Big Data открывают банкам новые горизонты и новые задачи, дают возможность привнести в свою деятельность качественно новую аналитику и элементы искусственного интеллекта.
Одним из главных потенциальных потребителей технологий Big Data в России является банковский сектор. Большинство аналитиков полагает, что с каждым годом объемы информации в банковской сфере будут увеличиваться. Это связано с разными факторами - развитием банковских онлайн-сервисов, увеличением числа розничных, кредитных продуктов и так далее. Накопив к текущему моменту в хранилищах данных, да и в самих операционных базах, достаточно много оцифрованной информации о клиентах, транзакциях, внутренней и внешней деятельности, банки заинтересованы в применении алгоритмов для ретроспективного анализа, для изучения текущего состояния и выявления тенденций на будущее.
"Эффект "больших данных", заключается в том, что они собираются и структурируются в различных системах оперативного или аналитического характера, к ним применяются самые разные подходы для очистки, сверки, проверки и стыковки друг с другом, - говорит Артак Оганесян, заместитель генерального директора по развитию бизнеса компании EPAM Systems. - И в итоге это дает банку информацию, полезную для бизнеса".
Анализ в режиме онлайн
С ростом производительности систем хранения "больших данных" банкам открываются недоступные ранее возможности управления бизнесом. Если раньше речь шла в основном о "посмертном" анализе информации, то сейчас системы хранения и анализа позволяют управлять значимыми для бизнеса параметрами практически в режиме, приближенном к реальному времени.
- Например, система управления ликвидностью теперь может работать на уровне отдельных сделок, мгновенно пересчитывая будущий денежный поток, - рассказывает Илья Шулипин, директор департамента по работе с финансовыми институтами компании "SAP СНГ". - Это позволяет ускорить реакцию банка в том числе на внешние изменения и более точно управлять денежными средствами. Стресс-тестирование - еще один пример активной работы с огромными массивами информации, и это дает новое качество в управлении рисками.
БЛАГОДАРЯ ТЕХНОЛОГИЯМ BIG DATA СИСТЕМЫ БЕЗОПАСНОСТИ БАНКА МОГУТ ОПЕРАТИВНО АНАЛИЗИРОВАТЬ КОЛОССАЛЬНЫЕ МАССИВЫ ИНФОРМАЦИИ САМОГО РАЗНОГО ПРОИСХОЖДЕНИЯ
Несмотря на то что в крупных банках базы данных для основных банковских систем (операционный день, процессинг, кредитный модуль и т. д.) занимают по несколько (или даже десятки) терабайт, основное назначение "больших данных" будет заключаться в обеспечении хранения и быстрого поиска графической, аудио- и видеоинформации, считает Александр Горшков, начальник управления банковских технологий компании "Техносерв".
По опыту проектов, реализованных Центром компетенции EPAM по Big Data, технологии "больших данных" в первую очередь используются банками для работы с профилированием клиентов в маркетинговых целях. Второе направление - работа с ликвидностью и рисками. Третье - выявление долгосрочных тенденций по клиентской базе и по конъюнктуре рынка. Далее идут борьба с мошенничеством и махинациями, долгосрочное прогнозирование для высокоуровневого планирования и бюджетирования. Наконец, целью может быть и оптимизация внутрихозяйственной деятельности.
Еще вчера чуть ли не единственной информацией, доступной для анализа, были данные по проводкам - выписки по счетам. Ограниченность этой информации привела к росту спроса на так называемую управленческую отчетность, получаемую методом "раскраски" из транзакционных данных. "Системы управления "большими данными", - рассказывает Илья Шулипин, - снимают ограничения, присущие аналитическим приложениям предыдущего поколения, и позволяют хранить полную информацию по финансовым событиям и их отражению в различных видах учета и анализа. Выдача кредита, погашение долга, выплата процентов, вынос на просрочку - все это может быть одновременно отражено и зафиксировано в виде привычных проводок в соответствии с ПБУ и МСФО или иными правилами учета, учтено с точки зрения достаточности капитала, анализа рисков, утилизации лимитов. Это огромный объем информации, и она необходима банку для точной и своевременной оценки своего текущего состояния".
Недавно SAP представила новое решение для анализа данных о рыночных трендах и потребительских настроениях в режиме реального времени. На базе такого анализа можно разрабатывать новые бизнес-стратегии и принимать обоснованные и взвешенные решения. Для анализа потребительских настроений используются различные источники: сайты социальных сетей, сообщества, вики-ресурсы, блоги… Причем эти данные можно обрабатывать совместно с информацией из систем управления взаимоотношениями с клиентами. Пользователи решения могут оценивать реакцию клиентов с помощью удобных для просмотра представлений, доступных на мобильных устройствах, планшетных или настольных компьютерах, и при необходимости сразу же предпринимать ответные меры.
