Читать статью полностью в pdf-формате
Деловое издание «Банковское обозрение» 24 мая 2017 года провело в Москве конференцию «Real-time аналитика и Business intelligence (BI) в банке». Мероприятие было ориентировано на тех представителей финансовой отрасли, которые не на словах, а на деле выстраивают свой бизнес на основе «новой нефти»: на анализе данных.Большинство розничных банков в мире и России уже осознали тот факт, что банк будущего необходимо развивать на основе концепции Data-Driven организации, когда принятие решений основывается на основе моделей и аналитических выкладок. Моделями и аналитикой на начальных этапах занимаются ныне дефицитные специалисты Data Science, а руководят всеми процессами директора по данным (Chief Data Officer, CDO).
Сами же банковские бизнес-процессы постепенно трансформируются в четырехзвенную последовательность: «проверка гипотез», «обучение моделей и пилотирование», «регуляторная и управленческая отчетность, Ad-hoc-аналитика» и, наконец, «принятие решений в реальном времени».
В связи с этим мероприятие было разбито на три самостоятельные секции, проводимые каждая под руководством своего модератора, чтобы подробно обсудить определенные группы бизнес-процессов банка, оптимизировать которые призваны специализированные инструменты BI. В каждой из этих групп существуют лучшие мировые практики, о которых докладчики планировали рассказать в своих презентациях.
Бизнес розничный, а сети нейронные
Модератор первой секции, Вячеслав Семенихин, директор по глобальному маркетингу компании «Смартфин», озвучил первую тему — «Розничный банкинг». К участию в панельной дискуссии были приглашены Ирина Елистратова (главный директор Центра BI, Альфа-Банк), Светлана Бова (директор департамента аналитических систем, Росбанк), Павел Тулубьев (вице-президент, клиентский директор, Почта Банк), Александр Сербул (руководитель отдела качества и внедрений компании «1С-Битрикс»), Иван Кривушин (генеральный директор, digital-агентство «БюроБюро»), и Владимир Шикин (заместитель директора по маркетингу, НБКИ).
По словам модератора, обсуждаемая тема не просто актуальна, а критически значима. Как банкам эффективнее использовать для бизнеса данные о своих же клиентах? Массу полезных советов и рекомендаций могут дать и уже дают в ряде кредитных организаций аналитики: какие хранилища купить, какие программы использовать, какое «железо» для этого нужно и т.д. Но вот чего нет во многих случаях у бизнеса, так это уверенности в том, что вся эта real-time аналитическая машина способна окупиться.
Первым докладчиком на сессии стал Александр Сербул («1С-Битрикс»). Тема его выступления: «Нейросети для бизнеса — в CRM, в маркетинге, в ретейле, в электронной коммерции: риски, возможности, затраты, люди в команду, технологии, сроки». «Нейросети», как оказалось, — та самая тема, которая «разбудила» аудиторию и нашла отклик у всех участников мероприятия, что выразилось в массе вопросов к докладчику — как в ходе сессии, так и в кулуарах. Все слышали о сетях, но как эффективно применить их в банковском бизнесе — вопрос крайне актуальный.
Для начала Александр Сербул напомнил, какие компоненты искусственного интеллекта (Artificial intelligence, AI) уже использовались ранее в бизнесе и почему именно нейронные сети, пережив три волны эволюции, стали сегодня самыми востребованными. Интернет-гиганты, уже оценив все преимущества AI, буквально «целыми кафедрами» начали скупать людей, разбирающихся в Data Science, чем существенно проредили рынок специалистов, оставив крохи всем остальным, в том числе и банкирам. Поэтому идет настоящая охота за подающими надежды стартапами и финтехами.
Но, как у всякой медали, в этой есть обратная сторона, выражающаяся в целом спектре «подвохов», о которых делегатам конференции Александр Сербул подробно рассказал. Главный из них заключается в том, что необходимо добиваться синергии за счет работы программистов в связке с людьми из бизнеса, ведь бизнес, по сути, — такая же высшая математика, как нейросети.
Ирина Елистратова (Альфа-Банк)в презентации «Данные для создания ценности Клиенту» про нейронные сети почти не говорила, но довольно точно описала ситуацию с Data Science- и BI-кадрами на рынке труда: «У нас их подворовывают». Это еще раз подчеркнуло тот факт, что аналитика больших клиентских данных стала неотъемлемой частью современного банкинга.
