Что может дать big data белорусским банкам и почему этот инструмент пока не используется

Big Data

24.12.2013, Вт, 13:12, Мск

Внедрение технологий Big Data позволяет банкам вывести на новый уровень работу по самым важным направлениям: повышение качества обслуживания, разработка продуктов, риск-менеджмент, обеспечение безопасности, оптимизация расходов. Российские банки в начале пути.

Термин Big Data используется для обозначения группы технологий, решающей две основные задачи. Первая – хранение и анализ значительного объема структурированных данных, требующих высокой скорости обработки и принятия мер реагирования в режиме реального времени. Вторая – сбор, хранение и использование неструктурированных данных, включая аудио-, фото- и видеоинформацию.

В банковском секторе технологии Big Data используются в двух ключевых направлениях. Первое направление получило название «Customer 360° View».

Оно позволяет создать полную картину о клиенте, основываясь на анализе данных внутренних банковских систем и внешних источников, включая социальные сети, открытые базы данных госструктур, программы лояльности, сведения коллекторских агентств и другие источники. По второму направлению ведется анализ банковских транзакций, логов оборудования и банкоматов.

Использование всего объема информации позволяет увеличить выручку и уменьшить отток клиентов за счет повышения эффективности маркетинговых кампаний и создания индивидуальных предложений. Появление новой информации для скоринговых моделей, борьбы с мошенничеством, а также совершенствования внутренних процессов организации дает компаниям возможность сократить расходы.

Опыт за рубежом и перспективы в России

Все крупнейшие иностранные организации финансового сектора используют технологии Big Data для обработки большого объема структурированной информации. С точки зрения хранения и анализа неструктурированных данных показателен пример финансового холдинга ING.

Он собирает и анализирует информацию о действиях посетителей сайта, решая задачи по оптимизации пользовательского интерфейса и генерации индивидуальных маркетинговых предложений для своих клиентов (так называемая концепция «Next Best Action», активно используемая, в том числе, в ритейле и телекоммуникационной отрасли). В этом случае технологии Big Data служат основой для выбора и максимальной персонализации банковских продуктов, которые целесообразно предложить конкретному клиенту. Об успешном опыте использовании технологий Big Data, кроме ING, также объявили такие финансовые организации как VISA, Merrill Lynch, Bank of America, Central Bank of India, HSBC, Capital One и многие другие.

Как и во всем мире, в России банки стремятся лучше знать и понимать своего клиента, предсказывать его желания.

В условиях растущего числа кредитных организаций и усиления конкуренции между ними, банки вынуждены постоянно повышать качество облуживания, и снижать издержки, в том числе это достигается при помощи внедрения технологий обработки больших данных.

Многие аналитические задачи, которые на Западе сегодня уже успешно решены на массовом уровне, находят отклик в России пока лишь у банков, являющихся технологическими лидерами.

Большинство отечественных финансовых организаций только начинают исследовать возможные преимущества от внедрения технологий работы с большими данными.

«Технологии Big Data позволят российским банкам лучше анализировать уже имеющиеся у них данные, найти скрытые взаимосвязи, а также открыть для себя новые классы источников информации, тем самым существенно повысить качество принимаемых решений в вопросах персонализированных клиентских предложений, маркетинга, удержания клиента, разработки новых уникальных продуктов, совместных ко-брендинговых программ с партнерами», – считает Сергей Нестеренко, руководитель отделения интеграции дивизиона данных компании IBS.

Примеры применения

Аналитические приложения, внедряемые в рамках создания платформ Big Data, могут, например, обогатить скоринговые модели данными о поведении клиента при заполнении кредитной заявки на сайте или информацией из профилей клиента в социальных сетях. Такие решения способны находить различные закономерности и ассоциации для воплощения концепции «Next Best Action».

Продукты Big Data позволяют кредитным организациям собирать и обрабатывать данные о поведении клиента на сайте (например, предложения банка, которые просматривал клиент), историю транзакций, данные из социальных сетей.

Анализ информации позволяет подготавливать персональные рекламные предложения, и далее с помощью системы управления маркетинговыми кампаниями доносить информацию до клиента банка через наиболее эффективный канал: sms, социальные сети, рассылку электронных писем, или сразу по всем перечисленным каналам.

Стоит особо отметить оперативность анализа информации.

Так, например, возможен сценарий, при котором пользователь, после просмотра на сайте банка информации о каком-то продукте, переходит на свою страницу в социальной сети или на любой другой сайт, где есть контекстная реклама, и видит персонализированное предложение по продукту, о котором он только что читал. Такое «сопровождение» пользователя способно повысить CTR (от английского click-through rate – отношение числа кликов на баннер к числу его показов) почти в два раза по сравнению с обычной контекстной или медийной рекламой.

