Аудиторские и консультационные услуги в сфере IT

Цифровизация в банках

Данные, с которыми работает современный банк, делятся на внутренние (накапливаемые банком в процессе работы) и внешние (которые банк может купить или собрать из открытых источников).

Практика последних лет показывает, что сбор, хранение и обработка таких данных требуют различных подходов. Дело в том, что внутренние данные банка, как правило, являются структурированными (имеющими регулярную структуру). Их источниками являются информационные системы банка, имеющие в своей основе промышленные базы данных. Внешние же данные, за некоторым исключением, не структурированы или имеют переменную структуру.

Для хранения и обработки структурированных данных наиболее правильным решением представляется классическое хранилище данных, а для внешних – решение класса BigData.

На проходящих в последнее время профессиональных конференциях, посвященных вопросам цифровизации, Data Science и смежным с ними областям знаний, например на прошедшей недавно BigData Days 2019 (8-10 октября в Москве) участниками поднимались три основные проблемы:

  1.   Внедрение отдельных элементов инфраструктуры управления данными безусловно соответствует общему тренду, но если оно не дает быстрых и значимых результатов для бизнеса, то данные устаревают, проекты превращаются в убыточные, идея цифровизации дискредитируется.
  2. Проекты по работе с данными, начатые организациями (в том числе банками) в последние два года, в зависимости от имевшегося опыта внутренних команд, советов международных консультантов и прочих факторов предполагали фокусировку проекта либо на классическое хранилище данных, либо на технологии BigData. Промежуточный итог – организации нужны оба компонента, причем они должны быть интегрированы между собой.
  3. Критически важным фактором успеха проектов цифровизации является качество данных и управление им.
  • В части обеспечения результативности проекта для бизнеса предлагается использовать арсенал методов Data Science для решения задач корпоративного и розничного маркетинга:
  • формирование таргетированных маркетинговых кампаний;
  • анализ лояльности клиентов; минимизация оттока клиентов
  • корпоративных и розничных рисков:
  • расчет KRI;
  • разработка моделей оценки заёмщиков в том числе с использованием машинного обучения);
  • управления продуктами и тарифами:
  • определение полной себестоимости единицы продукта в точке продаж;
  • определение оптимальных тарифов;
  • анализ влияния локальных KPI на уровень удовлетворенности клиентов.

Это лишь примеры возможных задач, в рамках конкретного банка для формирования перечня решаемых задач необходимо отталкиваться от «Стратегии развития бизнеса Банка».

Для того, чтобы методы Data Science давали корректные результаты, необходимо обеспечить функционирование единого информационного пространства банка, в рамках которого должны функционировать следующие компоненты:

  1. Централизованное хранилище данных (включающее корпоративное DWH и BigData)
  2. Цифровая модель процессов (BPMS).
  3. Методология управления данными (Data Governance, Master Data Management, Meta Data Management, Data Quality Management).

Мы можем предложить в качестве готовых кейсов:

  • Индустриальные (банковские) модели данных – как DWH, так и всех основных витрин данных (маркетинг, риски, финансы);
  • Постановку методологии управления данными DataVault 2.0.
  • Разработанные бизнес-процессы (кредитный конвейер, кредитный мидл-офис, (корпоратив, розница), планирование и исполнение бюджета);
  • Методологию Activity Based Costing с возможностью ее тестирования на данных банка.

Что касается низкого качества данных как одного из основных вызовов на проектах по цифровизации, мнение участников конференций подтверждается и мировой статистикой:

Gartner сообщает, что 40% инициатив в области данных терпят неудачу из-за низкого качества данных и влияют на общую производительность труда на ~ 20%. Это огромная потеря, которую трудно даже оценить в деньгах, хотя в Chicago Tribune в 2016 году были опубликованы данные, что всего одна банковская ошибка при проведении on-line платежа на $335 привела к неправомерному списанию со счетов клиента $67 000.   

Forbes и PwC сообщают, что низкое качество данных было критическим фактором, приводящим к несоблюдению нормативных требований.