Особенностью Альфа-Банка является то, что подразделение, которое отвечает за данные, находится в «финансах». Наверное, это хорошо: легче понять друг друга. Сейчас происходит следующий этап в развитии центра BI, заключающийся в объединении с CRM-департаментом. В итоге руководитель Центра, по сути CDO, будет отвечать и за P&L (отчет о прибыли и убытках, он же profit & loss report, входит в тройку главных финансовых отчетов для бизнеса) с точки зрения развития клиентских отношений. Так сегодня мало кто делает, даже на Западе, но последние события в отрасли показывают, что делать надо именно так.
В «Альфе» на уровне топ-менеджмента давно в ходу такое понятие, как «стратегия», которая подразумевает командную модель функционирования Банка без разделения на IT, BI, HR и т.д. Эффект от нее проявился особенно ярко в 2009–2011 годах, тогда активно шло построение хранилища данных как одной из стратегических инициатив. Когда стали разбирать причины некоторых проблем, выяснилось что «у специалистов руки растут из правильных мест», просто слишком много бизнес-задач было на них возложено. В обычной практике проект на этом этапе мог быть заморожен или закрыт, а когда существует компонент такой стратегии, как «Данные для создания ценности клиенту», все происходит иначе.
Понятие «данные» в Банке не статично. Эволюция подхода к управлению ими уже насчитывает четыре этапа, каждый из которых повышает ценность деятельности Центра BI для бизнеса в целом. На этапе «Data 1.0» подход носил название «Balance Sheet-Centric». Затем последовательно были пройдены такие вехи, как «Product-Centric» и «Customer-Centric». Стратегия Банка на период 2017–2019 годы предполагает переход к четвертому этапу — «Relationship-Centric». При этом предполагается трансформация цели управления данными от «Превращать данные в знания» («Data 3.0») к «Управлять данными, как активом» («Data 4.0»). На техническом уровне здесь должна быть реализована связка «информационное хранилище данных (DWH) + Hadoop + NBA + системы, наделенные искусственным интеллектом, использующие «УМНЫЕ данные».
Подробнее технические и прочие детали проектов можно почерпнуть из интервью «Big Data на службе Альфа-Банка», данного Ириной Елистратовой «Б.О».
Владимир Шикин (Национальное бюро кредитных историй, НБКИ) выбрал в качестве темы своего выступления такой вопрос, как «Эволюция систем таргетированного предложения клиентам». Как известно, правильная постановка задачи — половина ее решения, а задача выглядит так: «Кому, когда и какое предложение банк должен делать?». Как ответ на эти вопросы НБКИ разработало стратегию формирования предложений существующим клиентам, в которой фигурируют четыре компонента: «определение сегмента клиентов, которым формируется предложение», «работа в рамках бюджета», «сегментирование клиентской базы», «диверсификация предложений».
Наиболее простой и эффективный способ сегментации — по риск-профилю. С помощью скоринг-бюро НБКИ риск-профиль формализуется в виде трехзначного числа от 300 до 850 баллов.
Чтобы понять, когда делать кредитное предложение, используется принцип сигналов на основе замкнутой циклической модели с участием заемщика, НБКИ, системы управления рисками кредитора и подразделения по работе с клиентами кредитора. В итоге за счет снижения рисков легче добиться роста доходности банковских продуктов и повышения лояльности клиентов.
Далее микрофон перешел в руки Павла Тулубьева (Почта Банк), который рассказал, что такое, с точки зрения экспертов Почта Банка, «событийный маркетинг». Дело в том, что вся наша жизнь представима в виде потока событий, которые можно и нужно анализировать. Но эти потоки видны не только конкретному банкиру, но и его коллегам-конкурентам, поэтому конкуренция заставляет все активнее использовать digital.