ДЛЯ БАНКОВ BIG DATA ОСОБЕННО ЭФФЕКТИВНЫ В МАРКЕТИНГЕ И СФЕРЕ ВЗАИМОДЕЙСТВИЯ С ЧАСТНЫМИ КЛИЕНТАМИ
Наиболее ресурсоемкой является графическая, аудио- и видеоинформация. С увеличением числа клиентов растет и число обращений в банки. А это значит, что потребуется больше ресурсов для хранения записей разговоров между клиентами банка и сотрудниками контакт-центров, отсканированных изображений кредитных заявок, различных типов договоров, персональных документов. Увеличивается число видеокамер наблюдения - как в офисах и отделениях банков, так и в устройствах самообслуживания (банкоматах, информационных терминалах и так далее). Основная сложность таких решений не только в хранении получаемой информации, но и в ее анализе и поиске в случае необходимости.
Компактнее и быстрее
По мере роста объемов данных банк неизбежно сталкивается с проблемами их обработки и контроля расходов на хранение и управление ими. Например, оценка эффективности работы совокупности региональных подразделений, филиала, конкретного продукта или услуги по данным за три года обеспечивает гораздо более ясную картину - с более четким представлением долгосрочных тенденций, а также циклических и сезонных моделей, чем такая же оценка, но выполненная с опорой на шестимесячную или еще более краткосрочную статистику. К сожалению, большинство традиционных программных средств с трудом справляются даже с данными, накопленными за шесть месяцев; при этом, как правило, требуется существенное расширение их объема для оптимизации доступа и достижения приемлемого быстродействия.
Вадим Табаков, менеджер по развитию направления "Базы данных и технологии" компании "SAP СНГ", советует использовать сервер Sybase IQ, который оптимизирован для аналитической обработки. В Sybase IQ реализованы эффективные алгоритмы сжатия, которые сокращают потребность в дисковой памяти на 30-85%. Независимые испытания подтвердили, что для хранения одного петабайта необработанных входных данных Sybase IQ требуется всего 160 терабайт физической памяти.
Сравнивая стоимость владения решений для управления "большими данными" от разных производителей, необходимо учитывать стоимость аппаратного обеспечения, необходимого для подобной работы, подчеркивает Илья Шулипин. Следует различать, в каких случаях высокая производительность достигается при помощи совершенствования логики управления данными, а в каких - с помощью дорогостоящего наращивания процессорной мощности. Может оказаться так, что с ростом объемов данных стоимость одних решений будет изменяться незначительно, тогда как другие потребуют немалых инвестиций в аппаратное обеспечение.
- Большие данные, требующие реального времени, будут уходить в in-memory, - уверен Илья Шулипин. - За ними, скорее всего, последуют наиболее критичные для бизнеса приложения, которые также уйдут на базы данных in-memory. Важно отметить, что сейчас на рынке единицы производителей предлагают реальные in-memory-решения, а не "косметически отремонтированные" традиционные базы данных. Однако флагманы рынка уже решают эту проблему: так, SAP в своем активе как раз имеет стопроцентную in-memory-платформу HANA.
Борьба за качество
Серьезная проблема, препятствующая применению систем Big Data в банках, заключается в том, что сегодня практически нет ИТ-решений для финансового сектора, которые гарантированно работают совместно с "большими данными". Для преодоления проблемы интеграторы вынуждены создавать в рамках отдельных проектов своеобразные "испытательные полигоны". Так, например, "Техносерв" проводит совместное тестирование силами поставщиков решений "больших данных", разработчиков специализированных финансовых ИТ-систем, сотрудников банка и специалистов интегратора для получения подтверждения корректности функционирования используемых в банке систем и новых программно-аппаратных решений для работы с "большими данными". Но это начинание, в котором кровно заинтересованы банки, наталкивается на серьезное препятствие: не все производители программного обеспечения для финансового сектора заинтересованы в том, чтобы подтвердить корректность работы своих решений на "больших данных".
Артак Оганесян отмечает проблемы, связанные с качеством и достоверностью данных (особенно информации, поступающей из внешних систем), с возможностью их сверки и стыковки. Источников "больших данных" может быть много, но реальный эффект получается только при агрегировании их в общее информационное хранилище или пространство. Данные в разных системах часто не согласованы, иногда они могут противоречить друг другу. При этом, даже если на этапе загрузки, очистки и выверки эти данные приведены к единому знаменателю, в исходных системах информация все равно может оставаться "грязной". Поэтому банкам придется выстроить работу по исправлению данных в исходных системах.
Курс на клиентоориентированность
Применение Big-Data-решений дает банкам серьезные конкурентные преимущества. Возможность оперативно извлекать полезную информацию из больших архивов данных и анализировать ее в разных аспектах позволяет повысить эффективность работы организации в целом и лучше понять поведение клиентов в частности. "Важно, что анализ массивов структурированных и особенно неструктурированных данных с помощью технологий Big Data предоставляет информацию такого качества, которое оптимально для принятия взвешенных решений, - подчеркивает Владимир Колганов, руководитель направления систем хранения данных компании "КРОК". - Причем нередко в условиях жестких ограничений, вплоть до режима реального времени. Поиск оптимальных решений, как правило, основан на предварительном моделировании разных сценариев. Например, можно установить, как изменение бюджета и разных параметров способно отразиться на доходе компании от целевого маркетинга".