CIO и СTO: как меняется влияние ИТ-руководителей в компаниях?

Новое в СХД Что может дать big data белорусским банкам и почему этот инструмент пока не используется

В связи со снижением доли использования физических банковских отделений, актуальной задачей станет анализ телефонных разговоров операторов call-центра с клиентами «на лету» и предоставление оператору необходимой информации, подсказок, побуждающих к определенным действиям, в зависимости от разговора и предыдущей истории отношений с клиентом. Данные решения призваны увеличить лояльность клиентов и повысить кросс-продажи.

  • Технологические возможности
  • В зависимости от бизнес-задачи, текущего ИТ-ландшафта и инвестиционных возможностей финансового института, состав банковских ИТ-решений можно изменять, как по набору компонентов, так и по платформам, адаптируясь к ландшафту системного окружения банка.
  • Технологическая схема проекта Big Data

Что может дать big data белорусским банкам и почему этот инструмент пока не используется

Источник: IBS, 2013

Источниками данных могут выступать как внутренние банковские системы, так и внешние сервисы (в том числе и социальные сети). В зависимости от типа источника используется соответствующий инструмент для сбора данных.

В случае транзакционных систем могут использоваться стандартные интеграционные инструменты.

Для сбора данных о действиях пользователей (активность пользователей на интернет-сайте) или обработки потоковых данных (звонки в call-центр) существуют соответствующие классы систем – Streaming Processing.

Для хранения и обработки данных, в зависимости от задач можно использовать как платформы класса Hadoop, так и традиционные (реляционные) хранилища данных. Для управления клиентскими профилями и реализации концепций «Customer 360° View» и «Know Your Client» используются системы класса Master Data Management.

Алексей Рывкин

  • Короткая ссылка
  • Распечатать

​Волшебная палочка: зачем банкам big data

Большие данные могут стать волшебной палочкой, которая радикально изменит отношения клиентов с банками Fotolia/Andrey Popov

Технологии больших данных жизненно необходимы современным банкам. Управлять активами, оценивать риски, сохранять и наращивать клиентскую базу — ключевые потребности кредитных организаций нельзя будет удовлетворить, не научившись пользоваться инструментами big data.

По данным консалтинговой компании Alacer, крупнейшие банки США накопили уже 1 эксабайт (1018 байт) информации. Такой объем данных содержится, например, в 275 млрд аудиозаписей песен в формате mp3.

Не использовать данные и возможности, которые они таят, означало бы отказаться от дальнейшего развития. И банки их активно используют.

Мы рассмотрели пять основных сфер банковской деятельности, которые меняются с наступлением эры больших данных.

Безопасность и противодействие отмыванию денег

С помощью систем обработки данных банк знает о потребительском поведении своих клиентов.

Допустим, клиент N, женатый и с двумя детьми, имеет недвижимость в городе и автомобиль, стабильный личный доход 100 тыс. рублей в месяц, держит накопительный счет и имеет кредитную линию. Банк из истории транcакций знает, сколько N тратит в месяц на еду и одежду, поездки, содержание автомобиля, оплату коммунальных счетов, на развлечения и прочее.

В один прекрасный день N снимает большую часть наличности, закрывает счета и покупает билет в один конец в европейскую страну. Или переводит деньги на другой счет, блокирует карты и перестает проводить привычные транcакции.

Из такого поведения можно сделать два вывода: либо N бросил семью с двумя детьми и пустился в бега, либо доступ к его картам и мобильному банку получили злоумышленники. По статистике, более вероятно второе.

Система безопасности банка, исходя из анализа поведения клиента, тут же подает сигнал тревоги. Специалисты могут принять меры — заморозить транcакции и связаться с N, чтобы выяснить, все ли в порядке.

Если система выявляет аномальное поведение — резкий рост покупательской активности, перевод непривычных сумм на другие счета, вывод средств, — это становится сигналом тревоги. Предупредительные меры можно принять еще до того, как клиент обнаружит кражу кредитной карты и взлом онлайн-банка.

Банк также может сравнивать поведение одного клиента с поведением других, сопоставимых по уровню доходов. Искусственный интеллект со временем составит портрет типичного потребителя для каждой группы клиентов. Исходя из этого шаблона, система сможет предсказывать дальнейшее поведение потребителей и выявлять факторы риска.

Если система выявляет аномальное поведение — резкий рост покупательской активности, перевод непривычных сумм на другие счета, вывод средств, — это становится сигналом тревоги. Предупредительные меры можно принять еще до того, как клиент обнаружит кражу кредитной карты и взлом онлайн-банка.

Для борьбы с мошенническими сделками и отмыванием денег банки используют алгоритмы машинного обучения и анализ больших данных.