Какие именно сигналы банкиры получают от клиентов? Прежде всего это информация о транзакциях (покупки за границей, нехватка денег, крупные поступления). Затем — коммуникации (визиты в офисы, звонки, входы в ДБО), а также поведение людей в Интернете (сайт банка, ДБО, данные интернет-компаний). В этот список можно добавить изменение кредитного поведения (заявление на полное досрочное погашение кредита, события из Бюро кредитных историй) и данные сотовых операторов
Анализируя все это, Почта Банк выработал новую стратегию «событийного маркетинга», заключающуюся в том, что обращение клиента в Банк по любому вопросу становится анализируемым событием. Далее идет этап определения релевантного предложения для клиента с учетом контекста обращения и актуальной информации о кредитной нагрузке. Завершается процесс личной коммуникацией сотрудника Банка с клиентом, ведь более 60% активных клиентов обращаются в отделения Банка хотя бы раз в течение квартала, однако многие из этих контактов не используются для целевой коммуникации.
Иван Кривушин (digital-агентство «БюроБюро») замкнул список докладчиков в первой сессии ярким и эмоциональным выступлением «Интернет-банкинг с искусственным интеллектом», в котором он показал себя не только блестящим оратором, но и галантным кавалером. «На рынке существует большое количество интернет-банков, которые позволяют управлять своим счетом с мобильного. Но сегодня этого уже катастрофически мало: например, ни у кого на рынке в приложении до сих пор нет централизованного места, где бухгалтер и директор могли бы собирать аналитику. Также нет и умного планировщика приходов и расходов. Будущее интернет-банкинга — искусственный интеллект. Назовем это “виртуальным помощником”, который понимает, как пользователь ведет себя с финансами, и на основании этого подстраивает интерфейс под него. Он планирует его приходы и расходы, разговаривает с клиентом на понятном им языке и помогает с повседневными задачами — от накоплений до подсчета статистики. Интернет-банкинг должен измениться, чтобы соответствовать меняющемуся рынку. Невозможно игнорировать развитие технологий и моду на “умные” приложения — к ней нужно приспосабливаться», — высказал свое мнение Иван Кривушин, добавив при этом, что «БюроБюро» — «персональный стилист» в интернет-банкинге.
Приоритеты российской школы риск-менеджмента
Вторая сессия целиком была посвящена проблеме управления рисками и поэтому получила название «Риск-менеджмент и кредитный процесс». Ее модератор — Владимир Шикин — предложил коллегам обсудить довольно значительный круг вопросов, а именно: управление рисками и изменениями в режиме реального времени, BI и машинное обучение как элемент комплайенса, скоринговые модели и требования регуляторов, особенности применения МСФО 9.0, какие решения вендоры предлагают рынку, а также опыт реальных кейсов.
Экспертами, приглашенными на сцену для участия в панельной дискуссии, стали: Юрий Соколов (генеральный директор, SkyLineRisk Solutions), Григорий Грузинов (директор департамента комплаенса, Международный инвестиционный банк, МИБ), Ольга Ширяева (руководитель продукта «Отчетность BI», компания «Диасофт»), Елена Розанова (советник генерального директора, РИСКФИН), Тимофей Костин (глобальный консультант, Experian) и Сергей Максимов (Business Development, Data Mining Labs).
«Мониторинг и управление банковскими активами в Real-time: портфельный подход» — такова была тема выступления Юрия Соколова (SkyLineRisk Solutions), который сразу же напомнил уроки финансового кризиса: real-time в МСФО. Запоздалое признание кредитных убытков в финансовой отчетности обусловлено моделью «Incurredloss», используемой МСФО (IAS) 39. При этом событие, приводящее к убытку, происходит раньше, чем создание резерва под данные убытки. Подход «Expected loss» обеспечивает более раннее признание кредитных потерь, чем модель понесенных убытков, и создает стимулы для банков следовать здравой практике управления кредитным риском.
Далее эксперт очень подробно объяснил собравшимся, как регуляторы намерены исправлять ситуацию путем перехода от модели понесенных потерь к модели ожидаемых потерь.
Используемые МСФО (IFRS) 9-й принцип непредвзятости и point-in-time-философия оценки ожидаемых потерь открывают для банков широкие возможности по использованию прогрессивных подходов real-time-моделирования кредитного риска, приоритет в разработке которых принадлежит российской школе риск-менеджмента», — с гордостью отметил Юрий Соколов.
Григорий Грузинов (Международный инвестиционный банк, МИБ) поделился опытом, полученным в ходе успешного практического кейса Банка в области Business intelligence, в своем докладе «BI как инструмент оценки и контроля комплаенс-рисков».
