Databricks: Hiện đại hóa vòng đời giao dịch tài chính bằng dữ liệu quản trị và AI

Các công ty thị trường vốn đang hiện đại hóa vòng đời giao dịch dưới áp lực từ mọi phía: khối lượng dữ liệu ngày càng tăng, kỳ vọng cao hơn về thông tin chi tiết theo thời gian thực, các sáng kiến AI đang tiến dần đến giai đoạn triển khai thực tế và chu kỳ thanh toán ngày càng rút ngắn. Đến thời điểm này, không ai còn tranh luận về việc có nên sử dụng AI hay không. Câu hỏi thực sự là liệu các bộ phận nghiên cứu, giao dịch, quản trị rủi ro, vận hành và tuân thủ có đang cùng làm việc trên một nền tảng dữ liệu được quản trị thống nhất hay không — hay họ chỉ đang tự huyễn hoặc bản thân rằng mình đang làm như vậy.

Khi các công ty chuyển từ thử nghiệm sang triển khai thực tế, một mô hình đang dần hình thành: lợi thế bền vững không nằm ở một mô hình đơn lẻ. Đó là khả năng làm cho dữ liệu độc quyền — như dữ liệu về lệnh, thực thi, vị thế, nghiên cứu, rủi ro, khách hàng và vận hành — trở nên dễ tìm kiếm, đáng tin cậy và được quản trị xuyên suốt vòng đời.

Tôi đã trao đổi với Andrea DeSosa, Giám đốc Toàn cầu về GTM Thị trường Vốn tại Databricks, về những áp lực vận hành đang định hình lại các quy trình tiền giao dịch (pre-trade), thực thi, hậu giao dịch (post-trade) và giám sát, nhằm có cái nhìn sâu sắc về những cách thiết thực để ưu tiên hiện đại hóa. Cuộc trò chuyện này đã được biên tập lại để đảm bảo sự rõ ràng, độ dài phù hợp và dựa trên các chủ đề được khám phá trong ebook Modernizing the Trade Lifecycle in Capital Markets.

Tại sao áp lực lên vòng đời giao dịch lại tích tụ trong năm 2026

Kim Hatton: Điều gì đang buộc các nhà lãnh đạo mảng giao dịch và nghiên cứu phải xem xét lại vòng đời giao dịch ngay lúc này?

Andrea DeSosa: Các công ty đang phải quản lý nhiều dữ liệu thay thế hơn, thực hiện nhiều thử nghiệm AI hơn, đối mặt với các mốc thời gian vận hành ngắn hơn và sự giám sát chặt chẽ hơn về cách các quyết định được đưa ra và kiểm soát. Đồng thời, các bộ phận nghiên cứu, giao dịch, rủi ro, vận hành và giám sát thường dựa vào các hệ thống riêng biệt và các góc nhìn dữ liệu không nhất quán.

Sự phân mảnh đó làm chậm quá trình ra quyết định, gây phức tạp cho việc phân tích thực thi, hạn chế khả năng hiển thị rủi ro và gây khó khăn hơn trong việc tái hiện lại những gì đã xảy ra khi cơ quan quản lý, khách hàng hoặc bộ phận kiểm soát nội bộ yêu cầu.

Kim Hatton: Sự phân mảnh dữ liệu xuất hiện ở đâu trong vòng đời giao dịch?

Andrea DeSosa: Trong giai đoạn tiền giao dịch, các nhóm có thể mất nhiều thời gian để chuẩn bị và đối soát dữ liệu thị trường, dữ liệu cơ bản, dữ liệu ESG và dữ liệu thay thế trước khi họ có thể kiểm chứng một giả thuyết đầu tư hoặc chạy kiểm thử ngược (backtest).

Trong quá trình thực thi, các bàn giao dịch cần có cái nhìn kịp thời về chất lượng thực thi, tính thanh khoản, luồng lệnh và độ trượt giá theo địa điểm, chiến lược và khách hàng. Tuy nhiên, góc nhìn trên màn hình của một trader có thể không khớp với dữ liệu mà bộ phận rủi ro, tuân thủ hoặc vận hành đang có.

Ở giai đoạn hậu giao dịch, nhiều công ty vẫn phụ thuộc vào các quy trình rủi ro qua đêm, đối soát dựa trên bảng tính và báo cáo được thiết kế cho chu kỳ thanh toán dài hơn. Những thông lệ đó trở nên khó duy trì hơn khi thời hạn thanh toán bị rút ngắn và kỳ vọng về khả năng phục hồi vận hành cũng như tính minh bạch ngày càng tăng.

AI phù hợp ở đâu trong việc hiện đại hóa vòng đời giao dịch

Kim Hatton: AI phù hợp ở đâu trong việc hiện đại hóa vòng đời giao dịch?

Andrea DeSosa: Những công ty đạt được giá trị có thể lặp lại từ AI không nhất thiết là những công ty chạy nhiều dự án thí điểm nhất. Đó là những công ty có khả năng kết nối và quản trị an toàn các bối cảnh độc quyền — luồng lệnh, nghiên cứu nội bộ, vị thế, kết quả rủi ro, thông tin khách hàng và dữ liệu vận hành — xuyên suốt vòng đời.

