Добавлен: 15.07.2023
Просмотров: 55
Скачиваний: 3
ВВЕДЕНИЕ
Технологии Big Data – это один из способов повысить прибыльность банковского бизнеса за счет аналитически подтвержденной корректировки стратегии продаж продуктов и смещения вектора предоставления услуг от общего к частному, в том числе кастомизированный подход к группам клиентов и своевременный учет их динамически изменяющихся потребностей.
Технологии Big Data за прошедшие 20 лет уже кардинально изменили бизнес иностранных компаний и позволили одним игрокам рынка получить баснословные прибыли, а других заставили отказаться от бизнеса и принять предложение о слиянии с более технически развитыми и успешными конкурентами. Известный пример – бизнес по продаже мобильных смартфонов компании Apple. Еще каких-то 10–12 лет назад компания считалась потенциальным банкротом, но актуальные идеи, смелый дизайн и востребованные продукты позволили Apple стать лидером в отрасли. Но в чем тут заслуга Big Data? Создание телефона – это только малая часть успеха Apple. Суметь ежегодно его развивать, учитывать все тенденции рынка, своевременно реагировать на самые, казалось бы, незначительные изменения и внешние факторы, быть максимально близко к своему клиенту и знать о нем больше, чем многие родственники, – именно в этом состоит основа подхода Apple к ведению бизнеса и применению современных аналитических моделей на основе Big Data для прогнозирования поведения не только рынка, но и своего реального и потенциального клиента. Не могу с уверенностью сказать, что успех, подобный Apple, будет ждать все российские компании, если они вдруг обратят свое внимание на технологии Big Data, но ощутимая польза и измеримый результат для бизнеса от внедрения продуктов на основе Big Data уже неоднократно были подтверждены официальными референсами крупных отечественных, в том числе финансовых, организаций.
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.
На основании вышесказанного можно заключить, что тема эссе особенно актуальна в наше время, ведь описываемую технологию внедряют повсеместно, в том числе и в российском банковском секторе. Поэтому целью работы будет ознакомиться с возможностями технологии Big Data в банковском секторе и ее возможным применением различными банками.
Рассмотрим пять основных сфер банковской деятельности, которые меняются с наступлением эры больших данных.
ОСНОВНАЯ ЧАСТЬ
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.
Таким образом, 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.
В мае 2017 года HSBC заявил о сотрудничестве с облачным сервисом Google для развертывания интеллектуальной системы противодействия отмыванию денег. У банка порядка 37 млн клиентов в 70 странах мира, и объем данных, которыми оперирует организация, уже превысил 93 петабайт. Представитель HSBC Дэвид Нотт назвал облачное решение Google для работы с большими данными «волшебной палочкой» для управления гигантским массивом информации.
Управление рисками.
Это одна из самых благодатных сфер применения больших данных в банковском деле. Управление любым видом рисков — операционных, рыночных, кредитных, правовых — зависит от полноты и объективности информации, которую получают риск-менеджеры. Инструменты Big Data помогут нарисовать всеобъемлющую картину на любом уровне, будь то благонадежность заемщика или экономическая ситуация в отдельном регионе страны.
До сих пор банки оценивали риски, исходя из текущих данных. В случае анализа кредитных рисков, например, вовсе полагались на сведения, предоставленные заемщиком. Эти сведения не всегда правдивы и уж точно не объективны.
Система оценки рисков, основанная на больших данных, расскажет о потенциальном заемщике куда больше и объективнее. Она учитывает не только кредитную историю клиента, но и активность в соцсетях, тональность его комментариев, предпочтения в покупках и, если надо, поведение в сетевых играх.
Так что завсегдатаю онлайн-казино «Вулкан» вряд ли одобрят необеспеченный заем, даже если его кредитная история до сих пор не вызывала нареканий.
Инвестиционная стратегия банка тоже зависит от оценки рисков в конкретной отрасли и регионе. Благо сегодня уже достаточно много эффективных инструментов, основанных на анализе Big Data, предназначенных для работы на рынке ценных бумаг.
При этом рынки все активнее обмениваются информацией и становятся взаимозависимыми в своих движениях вверх-вниз. В периоды высокой волатильности банки теперь могут не только быстро подстраиваться под ситуацию, но и предвидеть ее.
Обслуживание клиентов.
Для клиента важно, чтобы банк обслуживал его быстро, качественно и внимательно. При этом клиент не терпит никаких проблем и сбоев. Если они случаются, то должны решаться быстро и желательно без его участия.
От этого напрямую зависит лояльность клиента к банку. Ведь если человеку для решения маленькой проблемы нужно потратить полдня и поговорить с тремя операторами кол-центра, то банк лучше поменять.
Компания McKinsey провела опрос американских банков, согласно которому 76% из них используют Big Data для привлечения клиентов, построения лучшего взаимодействия и поддержки лояльности. В то же время, по данным Alacer, 50% клиентов традиционных банков регулярно подумывают о том, чтобы сменить банк.