В начале выступления эксперт описал типовой функционал комплаенс-офицера в кредитном процессе банка. В него входят, во-первых, скрининг контрагентов и клиентов на предмет их наличия в черных списках и обработка результатов, во-вторых, проверка лиц, связанных с контрагентами и клиентами (руководство, акционеры, бенефициары, политически значимые лица — PEP’s), и, наконец, выявление и оценка рисков офшорных зон, рисков уклонения от уплаты налогов. Важная роль отведена также выявлению и оценке рисков ПОД/ФТ и определению итогового уровня комплаенс-риска контрагента.
«В целом, требования отечественного регулятора к функционалу комплаенс-офицера ограничиваются указанным списком задач. Но если банк хочет идти дальше и использовать инструменты, позволяющие формировать более целостное и системное вИдение комплаенс-профиля банка, о которых много говорилось на этой конференции и которые уже используют наши коллеги из других кредитных учреждений, мы обязаны такие инструменты использовать.
Однако здесь может возникнуть проблема, заключающаяся в том, что многие технологии, которые применяют значительное количество банков, не позволяют использовать не то что real-time, а даже пост-аналитику. Не позволяют они и проводить анализ в разрезе различных портфелей, сегментов и отраслей для оценки комплаенс-рисков. Именно поэтому возникла задача найти такие промышленные решения, которые можно было бы интегрировать в общую систему BI МИБ. В итоге наш выбор пал на продукты компании “Диасофт”, соответствующие данным требованиям, — обосновал выбор Банка Григорий Грузинов.
Говоря о модели, к которой Банк в итоге пришел, Г. Грузинов отметил, что на основе рекомендаций Базельского комитета первая линия защиты — это клиентский модуль, где происходят ввод информации о клиенте и его идентификация. Клиентский менеджер заводит данные, подгружает документы, проводит первичную оценку рисков.
Вторая линия защиты представлена модулем «AML», который предназначен для выявления и оценки комплаенс-рисков по установленному алгоритму. Здесь определяется риск-профиль клиента, подтверждается его принятие на обслуживание, отслеживаются сроки и риски, а также отражаются обновления. Кроме того, были внедрены вспомогательные модули и элементы: модуль «Кредитная заявка», системы «оповещений» и «обмена сообщениями о задачах». Была также проведена интеграция внешних справочников и списков нежелательных лиц. В завершение эксперт добавил, что более подробно с техническими деталями проекта можно ознакомиться в материале «Проект МИБ и “Диасофт”: новый уровень управления кредитным портфелем», опубликованном в февральском номере «Б.О».
В целом, как подчеркнул докладчик, первые результаты применения управленческой отчетности по комплаенс-рискам в МИБ оказались весьма успешными.
Точку зрения разработчиков на рассматриваемые проблемы озвучила Ольга Ширяева («Диасофт») в выступлении «Опыт “Диасофт”: BI для формирования аналитической отчетности». В докладе было показано, как можно встроить технологии Big Data в инфраструктуру банка, точнее, один из вариантов установки платформы FLEXTERA BI, в случае, когда основное хранилище данных банка отделяется от «сырых» данных, которые могут поступать из разных источников. При этом первостепенное значение имеют выбранные инструменты и способы организации, сбора и хранения этой информации. Среди инструментов, предлагаемых компанией «Диасофт», центральным является Аналитический центр FLEXTERA BI, включающий в себя набор компонентов для решения этой задачи в целом: от детальной модели данных до конечных отчетных форм. Решение содержит механизмы для загрузки, контроля качества, управления, трансформации, обогащения и визуализации данных — всего того, что входит в цепочку их подготовки.
«Когда вы приступаете к решению задач по подготовке любой аналитики, приоритет всегда имеет регламентированная отчетность. Но, даже решая задачи конечной стандартизации форм отчетов для Банка России или ФНС, мы должны стремиться к развитию концепции единых данных для всех потребителей информации. В решении “Диасофт” вся управленческая аналитическая отчетность построена по принципу финансовых витрин, чтобы конечному бизнес-пользователю не пришлось разбираться в зависимости между таблицами и вопросах, каким образом оптимально хранить их в системе и как они загружаются. Для каждой цели мы применяем определенный набор финансовых витрин с измерениями и показателями», — резюмировала Ольга Ширяева.