Использование технологии Big Data при реализации функции банка по сбору просроченной задолженности

УДК 338.26

ИСПОЛЬЗОВАНИЕ ТЕХНОЛОГИИ BIG DATA ПРИ РЕАЛИЗАЦИИ ФУНКЦИИ БАНКА ПО СБОРУ ПРОСРОЧЕННОЙ ЗАДОЛЖЕННОСТИ

© Казаков. Р.И., 2016

Иркутский государственный университет, г. Иркутск

Данная статья посвящена вопросу применения технологий Big Data в банковской сфере, в частности в выполнении такой банковской функции, как сбор просроченной задолженности. Описаны основные характеристики Big Data и принципы работы с большими объемами данных.

Читайте также:  Как на самом деле работает аромамаркетинг. Отвечают эксперт, довольный топ игорного клуба и ритейлер, который бросил эту затею

Также в статье приведены примеры применения Big Data в работе по сбору просроченной задолженности. Одним из таких примеров является поиск и сбор контактной информации о клиенте, для дальнейшего установления с ним контакта. Статья содержит описание экономического эффекта от применения Big Data для реализации описываемой функции банка.

Данный эффект достигается путем сокращения резервов банка в виду минимизации просроченной задолженности.

Ключевые слова: большие объемы данных, контактная информация, банк, рост просроченной задолженности, резервы банка на просроченные кредиты.

отслеживания факта выхода клиента на просроченную задолженность по кредиту или кредитной карте. С помощью данных программ собирается вся информация о клиенте, которая есть в распоряжении банка, для установления контакта с клиентом как личного, так и удаленного по средствам смс, звонков, электронной почте.

Контакт с клиентом поддерживается для разных целей: для предоставления информации о новых услугах банка, для информирования клиента об услуге, которой он уже пользуется, для информирования клиента о выходе на просроченную задолженность, для урегулирования вопроса по погашению просроченной задолженности.

задолженность по кредитам растет и встает вопрос, как управлять ей, как минимизировать ее.

Очень остро стоит вопрос получения актуальной контактной информации и данных о клиентах, для установления контакта и урегулирования просроченной задолженности.

Такими данными могут быть как место жительства и регистрации клиента, и его контактная информация (телефоны, электронные адреса), так и информацию по его счетам и продуктам, которыми он пользуется.

Стоит отметить, что у банков уже давно реализован программный механизм заведения клиента в свою базу, отслеживания использования того или иного продукта. Данные программы предоставляют большой набор функций по обработке и использованию данной информации. В частности, данные программы используются для

  • Последний вопрос, в текущих экономических условиях, является критически важным так, как закредитованность населения Иркутской области растет, согласно информационному порталу Иркутск медия [5]. Так, на каждого жителя
  • 33 Бизнес-образование в экономике знаний
  • № 1 • 2016

иркутской области приходится по 100 тысяч долга по кредиту. Соответственно, вероятность выхода клиента на просроченную задолженность перед банком увеличивается. Если же клиент выходит на просроченную задолженность, то банк вынужден создавать на данный кредит резерв в размере от 30 % до 50 % от суммы долга, согласно информационному порталу Банки.ру [4].

Следовательно, контакт с клиентом, вышедшим на просроченную задолженность, важен.

Именно от него зависит, сможет ли сотрудник банка связаться с клиентом и найти пути погашения просроченной задолженности или контакт не будет установлен в виду неактуальной информации о клиенте.

Однако, скорость изменения данных клиентов очень велика. Как результат данные устаревают и требуют постоянной актуализации.

Данный вопрос очень важен с экономической точки зрения. Банки вынуждены создавать дополнительные резервы на те кредиты, которые вышли на просроченную задолженность. Тем самым банк замораживает деньги, которые мог бы использовать непосредственно в своей операционной деятельности по предоставлению кредитных продуктов [4].

Big Data — это методы работы с большим объемом структурированных и

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

  1. неструктурированных данных [1]. Большие данные характеризуются тремя характеристиками [1]:
  2. 1. Volume — большой объем данных, который постоянно увеличивается
  3. 2. Velocity — скорость работы с подобными данными
  4. 3. Variety — разнообразность хранимых и обрабатываемых данных

Реляционные базы данных уже не позволяют хранить данные и предоставлять решения для быстрой обработки именно больших объемов данных. Здесь речь идет о терабайтах информации.

Прежние программы и аппаратные средства не позволяют в полной мере проанализировать и обработать такие большие объемы данных [2].

Более того, Big Data позволяет работать как со структурированной информацией, так и с неструктурированными данными, такими как картинки, текст, видео.

