О терминологии

За терминами AI, Big Data, Data Science стоит свод дисциплин, отвечающих за принятие оптимальных решений на основе данных. За этой непрозрачной формулировкой находятся вполне понятные ценности:

  • Более лояльные клиенты, благодаря персональному финансовому менеджменту и релевантным предложениям продуктов на основе сегментирования аудитории;
  • Сильная система безопасности, которая способна выявить и пресечь любой вид мошенничества, как внешнего, так и внутреннего;
  • Экономия на большей эффективности операционных процессов, например, в обслуживании банкоматов, благодаря предсказанию и оптимизации наличности в сети терминалов;
  • Сохранение наиболее важных и доходных клиентов, благодаря предсказанию оттока и других важных паттернов поведения клиентов;
  • Эффективное управление рисками, благодаря интеллектуальному кредитному скорингу;
  • Разумные инвестиции в кадры, когда речь идет о предсказании продолжительности работы кандидата или уровне его «токсичности» в коллективе;
  • И еще довольно длинный перечень возможного применения «умных данных».

Если попытаться обобщить мотив крупных банков участвовать в гонке данных, то все сводится к двум фундаментальным истинам: 1) банки хотят быть клиентоориентированными и 2) банки стремятся быть эффективными.

А это хорошо согласуется со словами Джека Уэлча: «Если перемены вне вашей компании происходят быстрее, чем внутри, то конец близок».

Историческая справка

С 2016 года наблюдается устойчивый рост тренда, однако в новом качестве. Решения стали давать прогнозируемый и повторяемый результат

Говоря о мировом тренде Data Science в банках, речь идет о волне решений, которая зародилась в 2013 году и иссякла в 2015 на спаде интереса — из-за завышенных ожиданий к технологии. С 2016 года наблюдается устойчивый рост тренда, однако в новом качестве. Решения стали давать прогнозируемый и повторяемый результат. С этого же момента стала заметна активизация отечественных банков: набираются специалисты, на сцене профильных конференций с первыми пилотами в Data Science появляются первые сторонники диджитализации, а публичные заявления официальных лиц по вопросу Big Data начинают носить не только PR характер.

Впрочем, если следовать инновационной кривой, то речь идет об активности ранних последователей и инноваторов, чего нельзя сказать об инертном раннем большинстве.

Есть несколько объяснений этому. С одной стороны, топ-менеджменту не очевидна целесообразность инвестиций в эту сферу. Ведь зачастую под терминами Data Science и Big Data каждый понимает свое, да и отсутствие открытых отраслевых кейсов на рынке решительности не добавляет. И это понятно: раннее большинство банков не готово инвестировать в то, что не проверено временем. Возможно, сориентироваться в этой сложной теме и ответить на вопрос «пора или нет?» поможет мировой рейтинг банков, которые уже активно инвестируют в развитие Data Science инфраструктуры.

Критерии рейтинга

В рейтинге выделяются следующие пункты:

  • Количество выступлений на профильных конференциях с кейсами;
  • Наличие должности или профильного отдела;
  • Количество размещенных вакансий специалистов;
  • Официальные отчеты и публикации;
  • Масштабируются ли наработки на другие регионы и страны, или эксперименты пока локальны;
  • Насколько глубоко проработано дерево специализации отдела в банке.

Для рейтинга мы выбрали самые крупные по капитализации банки из шорт-листа World’s Largest Banks 2017, а также решили посчитать индекс отечественных банков, которые были замечены в работе с Big Data.

Топ 30 мировых банков в Data Science решениях

1 USA Capital One 49
2 USA JPMorgan Chase 40
3 France BNP Paribas 40
4 Switzerland UBS 39
5 France Crédit Agricole 38
6 France Société Générale 33
7 USA Citi Bank 33
8 Switzerland Credit Suisse 32
9 USA Wells Fargo 29
10 Netherlands ING 29
11 USA Morgan Stanley 25
12 Canada RBC Royal Bank 23
13 Germany Deutsche Bank 23
14 UK Barclays 23
15 USA Bank of America 23
16 USA BNY Mellon 21
17 Russia Sberbank 19
18 Australia Commonwealth Bank of Australia 19
19 Canada Toronto-Dominion Bank 14
20 USA US-Bank 12
21 Russia Tinkoff Bank 11
22 UK Royal Bank of Scotland Group 11
23 UK HSBC 11
24 Spain Santander 10
25 Australia Westpac 9
26 Russia Alfa-Bank 9
27 UK Lloyds 8
28 Spain BBVA 8
29 Italy UniCredit 7
30 Australia NAB 7

Среди 30 банков-лидеров 8 позиций занимает США.