Выступление Елены Розановой (РИСКФИН) на тему «Предсказуем ли дефолт банка? Возможности скоринговой системы и экспертной оценки» переключило внимание участников конференции с розничных кредитных рисков на финансовый сектор. Проблеме, заявленной в названии, почти столько же лет, сколько банковскому сектору России, но ее актуальность не просто сохраняется, но и растет в процессе «чистки» банковского сектора.
С точки зрения эксперта, информационная асимметрия, разница в квалификации риск-менеджеров различных типов участников рынка влияют на возможности построения моделей и качество экспертной оценки. Учитывая, что регулятор проявляет повышенный интерес ко всей внутрибанковской работе по управлению кредитными рисками, включая анализ контрагентов, и требует научного обоснования адекватности методологии оценки рисков, ограничиться экспертной оценкой теперь недостаточно.
Рассмотрев ряд практических моментов, связанных с разработкой моделей, формированием гипотез и их проверкой, Елена Розанова предложила вниманию слушателей сравнительные результаты работы трех вариантов моделей предсказания дефолта, разработанных ее компанией.
«Недостоверность отчетности и важность “мягких”, качественных показателей (например, репутация менеджеров и собственников), которые нельзя учесть без участия эксперта, часто вызывают сомнения в эффективности скоринга, основанного на ограниченном наборе финансовых данных. Но даже в этих условиях, как показала проведенная валидация методик, их качество приемлемо для практического применения при кредитовании и для обеспечения соответствия требованиям ВПОДК: прогнозирования вероятности дефолта, построения внутренних рейтингов, резервирования и оценки капитала под риском», — уточнила свою позицию Елена Розанова.
Она также продемонстрировала результат работы моделей — скоринговые баллы по банкам с лицензией, отозванной в период с марта-апреля текущего года. Участники конференции активно задавали вопросы, касающиеся количества и состава исходных данных и параметров модели.
Тимофей Костин (Experian) продолжил тему реальных кейсов и выступил с презентацией «Предотвращение онлайн мошенничества. Case study». По заявлению докладчика, сославшегося на исследование Forrester Consulting по заказу Experian за август 2016 года, 84% респондентов недостаточно хорошо управляют рисками, что приводит к тому, что 77% существующих стратегий неэффективны. Лишь 31% опрошенных постоянно мониторят попытки мошенничества и операции клиентов в онлайн-режиме, имеют доступ к необходимым источникам. В итоге 92% респондентов боятся оттолкнуть клиента дополнительными проверками.
К чему это приводит? Тимофей Костин описал участникам конференции три реальных кейса Experian и наглядно и убедительно показал, как соблюсти баланс между доходами бизнеса, сохранением лояльности клиента и борьбой с мошенниками.
Сергей Максимов (Data Mining Labs) вновь поднял тему, начатую Ириной Елистратовой. Он предложил доклад «Эпоха Data Science в банках: Россия на мировой карте» и вместе с аудиторией попытался ответить на несколько острых вопросов. Среди них: как глубоко проникло направление Data Science в банки по всему миру? Кто является лидером и в каких странах монетизировать данные научились лучше всего? Как выглядит рейтинг банков в этом срезе и какие выводы из этого можно сделать? Где в этом рейтинге находится Россия?
«Сейчас банковские решения на основе машинного обучения и Data Science не являются экзотикой, но массовое внедрение на отечественном рынке останавливают отсутствие видения топ-менеджментом целесообразности и наличие открытых отраслевых кейсов. Возможно, сориентироваться в этой сложной теме и ответить на вопрос “Пора или нет?” поможет рейтинг отечественных и зарубежных банков, которые уже активно инвестируют в развитие инфраструктуры Data Science », — утверждает эксперт.
Довольно интересным оказался и рейтинг банков, отражающий лидерство стран и банков в области использования ими Data Science. Оказалось, что из 30 банков-лидеров десять позиций в рейтинге занимают США. На высшей строчке — Capital One Financial Corporation, активно инвестирующая в развитие Data Science не только на территории США, но и в европейском, азиатском и тихоокеанском регионах. В лидерах также находятся JPMorgan Сhase, Citibank, Wells Fargo, Morgan Stanley, Bank of America, BNY mellon, US-Bank, Bank of the West.