Анализ клиентских данных позволяет, во-первых, быстро находить и решать проблемы клиента, а во-вторых, предлагать продукты, разработанные «специально для вас».
Комплекс действий специалиста по работе с клиентами, называемый customer service, по сути сводится к выстраиванию эффективного диалога. А лучший собеседник, как известно, тот, кто умеет слушать. Банк, применяющий инструменты анализа клиентских данных, — это собеседник, который многое знает о человеке еще до начала разговора, понимает его проблемы и знает, как их решить. Идеальный собеседник, с которым хочется общаться больше.
Сегодня клиентские данные включают не только внутренние банковские сведения о состоянии счета и истории трансакций, но и внешнюю информацию. Как человек ведет себя в соцсетях. Что ищет в Google. Что покупает в интернет-магазинах (и на что ему не хватает денег). С кем переписывается по e-mail и какую рассылку получает. Куда отправляется на праздники и в отпуск. Чем больше банк знает о своем клиенте, тем более персональным будет клиентское обслуживание.
Создание новых продуктов.
Это направление деятельности банков связано с предыдущим. Банки при создании новых кредитных и инвестиционных продуктов все чаще опираются на анализ клиентских данных.
Компания Forrester провела исследование, которое показало, что половина клиентов банков хотят видеть новые предложения и продукты. То есть 50% потребителей готовы брать новые кредиты, рассматривать новые виды вкладов, пользоваться персональными предложениями. Доля таких клиентов становится тем выше, чем они моложе и богаче.
Многие «миллениалы» вообще не хотят иметь ничего общего с обычными стандартизированными предложениями банков. Их интересует индивидуальный подход, желательно оформленный в цифровой среде.
Так называемый углубленный клиентский анализ позволяет банку формировать такие предложения для каждого клиента, угадывать его желания и возможности. Потребительские займы, ипотечные и автокредиты, срочные вклады — с приходом Big Data все обычные банковские продукты можно настроить под конкретного потребителя.
Инвестиционные консультации.
Чтобы давать правильные советы, финансовый консультант должен знать о возможностях/потребностях своего клиента и хорошо разбираться в ситуации на рынках. С помощью инструментов Big Data банки могут и то и другое.
Банк может быть в курсе таких событий в жизни клиента, как свадьба, рождение ребенка, поступление в университет, переход на новую работу, смена интересов, будь то новое увлечение или решение отправиться в кругосветное путешествие.
Исходя из полученных сведений, для каждого человека формируется предложение. Например, клиенту предлагают начать откладывать на образование, когда его ребенку исполняется 10 лет. А если семья планирует купить дом, банк может заранее предложить им ипотеку для молодых.
С другой стороны, банки активно используют алгоритмы для интеллектуального анализа ситуации на фондовых рынках. Инструменты Big Data помогают извлекать выгоду как в краткосрочной перспективе, так и в долгосрочных вложениях. Для этого анализируют массивы самых разных неструктурированных данных — от погоды до тональности местных новостей в разных частях света, от уровня безработицы до настроений в соцсетях.
В США крупнейшие инвестиционные банки одними из первых оценили пользу от анализа больших данных. Еще бы, ведь когда речь заходит о повышении прибыльности игры на рынке, алгоритмы Big Data просто незаменимы. Более того, банки сами стали триггером для роста индустрии анализа данных. Известен случай, когда уволившийся сотрудник одного инвестиционного банка меньше чем за полгода создал популярную программу на основе Big Data для торговли на бирже.
ЗАКЛЮЧЕНИЕ
Таким образом, довольно сложно оценивать экономическую эффективность банковской деятельности, не обладая информацией обо всех взаимосвязанных факторах, способных оказать прямое и потенциальное воздействие как в плюс, так и в минус на бизнес-результат. Так или иначе, технологии и инструменты Big Data – это средства, внедрение которых в любой организации должно повлечь снижение издержек при выполнении тех операций, которые ранее считались затратными по времени. Наличие в финансовой организации конвейерной обработки заявок, отлаженных скоринговых карт, типовых опробованных сценариев проверки и динамически изменяющихся алгоритмов принятия решения по стандартным запросам при возрастающих объемах поступающих документов нацелено на высвобождение человеческих ресурсов из процесса, который до внедрения Big Data требовал постоянного участия оператора и был сопряжен с большим количеством технических ошибок.
Также стоит упомянуть о существовании ряда факторов, препятствующих массовому применению технологий Big Data. К ним относят: высокую стоимость владения и эксплуатации инфраструктуры Big Data на каждом из этапов, сложность технической реализации процесса гарантированного хранения информации из внешних и внутренних источников на протяжении долгого времени, критичные требования по производительности и отказоустойчивости источников, агрегаторов, серверов приложений, аналитических и графических модулей и пр., нечеткая постановка задачи и негарантированность результатов от применения технологий Big Data для заказчика, высокая персональная зависимость, комплаенс-риски в контексте территориальных и трансграничных вопросов передачи и хранения данных.