  • Уже существует достаточно большой набор инструментов, технологий, позволяющих работать с Big Data [3]:
  • • NoSQL
  • • MapReduce
  • • Hadoop

Эти и другие продукты предназначены для работы с Big Data работают по принципу «шеринга» [3]. Данный принцип может быть объяснен следующим образом. Существует одна база данных, которая принимает запрос на получение определенных данных. Эта база данных пересылает данный запрос на множество других

баз данных, и собирает с них уже сводную информацию по запросу. Тем самым база данных первополучатель запроса имеет дело уже со значительно меньшей по объему информацией и более структурированной.

Данная технология позволяет ускорить время обработки запросов, которые требуют анализа больших объемов данных имеющих разные характеристики.

Спрос на подобный анализ данных сейчас растет во всевозможных сферах: экономики, бизнесе, науке, медицине и во многих других.

Направление по применению Big Data в работе банка, в сфере сбора просроченной задолженности считается перспективным так, как для сбора просроченной задолженности необходим контакт с должником. Для установления связи с клиентом, нужна актуальная контактная информация.

Благодаря технологии Big Data становится возможным обрабатывать не только те данные, которые есть у банка для поиска подобной информации, но искать и контактную информацию и в других местах.

На пример в социальных сетях, форумах и других ресурсах, где клиент мог бы оставить свои актуальные данные. Для обработки таких больших объемов информации и требуется технологии Big Data.

Более того информация в социальных сетях может быть представлена и в формате текста или даже фото или видео. Следовательно, переход на работу с большими объемами данных как никогда актуален в данной сфере.

Для поиска и обработки данных клиентов в социальных сетях, базах данных мобильных операторов, страховых компаний как раз и необходима Big Data. Однако в этом случае речь идет не о традиционном представлении о Big Data, как о статистическом инструменте, а о распределенной Big Data. То есть, поиск и анализ данных ведется не в одной централизованной базе данных, а сразу в нескольких.

Как уже было сказано, это обусловлено тем, что поиск ведется в нескольких независимых базах данных. Так, уже существует множество примеров применения Big Data для сборов информации в социальных сетях. Согласно CyberSecyrity.

ru [6], исследования университета Британской Колумбии в Ванкувере, с применением ботов в социальных сетях, показало, что с помощью данных ботов возможно получить достаточно большие объемы информации: сколько поделились той или иной ссылкой, сколько раз тот или иной клиент заходил на определенную страницу и многое другое. Из данного исследования видно, что поиск контактной информации (телефон, адрес) становится возможным. Так как при этом приходится обрабатывать большие объемы данных и работать с ними, когда они представлены в различных форматах, необходимо использовать технологии Big Data.

Подобный пример использования Big Data для поиска и анализа данных в социальных сетях можно привести из недавнего решения Иркутского государственного университета о старте проекта анализа активности школьников в социальных сетях. Данный проект направлен на поиск тем, которые наиболее интересны школьникам, по средствам анализа активности школьников в социальных сетях.

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

Тоже самое относится и к поиску и анализу данных в различных базах данных сотовых операторов, страховых компаний.

В условиях, когда подобные базы данных можно вполне законно приобрести, вопрос создания базы для применения технологий Big Data отпадает.

Тем самым, реализация идеи поиска контактных данных клиентов банка становится реалистичной, способна принести значительны вклад в увеличение скорости и качества актуализации подобных данных.

Наличие актуальных контактов клиента в разы повышают эффективность и скорость выполнения функции по сбору просроченной задолженности. Что в свою очередь снижает затраты банка на создание резервов.

Стоит отметить, что уже существуют подобные разработки в ряде банков. Однако они требуют доработки и пока это лишь единичные попытки оптимизации работы банка в сфере сбора просроченной задолженности.

Сбор и обновление контактной информации клиентов носит множество задач. Одной из них является поиск и сбор контактной информации о клиентах банком, в целях установления с ним контакта в рамках реализации функции банка по сбору просроченной задолженности.

Применение данной технологии способно дать ощутимый экономический эффект банку и банковской системе в целом так, как более эффективный сбор просроченной задолженности означает минимизацию затрат на создание резервов по просроченным кредитам.

Данное направление применения технологий Big Data требует дальнейшего изучения и развития для предоставления отлаженного механизма по информационному обеспечению функции сбора просроченной задолженности банками. Более того, возможно дальнейшее развитие применения Big Data в банковской сфере.

Одним из перспективных направлений в этой сфере является определение и анализ факторов, которые необходимо учитывать при выдаче кредитов.

Речь идет о создании модели с множеством переменных, которая позволила бы анализировать различные параметры, влияющие на потенциальный риск невозврата кредита или выход клиента на просроченную задолженность. Таким образом, будет возможно непосредственно влиять на качество кредитного портфеля банка и сделать его более здоровым.