На втором месте расположилась Великобритания, где наиболее активными банками стали Barclays, Royal Bank of Scotland, HSBC и Lloyds. На почетном третьем месте в общем зачете располагается Россия, где 16-е место занимает Сбербанк и 17-е — Банк «Тинькофф». При этом Альфа-Банк и Райффайзенбанк занимают 23-е и 26-е места соответственно. Далее идут Швейцария, Канада, Испания и Франция.
При этом картина проникновения Data Science в банки по странам меняется. Так, лидерами становятся США и Швейцария с самым высоким средним индексом проникновения. Далее идут Канада, Франция и Великобритания. Россия же находится на 6-м месте.
Несмотря на активный интерес со стороны крупных отечественных банков в гонку они включились с задержкой в год-полтора, по отношению к лидерам, что и отражается на индексе проникновения решений Data Science.
В качестве выводов Сергей Максимов обозначил: «Несмотря на активный интерес со стороны крупных отечественных банков к аналитике, в гонку они включились с задержкой в год-полтора по отношению к лидерам, что и отражается на индексе проникновения Data Science решений. Это связано с тем, что американские банки испытывают куда большее конкурентное давление со стороны финтеха, поэтому даже гиганты вынуждены двигаться быстрее. В России это давление пока не столь существенно, но на рынке появляется все больше заметных молодых игроков с амбициями.
Поэтому отечественные банки и разделились на два лагеря: тех, кто ждет, и тех, кто активно действует с оглядкой на опыт США».
Модератор сессии Владимир Шикин также выступил с небольшим, но емким по содержанию докладом «Индустриальный скоринг МСП: взаимодействие данных из разных источников, персональное и портфельное использование». Смысл его выступления сводился к тому, что развитие малого и среднего бизнеса невозможно без активного его кредитования банками. Но для этого нужны иные механизмы скоринга. Скоринг-бюро для МСБ создан в виде экспертного скоринга. Поэтому при внедрении модели необходима валидация. В процессе валидации кредитор должен определить список субъектов для использования скоринга и «веса» получаемых скоринговых баллов. Затем следует определить связь между скорингом бюро МСБ и собственным портфелем — качество сегментации скоринга. После этого определяется связь между скорингом бюро МСБ и выполнением обязательств по кредиту — прогнозная сила скоринга. Наконец, требуется определить стратегии использования скоринга бюро МСБ на различных этапах работы с заемщиками МСБ.
Перед использованием индустриального скоринга бюро МСБ Национальное бюро кредитных историй рекомендует провести процедуру ретроскоринга. Полученные результаты помогут применять скоринг бюро с максимальной выгодой для кредитора.
В завершившей сессию панельной дискуссии также приняли участие Аркадий Затуловский (IT-директор, Банк «Нордеа») и Тимур Аитов (член комитета по финансовым рынкам ТПП). Дискуссия получилась непростой, поскольку вопрос, вынесенный на обсуждение, касался окупаемости real-time-аналитики, а также ее реальной необходимости в некоторых видах деятельности банков.
BI без Smartdata, что банк без лицензии
Сергей Максимов, сменивший Владимира Шикина на почетном посту модератора, свою третью и заключительную секцию, посвященную широкому кругу проблем, провел в формате живого и поучительного диалога докладчиков и экспертов, присутствовавших в зале. К выступлению с докладами им были приглашены: Дмитрий Морозов (директор департамента анализа и оценки рисков, блок управления рисками, Банк «Хоум Кредит»), Эдуард Федечкин (ведущий эксперт по системам бизнес-аналитики, компания «Терн») и Алексей Натёкин (учредитель Data Mining Labs).
Начало дискуссии положил Дмитрий Морозов, который буквально зажег своим выступлением «Smartdata — way from Big Data to customer centric approach». По его словам, розничные банки потеряли монопольную позицию в сфере информации о качестве клиента, а сама информация становится коммодити. При этом конкуренция растет: банкам уже недостаточно просто иметь информацию о клиенте, необходимо предугадывать его желания. Необходимо действительно использовать каждый контакт с клиентом для улучшения работы с ним.