Nếu không có nền tảng đó, AI có thể tạo ra một quy trình làm việc bị ngắt kết nối khác. Với nền tảng này, các công ty có thể xây dựng các công cụ giúp nhân viên điều tra các trường hợp ngoại lệ, phân tích chất lượng thực thi, tổng hợp nghiên cứu hoặc phát hiện các vấn đề giám sát tiềm ẩn trong khi vẫn duy trì các quyền kiểm soát truy cập và khả năng truy xuất nguồn gốc phù hợp.

Câu hỏi chiến lược chuyển từ “Chúng ta nên sử dụng mô hình nào?” sang “Làm thế nào để kết nối dữ liệu, phân tích và các biện pháp kiểm soát vào quy trình làm việc thực tế?”

Ba tín hiệu cho thấy đã đến lúc hiện đại hóa vòng đời giao dịch

Kim Hatton: Những tín hiệu nào cho thấy đã đến lúc hiện đại hóa kiến trúc giao dịch?

Andrea DeSosa: Có ba tín hiệu thường xuyên xuất hiện.

Những áp lực này dẫn đến một bài kiểm tra thực tế: khi lãi suất thay đổi, chênh lệch giá (spread) nới rộng, tính thanh khoản suy giảm hoặc một sự cố vận hành xảy ra, công ty có thể nhanh chóng nhìn thấy các vị thế của mình, hiểu rõ mức độ rủi ro, xác định các quy trình bị ảnh hưởng và đưa ra bản tường trình có thể kiểm toán về dữ liệu và các quyết định liên quan hay không?

Cách bắt đầu hiện đại hóa vòng đời giao dịch: các quyết định trước khi di chuyển dữ liệu

Kim Hatton: Các công ty nên bắt đầu hiện đại hóa vòng đời giao dịch từ đâu?

Andrea DeSosa: Hãy bắt đầu với những quyết định mà các nhà lãnh đạo cần phải đưa ra:

Khi các câu hỏi ưu tiên đã rõ ràng, các lĩnh vực dữ liệu cần thiết cũng trở nên rõ ràng hơn.

Đối với phân tích chất lượng thực thi, điều đó có thể có nghĩa là dữ liệu thị trường và dữ liệu tham chiếu cùng với các lệnh, thực thi, dữ liệu địa điểm và các tiêu chuẩn đánh giá. Đối với khả năng phục hồi hậu giao dịch, điều đó có thể có nghĩa là các giao dịch, phân bổ, xác nhận, trạng thái thanh toán, tài sản thế chấp, nguồn vốn và các trường hợp ngoại lệ trong vận hành.

Mục tiêu không phải là hiện đại hóa mọi hệ thống cùng một lúc. Mục tiêu là thiết lập một nền tảng dữ liệu có thể tái sử dụng và được quản trị cho một số ít các quy trình có giá trị cao, chứng minh các kết quả có thể đo lường được và mở rộng từ đó.

Cách Databricks quản trị AI xuyên suốt vòng đời giao dịch

Kim Hatton: Nền tảng Databricks Data + AI cho phép thực hiện điều gì trong phương pháp tiếp cận này?

Andrea DeSosa: Nền tảng này hỗ trợ quá trình đó bằng cách kết hợp dữ liệu thời gian thực và dữ liệu lịch sử, phân tích và AI trên một nền tảng chung.

Unity Catalog cung cấp khả năng quản trị tập trung, kiểm soát truy cập, khám phá và dòng dữ liệu (lineage) xuyên suốt các tài sản dữ liệu và AI. Agent Bricks có thể giúp các nhóm xây dựng, triển khai và quản trị các tác nhân (agent) chuyên biệt theo lĩnh vực, trong khi AI/BI cho phép người dùng doanh nghiệp khám phá dữ liệu được quản trị thông qua các bảng điều khiển, hình ảnh hóa và trải nghiệm ngôn ngữ tự nhiên.

Giá trị không chỉ giới hạn ở một quy trình làm việc. Đó là khả năng để các bộ phận nghiên cứu, giao dịch, rủi ro, vận hành và tuân thủ làm việc trên dữ liệu nhất quán, được quản trị trong khi vẫn bảo toàn các biện pháp kiểm soát và bối cảnh mà mỗi chức năng cần.

Các mô hình sẽ phát triển. Các câu hỏi kinh doanh, dữ liệu độc quyền và các yêu cầu về kiểm soát đáng tin cậy sẽ vẫn tồn tại. Những công ty coi việc hiện đại hóa vòng đời giao dịch là một sáng kiến về quản trị dữ liệu và mô hình vận hành — chứ không phải là một tập hợp các tính năng AI rời rạc — sẽ có vị thế tốt hơn để cải thiện tốc độ ra quyết định, khả năng phục hồi vận hành và khả năng mở rộng các trường hợp sử dụng mới theo thời gian.

Tìm hiểu thêm

Tải xuống Ebook mới của chúng tôi Modernizing the Trade Lifecycle in Capital Markets để biết các trường hợp sử dụng thực tế về tiền giao dịch, thực thi, hậu giao dịch và giám sát, cùng một khung làm việc để ưu tiên các sáng kiến dữ liệu và AI được quản trị xuyên suốt vòng đời.