На своем сольном выступлении на Startup Village 2017 Олег Тиньков назвал этот банк ориентиром в сфере банковских инноваций

Высшую строчку занимает Capital One. Характерно, что на своем сольном выступлении на Startup Village 2017 Олег Тиньков назвал этот банк ориентиром в сфере банковских инноваций. Capital One активно инвестирует в развитие инфраструктуры Data Science не только на территории США, но и в Европейском, Азиатском и Тихоокеанском регионах, с общим количеством открытых профильных вакансии 28 (данные с официального сайта Capital One на 28.05.17).

Второе место — JPmorgan Chase, обладает целой плеядой звезд в области Data Science, которые признаны одними из самых влиятельных специалистов в банковской сфере по версии efinancialcareers.com. (Afsheen Afshar - в должности Chief Data Scientist и Graham Gille - руководитель Data Science Research.) 

Далее следуют Citi Bank (7), Wells Fargo (9), Morgan Stanley (11), Bank of America (15), BNY Mellon (16), US-Bank (20).

CDO Wells Fargo Чарльз Томас убежден, что у Data Science специалиста в банке нет шансов остаться без работы ни в настоящем ни в будущем.

Второе место в общем зачете стран - Франция.

BNP Paribas (3) является абсолютным лидером Европы по проникновению Data Science. Следом за ним - Crédit Agricole (5) и группа Société Générale (6).

Впрочем, Швейцария, занимающая третье место, не отстает, и на 4-м месте находится банк UBS, у которого в обойме Raghav Madhavan - Chief Data Scientist, которого относят к самым сильным специалистам в этой области. 

А Credit Suisse занимает 32 место.

На четвертом месте — Великобритания, где наиболее активными банками стали: Barclays (14), Royal Bank of Scotland (22), HSBC (23) и Lloyds (27).

Россия в общем зачете находится на пятом месте. Сбербанк (17), Tinkoff Bank (21), Альфа-Банк (26). Кроме того, оценивались, но в шорт-лист не попали: Открытие, Райффайзен-банк, ВТБ24, Банк Хоум Кредит и банк «Юникредит».

Канада на шестом месте.

Единственный представитель тихоокеанского региона и седьмое место — Австралия и банки: Commonwealth (18), Westpac (25), NAB (30).

Замыкает список стран-лидеров Испания: Santander (24), BBVA (28).

А как же Азия?

Где китайские банки ICBC, China Construction Bank, China Merchants Bank, Agricultural Bank of China? Где Япония и SMFG, MUFG?

Специалисты одной из ведущих компаний по развитию Big Data в Азии «Global Tone» считают, что, несмотря на появления таких должностей, как Chief Data Officer в банках-лидерах, Data Science носит сейчас больше экспериментальный характер. Причем северо-американские представительства азиатских банков развиваются динамичнее в этом направлении, но проигрывают северо-американским лидерам шорт-листа. Возможно, что это временно, учитывая, что китайская школа данных одна из самых сильных в мире.

Рейтинг по странам

n (серый) — банков в рейтинге

n (желтый) — средний индекс проникновения Data Science.

Что значит для России положение в этой части рейтинга

Даже гиганты вынуждены двигаться быстрее, становиться клиентоориентированными и эффективными в вопросах принятия решений на основе больших данных

Несмотря на активный интерес со стороны крупных отечественных банков, в гонку они включились с задержкой в год-полтора. Это можно связать с тем, что американские банки испытывают куда большее конкурентное давление со стороны финтеха. Поэтому даже гиганты вынуждены двигаться быстрее, становиться клиентоориентированными и эффективными в вопросах принятия решений на основе больших данных.

У нас же эксперименты с автоматизацией процессов через машинное обучение и Data Science носят точечный характер. Отстроенной структуры Data Science отдела с налаженными функциями нет ни в одном отечественном банке, хотя этот этап уже пройден лидерами первой десятки.

Одним из первых потенциал больших данных оценил Сбербанк. С 2015 года этот банк стал инвестировать в инфраструктуру и отделы по работе с Big Data. Андрей Черток, руководитель академии технологий и данных в корпоративном университете Сбербанка, считает, что: «…в Сбербанке экспертиза Data Science становится одной из главенствующих, что предполагает развитие RnD направлений, связанных с анализом данных». 

Первые последователи Data-driven парадигмы на отечественном рынке

Действительно, крупные банки более чувствительны к давлению со стороны финтеха, таких еще вчерашних стартапов, как Тинькофф-банк и Рокет-банк (группа «Открытие»). Тех банков, кто изначально был ориентирован на использование данных. Инертность большинства банков в вопросе диджитализации и переходе к так называемой Data-Driven парадигме весьма скоро сыграет с ними злую шутку. Клиенты предпочтут более гибких и комфортных конкурентов. Поэтому сейчас слова из считалочки касаются всех: «Не-ту Da-tы? Вы-шел вон!».