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", - считаетСергей 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.
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
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.