Таким образом, применение технологий Big Data для поиска контактной информации о

Читайте также:  Как самостоятельно организовать мероприятие: несколько ресурсов, которые стоит добавить в закладки

клиентах в целях реализации функции банка по сбору просроченной задолженности является актуальным направлением. Уже существующая практика применения технологий больших объемов данных для схожих целей создает практическую базу для эффективного применения Big Data указанной функции банка.

Однако применение подобной технологии только этим не ограничивается и может быть направлено на создание многофакторной модели анализа клиента на стадии оценки заявки на выдачу кредита. Подобная модель позволила бы минимизировать риски невозврата кредита или выхода клиента на просроченную задолженность.

В купе, данные решения позволили бы банку оздоровить кредитный портфель и минимизировать экономические риски. ■

Искусственный интеллект и Big Data в банках | Блог Mail.Ru Cloud Solutions

Как вы можете охарактеризовать инициативы, связанные с национальной концепцией развития искусственного интеллекта?

— Сегодня многие развивают искусственный интеллект — производители и разработчики инструментов, научные заведения, исследовательские институты. Но однозначного понимания термина ИИ пока нет. Как только терминология устоится, станет ясно, нужно ли его развивать на национальном уровне.

Многие делят искусственный интеллект на слабый и сильный. На мой взгляд, сильный искусственный интеллект — это такой Терминатор, который способен к эмоциям, самосознанию, суждениям и мыслям, а слабый искусственный интеллект — возможность автоматизации тех или иных задач.

Слабый ИИ может слушать аудио и генерировать текст, озвучивать результаты, извлекать информацию из аудио- или видеосигнала. Такая автоматизация идет на уровне дублирования или замены реального сотрудника.

Сегодня мы используем технологии, которые способны понимать человеческую речь и отвечать собеседнику, распознавать числа и буквы, заносить их в нужные графы и столбцы, и я склонен называть все это слабым искусственным интеллектом. Такие наработки будут развиваться, потому что мы только в начале пути.

Но на сегодняшний день в финсекторе такие решения не находят широкого применения. С чем это связано?

— Мало, чтобы технологии были развитыми. Бизнес должен придумать, как их монетизировать. А такие возможности есть не всегда. Ранжируя всевозможные инициативы, банк должен прийти к выводу о высокой инвестиционной привлекательности проектов с ИИ.

Пока я не могу сказать, что в части окупаемости эти технологии внедряются в приоритете.

Многие на рынке говорят об этом, запускают пилоты, но нередко оказывается, что можно внедрить другой сервис, не связанный с искусственным интеллектом, и получить больше маржи.

Новые тенденции банковских технологий: психоаналитика и эмоциональная оценка

Как в банках применяют технологии видеоаналитики и эмоциональной оценки?

— Видеоаналитика может применяться как способ извлечения информации из видеопотока, например с камер наблюдения.

В Китае уже используют методы детектирования эмоционального состояния: если системы видеоаналитики обнаруживают нервозность клиента, зашедшего в офис банка за кредитом, эти данные учитывают в скоринговых моделях.

Так ИИ помогает заподозрить мошенничество либо высокую вероятность того, что человек не сможет вернуть кредит.

А в России никто еще не предложил реально работающую модель интеллектуального психоанализа?

— Попытки есть. У нас разрабатывают сервисы психоаналитики, детекции и определения психотипа клиентов банка, извлечения психометрических параметров. Вопросам оцифровки психотипов уделяют много внимания, хотя пока в форме экспериментов.

Какими интересными проектами сейчас занимаются ваши разработчики?

— Например, мы пилотируем модуль речевой аналитики. Он позволяет избежать издержек, связанных с записью аудио, превращая его в текст. Мы стараемся сделать так, чтобы модуль речевой аналитики улавливал интонацию.

Emotions recognition, распознавание эмоций — направление технологий искусственного интеллекта.

Это полезно в контакт-центрах, особенно в коллекторских агентствах, где на том конце провода встречаются нервные собеседники.

Какие проблемы возникают при внедрении инноваций

Все ли инновации внедряются легко? В чем состоят основные причины затруднений?

— Основные причины лежат в психологической плоскости, поэтому любые кардинальные инновации внедрять тяжело. Более эффективный бизнес-процесс означает, что компьютер может работать лучше человека. Люди, которые в результате оказываются менее эффективными, сопротивляются.

Мы целенаправленно популяризируем направление искусственного интеллекта, показываем преимущества новых технологий на пилотах, пытаемся донести до руководства позицию, что инновациями надо заниматься и показывать их преимущества сотрудникам.

Насколько новые технологии могут заменить человека? Действительно ли клиенты банка по-прежнему нуждаются в живом общении?