«Большие данные помогают лучше понять клиента. Но необходимо двигаться от “Что есть?” к “Что необходимо?”», — уверен Дмитрий Морозов. На практике этот посыл реализуется путем построения в Банке «Хоум Кредит» решения Smartdata. На сегодняшний день уже идут «пилоты» с некоторыми подразделениям Банка, система готовится к переходу в промышленный режим эксплуатации, в котором от нее ожидается хранение данных, доступных в реальном времени, с возможностью обработки сложно-структурированных данных и фокусом на клиента. Smartdata, кроме того, готово помощь в других операционных процессах Банка (финансы, репортинг, безопасность, подбор персонала и т.д.).
Эдуард Федечкин (компания «Терн») ничуть не уступил Дмитрию Морозову в экспрессии и умении общаться c залом в ходе блестящей презентации «Повышение финансовых результатов банка с использованием бизнес-аналитики». Павел Рево (вице-президент — начальник управления электронной коммерции, Банк «Открытие») не стал уклоняться от прямого общения с представителем «Терн» в ходе его доклада, чем перевел презентацию в жаркую дискуссию и ряд плодотворных диалогов.
Как и предыдущие докладчики, Эдуард Федечкин сослался на исследование Gartner, где утверждается, что к 2020 году до 75% бизнес-пользователей будут взаимодействовать с бизнес-аналитикой. Что может предложить компания «Терн» в дополнение к своим 25 годам работы на рынке BI? «Увеличение количества данных, комбинирование различных источников — все это делает Big Data основным трендом на ближайшее десятилетие. Наша компания активно работает в этом направлении. Помимо больших данных актуальны задачи геоаналитики и визуализации — ведь правильное отображение информации может значительно повысить качество анализа и упростить жизнь специалистам», — заявил докладчик.
Что касается решений, то спросом пользуются такие системы, как SAP Predictive Analytics (ранее известная как KXEN) и Tibco Spotfire, которые благодаря встроенным алгоритмам могут создавать надежные модели, основываясь на относительно небольшом количестве исходных данных.
Финальная презентация мероприятия «Эпоха Data Science в банках, мифы, реальность, опыт внедрения» в исполнении Алексея Натёкина (Data Mining Labs) также прошла в интерактивном формате. Эксперт не раз выяснял у аудитории ответы на вопросы, которые явно были ему так же необходимы для профессиональной деятельности, как банкирам для их работы в условиях цифровой трансформации. В целом же, в его выступлении речь шла об основных сложностях, стоящих перед банками и крупными компаниям при реализации проектов Data Science.
«Банки и финансовая отрасль в целом — крайне конкурентная область, так что дополнительная эффективность и прибыль, предоставляемые решениями на основе анализа данных, могут стать важным конкурентным преимуществом. Однако в большинстве случаев высшее руководство не имеет четкого вИдения, зачем им могут пригодиться эти технологии. Понимание возможностей, а также постановка бизнес-задач для анализа данных являются самыми важными преградами на пути. По проведенным ранее опросам, как успех, так и провал таких технических инициатив в основном зависят именно от наличия такого видения и постановки задач», — уверен докладчик.
Такие возможные трудности, как отсутствие бюджета, людей, или поддержки руководства во время реализации этих проектов, также важны, но являются вторичными по сравнению с наличием четкого вИдения и задач. Кроме того, даже если компетенция Data Science в банке уже появилась (как правило, она появляется в рисках и в CRM), в подавляющем большинстве случаев эта компетенция распределена по банку крайне неравномерно. А именно, большинство приложений создается и применяется в основном на операционном уровне и далеко не во всех департаментах.
Средний и топ-менеджмент в данном случае может слышать об успехах своих команд, но сами результатами этих технологий, кроме как дэшбордами, пользуются редко (да и дэшборды есть не везде). Из-за этого проблема отсутствия видения и целесообразности применения анализа данных обостряется еще сильнее.
Вывод, который сделал Алексей Натёкин, очевидно можно распространить и на всю конференцию: «Фундаментальным препятствием проникновения Data Science и BI в банки является неосведомленность топ-менеджмента о преимуществах подобных решений и отсутствие открытых отраслевых кейсов. Впрочем, даже положительное решение на самом высоком уровне может не привести к результату без вдумчивой постановки бизнес-задачи Data Science команде банка».