Загрузка...
Поддержи Openmeetings

понедельник, 15 июля 2013 г.

Подходы Big data в банковской индустрии

Информационные технологии Big data — набор подходов к обработке огромного, распределенного и непрерывно увеличивающегося объема структурированных и неструктурированных данных для получения конкретных результатов и выводов. В начале этого века такие подходы Big data, как NoSQL, MapReduce, Apache Hadoop, доказали свою применимость и эффективность в технологически продвинутых областях, как поисковые системы. Сегодня эти решения с неизбежностью захватывают финансовую отрасль, и прежде всего, банки.

Организации банковского сектора живут на основе данных. Продукты и услуги в банковском не имеют физического присутствия — и хороший банк должен иметь хорошее представление, с чем он имеет дело. Как следствие, конкурентную борьбу выигрывают банки, которые научились эффективно использовать постоянно растущие объемы данных, разнообразных по своей структуре и скорости поступления. Помимо основных транзакционных данных, касающихся дебетования, кредитования и платежей, банки в настоящее время собирают, анализируют и используют следующие данные:

  • данные о репутации своего бренда в социальных сетях и форумах;
  • данные о своих клиентах и потенциальных клиентах, чтобы своевременно делать им релевантные коммерческие предложения;
  • данные из внешних источников (в том числе, из новостей), чтобы оценивать риски.

Собираемые данные могут быть структурированными и неструктурированными, но почти всегда эта информация критична по времени реакции. И, конечно, во всех случаях финансовые данные весьма деликатны и подвержены государственному регулированию. Применяя передовые аналитические средства, банк может превратить объем, скорость поступления и разнообразие данных в конкурентные преимущества, обеспечив действенными указаниями в режиме реального времени основные направления бизнеса, в том числе:

  • управление ожиданиями клиентов,
  • оптимизацию оперативного управления,
  • управление рисками.

Важно отметить, что применение новых технологий, таких как Hadoop, это менее половины всех усилий. Чтобы превратить аналитическую технологию в машину действия, необходимо перестроить немало нейронных связей в головах органических участников процесса.

Пример использования Big data — антифрод в компании Visa

Борьба с мошенничеством, безусловно, является важной частью жизни банков. Хорошим примером успешного противодействия мошенничеству является опыт компании Visa. Используя современные подходы, сотрудникам компании удалось предотвратить подозрительных транзакций на 2 миллиарда долларов. Если в 2005 году для определения подозрительной транзакции использовалась одна аналитическая модель, учитывавшая около 40 параметров совершения транзакции, то сегодня в компании используется 16 моделей, специфичных для разных географических регионов и учитывающих более 500 аспектов каждой транзакции. Аналитики обновляют модели в реальном времени — новый параметр добавляется менее, чем за час.

Секрет эффективности Big data — в распределенных устойчивых алгоритмах

Как достичь подобной эффективности аналитических расчетов без необходимости дергать высококвалифицированных разработчиков, и исключая саму возможность разрушить работающую систему? Решения прошлого поколения, забирающие данные по окончании банковского дня и анализирующие их по ночам, не способны принимать решения в реальном времени, например, заблокировать подозрительную транзакцию, и не дают аналитикам необходимого инструментария, чтобы держать руку на живом пульсе. Зато аналитики получают возможность убить результаты ночного анализа всего дня неоптимальным запросом.

При современном подходе Big data системы аналитики становятся более оперативными и живучими. Каждая новая модель наследуется от одной из существующих моделей, и начинает свою жизнь в стесненных обстоятельствах. Она получает доступ к ручейку информации, который по мере доказательства моделью своей состоятельности, превращается в реку. Для доказательства состоятельности модель проходит следующие испытания на прочность:

  • В режиме тестирования совместимости правомерность модели проверяется на тех примерах, где родительская модель показывает хорошие результаты.
  • В режиме обучения качество модели проверяется на тех известных примерах, где другие модели показали недостаточную эффективность.

Во время опытной эксплуатации наиболее заметные отклонения в поведении модели сообщаются автору для внесения правок в режиме реального времени.

Как обеспечивается надежность и отказоустойчивость решений на основе Big data? Потоки событий и ресурсы контролируются самой инфраструктурой. Идеология системы исключает единую точку отказа: данные распределены в оперативной памяти нескольких вычислительных узлов, сложные операции складываются из множества простых операций. При сбое каких-то операций инфраструктура попробует выполнить их еще раз. Специалисту-аналитику приходится освоить новый метод построения вычислительных алгоритмов, основанный на концепции слияния результатов атомарных вычислителей на распределенных данных. Данный подход приходит на смену последовательным вычислениям. Можно представлять работу подобной системы, как работу муравейника, когда из отдельных соломинок, принесенных маленькими, дисциплинированными насекомыми вырастает функциональное, мощное архитектурное сооружение.

Необходимо отметить, что если первичным потребителем информации, собираемой в рамках новой технологии, станут сотрудники банков, они моментально превратятся в основную проблему внедрения. Необходимо замыкать аналитику на конечных пользователей системы, будь то отказы в транзакции, или предложения новой услуги через социальные сети или мобильные устройства. Аналитиков банка хватит лишь отслеживать сбои в данной цепочке, и модифицировать процессы.