— Есть такие банки, которые работают без офисов, я считаю это эффективной бизнес-моделью. Но сегмент банков, которые содержат многочисленные допофисы, также достаточно велик, в ближайшее время его объем сохранится.

Наш банк пока не уходит в цифровую коммуникацию. Мы работаем как онлайн, так и в физическом мире. Допофисы пользуются спросом, значительная часть наших клиентов взаимодействует с банком только через них.

Если брать технические проблемы, вы сталкиваетесь с проблемой очистки данных, первоначального сбора данных?

— Грязные данные — проблема любого бизнеса. Но что считать чистыми данными, а что грязными — философский вопрос. Чаще всего приходится работать с теми данными, которые есть. Иногда информации не хватает, в данных много пропусков, имеются аномалии и выбросы.

В реальном мире с этим сталкиваются все. Чтобы качество данных улучшилось, мы контролируем «мусор», стараемся очищать данные, развиваем это направление.

Есть ли у банков потребность в каких-то внешних данных, которые могли бы значительно улучшить качество работы на финансовом рынке?

— Мы активно используем внешние данные, покупаем их. Рынок внешних данных уже достаточно развит. Мы пользуемся даже данными, которые Федеральная налоговая служба выкладывает на своем сайте. Они обогащают наши модели машинного обучения, делают прогнозы точнее, а управленческие решения — лучше.

Разработка in-house или внешние решения: что выбирают банки

Разработка in-house популярна во многих крупных компаниях, в том числе банках. Почему это так?

— В банках мы имеем дело с банковской тайной — коммерческой информацией, которую нельзя передавать за пределы организации. С ней можно работать, только используя банковские средства, банковское оборудование, специалисты должны иметь соответствующую компетенцию и допуск.

На тех участках, где есть открытые API, мы применяем разные возможности, но когда данные передавать нельзя, ведем разработку только внутри.

Насколько внешний рынок решений для банковского сектора состоятелен, есть ли у банков потребность брать что-то извне, не используя in house там, где нет внутренних ограничений?

— Предложений много, иногда можно запутаться в возможностях, которые предоставляют продукты тех или иных вендоров. Препятствий к их использованию нет.

Однако на рынке много open-source продуктов, причем достаточно развитых и функциональных, поэтому коммерческие дорогие продукты для аналитики данных можно не покупать.

Вопрос заключается лишь в наличии компетенций, чтобы работать с ними. Именно их мы развиваем сегодня — покупаем на рынке труда.

Также банки не очень любят пользоваться публичными облаками, хотя некоторые уже движутся в этом направлении. Пока мы практически все держим на внутренних серверах, исходя из требований информационной безопасности.

Но интерес к внешним решениям уже есть?

— Аналитические облачные сервисы весьма привлекательны, они мощные и функциональные. Вместо того чтобы содержать и настраивать свое железо, поддерживать нужные версии, проще использовать готовое решение, для работы с которым достаточно интернета и экспертизы. Многие компетенции в области администрирования были бы не нужны, если бы мы могли пользоваться облачными аналитическими сервисами.

Рано или поздно многие банки придут к облачным сервисам. Скорее всего, это произойдет, когда вопрос с информационной безопасностью будет решен. Например, с использованием блокчейна или каких-то других технологий.

Банки и цифровизация: три главных тренда

  1. В финансовом секторе новые технологии внедряют только, если они обладают коммерческой ценностью либо являются требованием регуляторов.

  2. Основные направления применения Big Data и искусственного интеллекта — оценка рисков и работа с клиентскими профилями для повышения маржинальности.

  3. Банки готовы перейти на облачные сервисы, если решить вопросы информационной безопасности.

Как банки уже используют облака: примеры решений для финансового сектора.

Big Data в банкинге. Мифы и реальность »

О ключевых этапах развития рынка технологий использования Big Data, связанных с ними мифах и реальных ожиданиях читателям журнала «ПЛАС» рассказывает Петр Борисов, руководитель направления Big Data компании DIS Group.

Одной из ключевых задач для любого бизнеса является борьба за клиента. И банковский сектор здесь не исключение. Сегодня для того, чтобы клиенту перейти из одного банка в другой, уже требуется минимум усилий.

Рынок становится все более конкурентным в силу того, что качество услуг и их подача усредняются. В таких условиях выигрывает тот, кто работает с клиентом на другом уровне: может «угадывать» его потребности и отвечать им.

Необходимо максимально эффективно использовать имеющуюся у компании информацию о клиентах и их поведении, огромные объемы которой и дали ей название Big Data.

Банкам сегодня уже мало просто знать, сколько денег у клиента на расчетном счету и какими услугами он пользуется – важно понимать, как клиент мыслит, почему он пришел именно в этот банк, какую ценность он находит для себя в услугах, в какой момент та или иная услуга ему нужна, а в какой – нет.

