
IMC-платформы относительно просты в развертывании. Они внедряются между слоем приложения и данных. Данные в базе данных RDBMS, NoSQL или Hadoop размещаются в RAM распределенного кластера платформы IMC, обеспечивая огромный скачок в производительности. Масштабируемость также перестает быть проблемой. Общая системная память может быть увеличена добавлением в кластер новых узлов. Система автоматически балансирует данные по узлам, добавляя производительность и RAM новых узлов. Актуальные версии IMC-платформ предлагают гибкость, интероперабельность и безопасность, необходимые поставщикам платежных решений.
До недавнего времени IMC-решения считались слишком дорогостоящими из-за высокой стоимости RAM. Однако с 1960-х годов издержки снижаются примерно на 30% в год. Сегодня память по-прежнему немного дороже дискового хранилища, но повышенная производительность компенсирует затраты. Многие провайдеры платежных решений и других финансовых сервисов, которые внедрили платформу IMC, добились десятикратного или даже большего улучшения ROI.
Например, Сбербанк — крупнейший банк в России и третий по величине в Европе — столкнулся с той же проблемой, с которой сталкиваются поставщики платежных решений: скорость, масштабируемость, доступность и безопасность перехода от традиционного, обремененного человеческим фактором инвестиционного консалтинга и трейдинга к онлайн-доступу к услугам в режиме реального времени 24/7. Чтобы справиться со значительным ростом объема транзакций, Сбербанк выбрал решение на основе IMC. По данным банка, платформа IMC, которая была построена на стандартном оборудовании, обеспечивала высокую производительность и надежность, хотя и была менее дорогостоящей, чем предыдущая технология.