BIG DATA ДАЮТ БАНКАМ ВОЗМОЖНОСТИ ДЛЯ РЕШЕНИЯ ЗАДАЧ, О КОТОРЫХ БАНКИ РАНЬШЕ ДАЖЕ НЕ ЗАДУМЫВАЛИСЬ. НАПРИМЕР, РЕАЛИЗОВАТЬ ПРЕДЛОЖЕНИЯ В РЕАЛЬНОМ ВРЕМЕНИ С ИСПОЛЬЗОВАНИЕМ ИНФОРМАЦИИ О МЕСТОПОЛОЖЕНИИ КЛИЕНТА: КЛИЕНТ, ПРОХОДЯ МИМО МАГАЗИНА, ПОЛУЧАЕТ ОТ СВОЕГО БАНКА УВЕДОМЛЕНИЕ НА ТЕЛЕФОН О ТОМ, ЧТО ИМЕННО СЕГОДНЯ В ЭТОМ МАГАЗИНЕ ДЛЯ НЕГО КАК ДЛЯ ДЕРЖАТЕЛЯ "ЗОЛОТОЙ" КАРТЫ - ДОПОЛНИТЕЛЬНАЯ СКИДКА
Благодаря технологиям Big Data системы безопасности банка (Fraud Control) могут оперативно анализировать колоссальные массивы информации самого разного происхождения (документы, транзакции, логи интернет-порталов и пр.) и эффективно противодействовать мошенничеству. Крупные банки с помощью этой технологии могут рассчитывать риски по своим операциям на рынках ценных бумаг - для миллионов сообщений в секунду с откликом 80 мкс.
Кроме того, технологии Big Data позволяют банку использовать полуструктурированные данные, чтобы выявить скрытые связи между клиентами. На основе полученной информации определяется уровень их кредитоспособности. Без таких технологий сложно представить себе и геолокационные сервисы, которые определяют местонахождение банковских отделений и банкоматов, интересующих клиентов.
Владимир Колганов отмечает еще одну область применения решений Big Data - анализ соцсетей, позволяющий определить уровень лояльности клиентов банку и его ключевым конкурентам. В сообщениях пользователей social media автоматически выделяются слова-маркеры, характеризующие их отношение к банку. Исследование огромного числа записей с такими словами помогает выявить причины недовольства клиентов и принять меры, оптимальные в сложившейся ситуации.
Александр Горшков приводит пример проекта, реализованного в России сотрудниками "Техносерва" совместно со специалистами HDS в одном из крупных банков, входящих в Топ-10. Решение позволяет автоматизировать процесс заведения и хранения кредитных заявок. Заявки, заполненные и подписанные клиентом, сканируются, клиентский текст автоматически распознается (для организации полнотекстового поиска), после чего осуществляется передача информации в систему работы с "большими данными" для ее дальнейшей обработки и хранения. Передача информации осуществляется в сжатом и зашифрованном виде, что позволяет работать на слабых каналах, обеспечивать ее необходимую конфиденциальность и целостность. В случае неустойчивого канала связи или возникновения ошибки во время передачи данных в реализованном нами решении предусмотрена возможность дозагрузки информации с того места, когда возникла ошибка.
В целом технологии Big Data особенно эффективны в маркетинге и сфере взаимодействия с частными клиентами. Анализ клиентских баз, а также неструктурированной информации из соцсетей и других источников позволяет разрабатывать более сфокусированные маркетинговые предложения, больше соответствовать ожиданиям разных целевых аудиторий, лучше влиять на потребительское поведение клиентов.
- С помощью Big Data финансово-кредитные учреждения могут повысить уровень своей клиентоориентированности, - рассказывает Владимир Колганов. - Например, лучше понять конкретного клиента банку помогает изучение его действий, предшествовавших выполнению определенной операции в онлайн-банке. Какие разделы сайта посетил данный клиент, много ли времени провел на каждой странице - благодаря этой и другой информации банк может составить "портрет" клиента и выстроить более эффективные коммуникации с ним.
Анализируя информацию по клиенту или группе клиентов, можно оперативно построить профиль потенциального заемщика с учетом его полной истории взаимоотношений с банком, в том числе и по закрытым договорам. Более того, этот анализ может включать в себя данные по связанным лицам, учитывать аффилированность. Полная история транзакций, факты недобросовестного поведения, возникновения задолженностей - все это доступно в том числе и для сегментирования клиентской базы. В конечном счете это позволяет банкам совершенствовать свою продуктовую и тарифную политику, повышать прибыльность на отдельного клиента.
В результате реальные и потенциальные клиенты получают большой выбор сервисов и продуктов и чувствуют заинтересованность в себе со стороны банка. А эти факторы, как известно, довольно сильно влияют на отношение к банку в целом.
Елена Некрасова