Петр Борисов, руководитель направления Big Data компании DIS Group

Еще один ключ к успеху – умение строить с клиентом персонифицированные отношения. Если банк относится к клиенту как к одному из миллионов и работает лишь по его портрету, то клиент будет относиться к банку так же.

Читайте также:  Как найти идею для успешного проекта и привлечь финансирование: советы стартаперам от известных инвесторов

Поэтому очень важно работать не только с внутренней, но и с внешней информацией: как клиент ведет себя за рамками банковских систем, какие потребности у него возникают и пр.

Тот, кто научится максимально быстро агрегировать и обрабатывать такую информацию, будет выигрывать у конкурентов с большим отрывом.

Привлечение, обслуживание, удержание клиентов, кросс-продажи, стратегический маркетинг, безопасность – все эти направления так или иначе могут опираться на Big Data, на новые технологии, извлекая для себя инсайты и конкретную пользу для бизнеса.

Многие компании в России сегодня тянутся к инновациям и с огромным интересом тестируют, в том числе, технологии работы с Big Data. Но стоит отметить, что инициатива в этом направлении чаще исходит из Европы и США.

Причин тому много. В первую очередь – несоизмеримые размеры рынков. А, как известно, технологии появляются там, где для них есть рынок сбыта.

В отличие от крупных международных структур стартапы могут очень быстро тестировать и выводить новые идеи на рынок.

Таким образом, они заставляют шевелиться рынок, вынуждают традиционных лидеров – гигантов индустрии либо самостоятельно развивать технологии, создавая акселераторы, либо покупать эти самые стартапы. В конечном итоге венчурный капитал двигает весь рынок.

Большинство банков по этой причине выбирает промышленные проприетарные решения, поскольку для корпоративного мира, для которого кейсы с Big Data становятся business critical, критичное значение имеют устойчивое развитие и промышленная поддержка.

И поэтому здесь сильные позиции занимают проприетарные игроки, такие, как, например, Informatica, которые вкладывают огромное количество средств и ресурсов в устойчивое развитие в конкретных направлениях и обеспечивают промышленную поддержку, скорость разработки и строгое соблюдение четкой road map.

Иными словами, они гарантируют заказчику уверенность в завтрашнем дне. Очень часто многие компании начинают с Open Source, но когда понимают, как именно с помощью Big Data можно реально зарабатывать деньги, обращаются к промышленным решениям.

Это происходит прежде всего в силу того, что при попытке перевести тот или иной продукт в промышленную эксплуатацию команда Open Source не готова взять его на поддержку.

Для банка важно работать не только с внутренней, но и с внешней информацией

При этом сами вендоры прекрасно понимают, что Open Source очень активно развивается и весьма полезен. И, как правило, в свои проприетарные решения они встраивают все самое полезное из мира Open Source. Это касается практически всех крупных вендоров, которые сегодня имеют какую-то синергию с Open Source.

В разрезе функциональности можно говорить про хранение и обработку данных, дата-менеджмент, анализ потоковых данных, датамайнинг, статистические и визуальные средства. Но очень часто из внимания бизнес-структур выпадает один важный момент.

Первое, о чем они думают – у них появляется много дополнительных источников информации, и их нужно где-то хранить и обрабатывать. Поэтому они сразу обращают внимание на такие решения, как Hadoop, NoSQL и т. д.

, которые позволяют удешевить это процессы.

Второе, на что компании обращают внимание, – уже некая аналитика, точнее, визуальная ее часть, которая находится на вершине айсберга и поэтому легко демонстрируется топ-менеджерам.

То, что часто бывает незаслуженно обделено вниманием, – это решения, которые стоят «посередине», решения класса дата-менеджмент, от результативности и эффективности которых зависит успех всего предприятия.

Какой бы хорошей система аналитики у вас ни была, если на вход вы даете ей данные ненадлежащего качества (отсутствуют адреса клиентов, показатели друг с другом не бьются, дублируются данные и пр.), на выходе вы гарантированно получаете некачественное решение, принятое в результате этого анализа.

Поэтому здесь очень важно не забывать про дата-менеджмент, который закрывает большой блок ключевых решений, начиная от сбора и интеграции данных и заканчивая качеством данных, управлением мастер-данными, жизненным циклом данных, их безопасностью и т. д.

Мифы и подводные камни

Очень часто на деловых встречах приходится сталкиваться со следующим мифом: «если мы возьмем решение для Big Data и начнем им заниматься, как другие банки или телекомы, доходы потекут рекой, и все будет прекрасно». На самом деле внедрение такого решения – только начало.

