ENGКазалось бы, ни у кого нет сомнений, что внедрение технологий больших данных сегодня является столбовой дорогой развития банковского дела, и большинство сколько-то крупных банков уже занялись имплементацией соответствующих решений.
«За последние годы в сфере анализа данных произошла настоящая революция. Если раньше при принятии решений использовались относительно простые статистические зависимости, то сейчас мы перешли к намного более сложной аналитике, основанной на алгоритмах машинного обучения», — заявил «Инвест-Форсайту» менеджер проекта «Биг дата» Банка Хоум Кредит Сергей Герасимов.
«Big data — это то «новое электричество», которое даст большой рывок вперед, распространяясь на все банковские бизнес-процессы» — уверенно говорит Алгирдас Шакманас, вице-президент, руководитель блока «Цифровой бизнес» Промсвязьбанка.
Однако на специально посвященной проблемам big data в банках сессии Финансового форума газеты «Ведомости» многими выступавшими подчеркивалось, что в данной сфере мы имеем дело с тремя разными «историями». Внедрение технологий больших данных в сегменте физических лиц и малого бизнеса, в сегменте корпоративных клиентов и в сфере банковского регулирования развиваются по совершенно разным сценариям, и в каждом сегменте существуют свои специфические проблемы, а иногда и препятствия для развития big data.
Глубже понять клиента
В сфере обслуживания физических лиц (равно как и — в меньшей степени — малого бизнеса) никаких проблем с внедрением методик больших данных в принципе нет, и поэтому речь идет о развитии этих систем и их переходе в новое качества. Так, Альгирдас Шакманас рассказал, что сегодня банковская система должна научиться перестраивать статистическую модель клиента в режиме онлайн, в течение 15 секунд после того как клиент совершает очередную банковскую операцию — с тем, чтобы, например, сразу же, «не отходя от кассы» предложить ему новый продукт.
Опрошенные «Инвест-Форсайтом» эксперты выразили уверенность, что главным трендом в этой сфере является все более глубокое изучение поведения клиента и вовлечение в этот анализ новых пластов информации — от мобильных операторов связи, из соцсетей и т.д.
«Далеко не все банки хоть как-то используют анализ тех данных, которые у них есть по клиентам, а у банков очень много информации. И именно в поведенческом анализе и скрыты большие перспективы», — отмечает директор департамента информационных технологий КБ «Геобанк» (ООО) Александр Бычков.
Аналитик данных ПАО «АК БАРС» БАНК Рустем Галиуллин отмечает, что сегодня в банковском бизнесе наблюдается переход от продуктоцентричной к клиентоцентричной модели бизнеса. Поскольку банки стараются предложить клиенту продукт, появляется новая методология Next Best Action, которая предполагает формирование наиболее персонализированных и релевантных предложений для клиентов банка в удобное для них время и донесение предложения через удобные для них каналы коммуникаций.
Появляется на повестке дня и новая тема — использование больших данных для борьбы с банковским мошенничеством. Александр Смирнов, руководитель направления Data Science компании Teradata, рассказал, что технологии искусственного интеллекта позволяют бороться с такими ситуациями, когда банки разрешают мошенническое снятие денег с карты клиента и, наоборот, блокируют карту из-за неосновательных подозрений. По словам Александра Смирнова, проект компании Teradata в датском Danske Bank позволил при помощи использования искусственных нейронных сетей снизить на 60-80% риск возникновения подобной ситуации.
Отдельный вопрос, который в ближайшем будущем может стать актуальным для малых и средних банков, — использование компаний-аутсорсеров.
Евгений Филоненко, начальник отдела аналитических и отчетных систем департамента информационных технологий ПАО КБ «Восточный», полагает, что для банков, у которых нет собственных специалистов и не хватает статистики, одним из решений могли бы стать частные кампании, специализирующиеся на агрегации различной информации по клиентам, построении поведенческих моделей, моделей платежеспособности тех или иных сегментов и т.д. с предоставлением всем заинтересованным организациям соответствующих платных сервисов для получения интересующей информации. На рынке уже есть несколько подобных компаний, предоставляющих скоринг-услуги — правда, пока в основном ими пользуются микрофинансовые организации.
Корпоративные клиенты: отсутствие статистики
Однако в работе с корпоративными клиентами проблем гораздо больше — просто потому, что о компаниях банками пока не собраны достаточные массивы данных.
«В настоящий момент в банковской сфере России не были отмечены громкие кейсы использования больших данных в корпоративном бизнесе», — констатирует Рустем Галиуллин.
Впрочем, возможно, все изменится в ближайшие годы. Как сообщил «Инвест-Форсайту» Евгений Филоненко, после объединения банка «Восточного» с «Юниаструм банком» база корпоративных клиентов значительно расширилась, и теперь «есть с чем работать». Подразделения, отвечающие в «Восточном» за CRM-маркетинг, начнут вплотную работать с юридическими лицами в 2018 году.
С 1 января 2018 года в 120 странах мира вступает в силу новый стандарт финансовой отчетности МСФО-9, который предполагает, что банки должны перейти и на корпоративном рынке к принципам управления портфелями на основное статистических моделей. Но для создания таких моделей у многих российских банков часто нет репрезентативной статистики. Как рассказала на Финансовом форуме генеральный директор Аналитического кредитного рейтингового агентства (АКРА) Екатерина Трофимова, аналогичные модели существуют в Европе, и там — благодаря более либеральному законодательству — была сделана попытка решения этой проблемы через создание пулов данных разных банков под эгидой банковских Ассоциаций. Однако, по словам эксперта, пока этот проект не дал серьезных результатов, поскольку у каждого банка оказались свои принципы структурирования данных.