Управление ожиданиями клиентов

Современные банки сосредоточены на более качественном удовлетворении конкретных потребностей своих клиентов, а не на линейке продуктов. Для того, чтобы быть успешными в работе с клиентами, сегодня необходимо:

  • привлечь клиента интерактивным персонализированным разговором;
  • обеспечить последовательное, многоканальное общение в режиме реального времени, в том числе через интернет и мобильные устройства;
  • определить критические моменты в цикле продаж, и действовать именно в эти моменты (например, в случае необходимости подписания договора в офисе банка, ключевым в продажах может быть напоминание о том, что клиент находится рядом с одним из офисом, где можно преодолеть необходимую бюрократию, или просто доброжелательно напомнить клиенту о необходимости того или иного действия, необходимого для совершения продаж);
  • оперативно реагировать на те или иные действия клиента, продвигая и продавая релевантные услуги.

Встраивая решения Big data в текущие банковские решения, можно в то же время трансформировать продуктовую идеологию в ориентированную на клиента. Проникновение общей технологии на различных этапах работы позволяет снизить затраты. Аналитический подход и быстрое время реакции улучшают показатели удержания старых клиентов, за счет лучшего к ним отношения, показатели продажи новых маркетинговых предложений, за счет их релевантности и своевременности, а также формируют лояльность и доверие к бренду. Основные технологические столпы клиентоориентированной трансформации:

  • единое представление клиента (возможность получить обзор всех имеющихся о клиенте данных в одном месте),
  • целевой маркетинг с микро-сегментацией (использование аналитики для формирования уникальных маркетинговых предложений для конкретного клиента),
  • обеспечение многоканального общения с клиентом, его ускорение, консолидация и автоматизация.

Управление рисками

Управление рисками очень важно для банков. Эта культура должна быть частью организационной культуры и операционной модели банка для того, чтобы анализ рисков использовался практически при принятии решений. Сегодня в России анализ рисков в большинстве отраслей исчерпывается назначением потенциального ответственного. Для того, чтобы практически определять эффективность того или иного решения по привлечению капитала или вложению капитала, необходим количественный анализ рисков и регулярный мониторинг рисков, в том числе мониторинг внешних источников информации. Следование той или иной формальной модели количественной оценки рисков также уменьшает необходимые затраты на соответствие нормам регулирования банков.

Для внедрения подобного подхода требуется изменить сознание людей, которые сегодня работают с рисками. Необходимо предоставить людям действительно удобные инструменты. И, наконец, необходимо преобразовать регламенты работы так, чтобы они соответствовали гибкости предлагаемого подхода. Система, основанная на Big data, позволяет объединить следующие направления анализа рисков на основе общей архитектуры рисков, информационной модели, системы отчетности и аналитики, включая ноу-хау, эвристики и аналитики в реальном времени.

  • финансовые риски;
  • риски несоответствия регулированию;
  • операционные риски;
  • риски финансовых преступлений (AML, мошенничество, Case Management);
  • it-риски (безопасность, непрерывность процессов, достоверность данных).

При внедрении системы учета рисков необходимо начинать с конкретных случаев, держа в голове общую картину взаимосвязи процессов по управлению рисками в организации.

Оптимизация операционного управления

Крупные банки часто становятся громоздкими из-за процесса слияний и поглощений. Повышение гибкости и оптимизация процессов играют большое значение для тех банков, кто хочет победить в конкурентной борьбе. Для обеспечения быстрых и эффективных перестроек необходимы гибкие модульные стандартные элементы инфраструктуры и программного обеспечения. Необходимость выдерживать темпы роста, быстро отвечая на удачные решения конкурентов и новые требования регулирования, приводит к необходимости внедрять Big data и там, где в рамках одного банка неплохо работают стандартные АБС (автоматизированные банковские системы) — в транзакционные сервисы и сервисы обработки платежей.

Например, внедрение Big data на этапах согласования выдачи кредитов позволяет в разы увеличить доходы банка от подобных операций, сократив в разы время, требуемое для согласования. В более широкой перспективе операционного управления, подход Big data позволяет выставлять банковские продукты по правильной цене с учетом региона и значения сделки для покупателя.

Необходимо отметить, что переход на инфраструктуру Big data позволяет избавиться от тяжелого наследия лоскутной автоматизации. Например, общая инфраструктура позволяет использовать показатели эффективности, сквозные для всей организации. С другой стороны, решения на основе Big data объективно сложнее и требуют в разы больше ресурсов. Внедряя технологии без царя в голове можно легко остаться у разбитого корыта — ухудшить управляемость инфраструктуры и потерять те конкурентные преимущества, которые есть сегодня. И все же необходимо отчетливо понимать, что банки в высочайшей степени подвержены последствиям глобализации экономики, и более современные решения на Big data вытеснят троглодитов банковской отрасли если не сегодня, то завтра.

Комментариев нет :

Отправить комментарий