Тот факт, что вы начали заниматься Big Data, сам по себе еще не гарантирует вам увеличения прибыли. На данном этапе Big Data дает лишь возможность тестировать и проверять свои гипотезы и каким-то образом извлекать из них прибыль.

Причем только одна из десяти таких историй в лучшем случае принесет деньги.

Все успешные кейсы, которые можно сегодня увидеть на рынке, строились именно по принципу такого конвейера, когда компания понимала, чего именно она ждет от клиентских данных.

При этом важно осознавать, что универсального средства для успеха не существует. Нельзя взять успешно реализованные кейсы одной компании и просто перенести их в другую.

Это  постоянный творческий поиск, «подкручивание», изменение, переоценка.

Cегодня практически в каждом банке есть свой CDO, появляются департаменты, назначаются data scientists

Другой миф заключается в том, что извлекать конкурентное преимущество из анализа Big Data можно, работая с информацией по старинке, на уровне байтов в строчках данных. В реальности здесь необходимо научиться работать на уровне информационных активов, в рамках Data Governance – настоящей отдельной большой науки.

В России тренд на Data Governance только зарождается. Сегодня практически в каждом банке есть свой CDO, появляются департаменты, назначаются data scientists. Однако на эту функцию смотрят как на ИТ.

И еще один момент, на который стоит обратить особое внимание. Ситуация, когда возникает некая диспропорция между специалистами в компании, которые способны сгенерировать идею, поставить задачу и знают, что нужно делать с данными (специалисты маркетинга, безопасности, рисков и т. д.

), и теми сотрудниками, которые обеспечивают их этими данными (узкие ИТ-специалисты, отдельно выделенные кадры, которые знают, где взять информацию и как передать ее в нужном виде). Как правило, первых в десятки-сотни раз больше, чем вторых.

Возникает некое «бутылочное горлышко», потому что ИТ-специалисты просто не справляются с объемом запросов. А маркетолог, который придумал новую идею и знает, как зацепить новый пласт клиентов, вместо того чтобы проверить ее, ждет неделями нужную информацию.

Как результат, либо идея погибает, потому что она становится неактуальной, либо ее просто приходится бросить, потому что маркетологу нужно делать свою повседневную работу дальше.

Для того чтобы добиться успеха, компании или банку нужно уметь очень быстро генерировать идеи и проверять их

Для решения этой проблемы необходимы инструменты класса self service, когда существенно более широкая группа специалистов могла бы в самостоятельном режиме получать необходимую информацию. Понимая при этом, что это именно та информация, которая нужна, проверяя свою гипотезу и делая свою работу в рамках каких-то построенных правил.

Для этого необходима система, которая позволяет ИТ-специалистам одновременно предоставить self service и контролировать его с точки зрения безопасности и невмешательства в критические бизнес-процессы информационных систем. Ведь если 500 пользователей начнут извлекать информацию, то АБС банка будет заниматься не обслуживанием клиентов, а обслуживанием этих аналитиков.

Естественно, это приведет к ухудшению сервиса, что недопустимо.

Ожидания от развития Big Data

Сегодня очень много говорят про новые средства аналитики – как красиво и быстро все будет подсчитываться и анализироваться. А еще совсем недавно ни одна конференция по Big Data не обходилась без такого острого вопроса, как наличие data scientist.

Поднимались целые научные дискуссии по поводу того, что это за специалист и как он вообще выглядит. Всем было понятно, что это очень дорогой и редкий специалист. На сегодняшний день практически у всех заказчиков, с которыми мы работаем, такая позиция есть. Но это по-прежнему люди очень редкие и дорогие.

Именно они как раз и являются тем самым бутылочным горлышком.

Возьмем, например, data scientist, который только пришел работать в банк. Конечно, он знает, как посчитать ту или иную модель. Но как заработать деньги, он знает вовсе не лучше, чем специалист, который занимается маркетингом в этой компании 15 лет. Так как именно этот человек обладает экспертизой, находится на острие проблемы, каждый день видит клиента и результаты работы.

Он чувствует, где есть улучшение, где появляется реальная возможность заработать деньги. Поэтому таким специалистам нужно дать простые инструменты, которые будут решать сложные задачи. И тогда вырастет вся индустрия. Исчезнет дефицит в data scientist, и мы сможем на себе ощутить результаты этой работы.

В Informatica есть класс инструментов, который называется Intelligent Data Lake, где вся работа дата-пользователя ведется в браузере через очень простой интерфейс. Специалист даже не подозревает, что «под капотом» встроено огромное количество сложных технологий, которые, реагируя на его запросы, делают сложную механическую работу.

Он может быстро получить в нужный момент данные, проверить свою логику и сделать свою работу. В этом ценность и огромная перспективность таких решений.

Добавить комментарий

Ваш e-mail не будет опубликован. Обязательные поля помечены *