По мнению Екатерины Трофимовой, единственным выходом для российских банков, желающих воспользоваться преимуществами big data при работе с «корпоратами», являются рейтинги — либо внешние рейтинги от соответствующих агентств, либо внутренние рейтинги. Что касается последних, то единственным банком, который смог не только разработать, но и одобрить на уровне ЦБЮ свой внутренний рейтинг, является Сбербанк. Произошло это только благодаря масштабам кредитной организации: собственные массивы данных о клиентах оказались достаточно велики и репрезентативны, и, кроме того, банк располагал достаточными средствами, чтобы собрать большую команду высококвалифицированных и высокооплачиваемых профессионалов и даже начать собственную корпоративную подготовку специалистов по big data. По словам Екатерины Трофимовой, трудно себе представить, чтобы какой-либо еще банк — особенно из числа средних — смог бы проделать точно такой же путь. Остаются рейтинги рейтинговых агентств. При этом только в России внедрена практика валидации методик рейтинговых агентств, за рубежом в практике последних интуиции экспертов тоже играют серьезную роль.
При этом далеко не все опрошенные эксперты вообще уверены, что имеет смысл пытаться внедрить big data во взаимодействии банков с «корпоратами». Рустем Галиуллин отмечает, что при работе с корпоративными клиентами существуют сложности в том, что зачастую за взаимодействие с клиентом отвечает клиентский менеджер, и он лучше математиков понимает, что нужно клиенту. При этом важно понимать, что объект любого исследования или модели — это сам бизнес, а решения в бизнесе принимают люди. Это создает дополнительные сложности, так как для математической модели необходимо учитывать настроения людей, принимающих решения в бизнесе, а не только атрибуты самого бизнеса.
Наконец, есть интересный «обходной» путь. Галина Вакулина, директор по разработке клиентского опыта банка для предпринимателей «Точка», считает, что у банка, работающего с юридическими лицами, есть интересная задача соединить данные о клиенте как организации и как о человеке, который в этой организации управляет бизнесом, общается с банком, принимает решения. Часто эти массивы данных разделены и почти не пересекаются. Найти связи, понять портрет, проблемы предпринимателей получится только при соединении таких массивов.
«Чтобы лучше понимать клиентов, мы храним у себя структурированные данные о коммуникациях клиентов с «Точкой» и стараемся описывать эти коммуникации человеческим, «ламповым» языком, — рассказывает эксперт. — Это позволяет видеть полную картинку жизни не только бизнеса, но и его владельца».
Говоря о перспективах применения больших данных к сегменту корпоративных клиентов, Александр Бычков из «Геобанка» отмечает:
«Я не думаю, что есть какие-либо проекты в этой сфере, которые используются не в качестве «пилота», а уже стабильно и успешно работают. Однако технологии больших данных имеют большой потенциал в части инвестиционных консультаций, анализа глобальных рынков и макроэкономической обстановки. С помощью этой технологии также возможно создание более точных скоринг-моделей и реализация нового подхода к сегментации корпоративных клиентов. Всё это, конечно, требует времени и наращивания как опыта, так и самих данных. Я полагаю, что основная проблема здесь кроется именно в недостатке данных».
Регулирование: отдаленные перспективы
На фоне всеобщего увлечения большими данными возникает вопрос: не должны ли и те нормативы, которые применятся к банкам регуляторами, основываться на статистическом анализе. История разорений и санаций российских кредитных учреждений ясно показывает, что само по себе соблюдение обязательных нормативов не дает гарантии, что банк завтра не попадет под отзыв лицензии. Центральный банк России очень внимательно следит за теми моделями, которые применяют к своим портфелям банки или аккредитованные рейтинговые агентства, однако нормативы самого ЦБ на статистические модели не опираются или опираются лишь в небольшой степени. Впрочем, это проблема отнюдь не российского регулятора, а также и зарубежных Центробанков, и Базельский комитет тут не исключение. Как заявила на Финансовом форуме Екатерина Трофимова, используемые сегодня в регуляторике нормативы не имеют научного обоснования и опираются в лучшем случае на интуиции специалистов. Иногда значения нормативных показателей возникают вследствие усилий лоббистов, которые хотят сохранить комфортные условия для отечественных банков или, наоборот, предъявить недостижимые требования к конкурентам. Так, знаменитый «Коэффициент Кука», равный отношению собственного капитала к активам, взвешенным по степени риска, и предполагающий величину на уровне не менее 8%, по словам Екатерины Трофимовой, возник потому, что американские банки стремились закрыть доступ на свой рынок японским конкурентам.
Таким образом, в будущем можно предполагать перестройку системы банковского регулирования на основе статистических моделей.
«Вдумчивая работа с данными может поколебать много основ, на которых привыкли работать десятилетиями», — прогнозирует Екатерина Трофимова.
По словам Рустема Галиуллина, уже сейчас можно заметить повышенную активность ЦБ РФ по исследованию в этой области. Регулятор осознает значимость этой технологии и уже двигается в сторону регулирования наиболее важных аспектов. Учитывая опыт Европы и США, где использование машинного обучения накладывает некоторые ограничения на банки (например, с точки зрения интерпретации полученных результатов), можно сказать, что и в России использование больших данных будет регулироваться в наиболее чувствительных сферах, таких как: скоринг, легализация доходов, полученных преступных путем, обращение с криптовалютой, «теневой» бизнес и т.д.
Александр Бычков прогнозирует, что проекты перестройки банковского регулирования на основе big data могут возникнуть в течение следующих 10-15 лет.
Автор: Константин Фрумкин
