— Зачем банкам анализировать большие данные?

— Сейчас банки испытывают давление со всех сторон, поскольку границы между отраслями размываются. На их «территорию» претендуют телеком-операторы, розничные и транспортные компании, множество финтехстартапов. Это происходит потому, что технологии для разработки онлайн-сервисов стали очень доступными по цене. С другой стороны, у банков существенно изменился клиент. Некоторое время назад люди, приходившие в отделения, понимали, зачем нужно заполнять многочисленные бумажки, и в придачу хранили физические деньги дома. А нынешнее поколение очень требовательное и избалованное сервисами, которые предоставляют компании из других отраслей, начиная от Facebook и заканчивая Amazon.

Использование больших данных позволяет осуществить переход от массовых маркетинговых кампаний, к полной персонификации на основе определенных триггеров

Применительно к банкам большие данные — это постоянный поток информации о состоянии клиента. Люди женятся, разводятся, регистрируют детей, путешествуют, покупают вещи, и данные об этом отражаются в разных системах. Все эти события в других отраслях уже сегодня служат основой для персонификации предложений, то есть предложения нужной человеку услуги или продукта в правильное время. Использование больших данных позволяет осуществить переход от массовых маркетинговых кампаний, пусть и довольно ориентированных на конкретного клиента, к полной персонификации на основе определенных триггеров. Банки, которые это понимают, активно интегрируются с компаниями из других отраслей, чтобы создавать уникальные предложения. Например, взаимодействие с телекоммуникационными операторами позволяет им получить информацию о наличии в вашей жизни каких-то событий, основываясь на данных трафика, с розничными сетями — знать, что именно вы покупаете, а с государственными учреждениями — определить ваш статус.

Персонификация предложений — это первое и самое важное из всего, что могут и должны делать банки. За рубежом это активно практикуют. Например, интеграция зарплатного проекта и финансирования позволяет определить вашу покупательную способность. Причем понимание этого происходит в онлайне, а не на основе 2-НДФЛ. Банки должны уметь не просто анализировать данные о состоянии клиента, но и делать это очень быстро. С теми АБС, которые сейчас используются, на создание нового продукта уходят дни или даже недели, в то время как финтехкомпании делают это за часы. Буквально пять лет назад мы вывели на рынок платформу SAP HANA, которая обрабатывает огромные массивы не только цифровой, но и визуальной и текстовой информации. Именно анализ больших массивов данных — это то, что нужно банкам наравне с продуктовым конфигуратором. Сейчас мы общаемся с несколькими банками по этой теме.

— Что дает банкам сотрудничество с компаниями из других отраслей?

— Гибридные предложения сегодня очень актуальны. Например, взаимодействие со страховыми компаниями позволяет банку предлагать продукты страхования. В некоторых странах банки интегрируют свои услуги в сайты по продаже недвижимости, благодаря чему вы можете не только посчитать на калькуляторе, во что вам обойдется квартира, но и тут же сделать запрос на конкретный кредит. Кооперация с другими отраслями и встраивание финансовых сервисов там, где это нужно и удобно людям, например на сайте интернет-магазина,— это вторая область для использования больших данных, касающаяся быстрого осуществления транзакций.

С помощью больших данных можно создавать очень интересные продукты. Один из немецких банков сделал депозит под проводившийся в Германии чемпионат по футболу. Ставка по нему менялась в зависимости от скоринга матча. Такой формат привлек в банк немало болельщиков.

Рост эффективности возможен за счет отказа от разработки части систем собственными силами и вынесения самых простых процессов на аутсорсинг

Поскольку финансовые организации конкурируют сегодня и с другими отраслями, в России встает вопрос эффективности их работы. В целом мы видим, что по части использования новых технологий и оптимизации внутренних процессов банки могли бы делать больше. Дело в более консервативном взгляде на безопасность, кроме того они находятся под большим контролем регулятора, чем промышленные предприятия и розничные компании. Все это делает банки инерционными. Однако поскольку конкуренты из других отраслей поджимают, они все же думают о повышении эффективности своих процессов. На мой взгляд, улучшить этот показатель позволит смещение фокуса на внешние облака. Рост эффективности возможен за счет отказа от разработки части систем собственными силами и вынесения самых простых процессов на аутсорсинг. На мой взгляд, это направление должно развиваться. Телекоммуникационные и розничные компании разделяют процессы, на которых должно концентрироваться собственное ИТ-подразделение компании, и процессы, которые можно отдать внешним подрядчикам. Использование облаков позволяет отказаться от конфигурации «под себя», использовать лучшие практики, быть более гибкими с выбором систем, быстро получать доступ ко всему новому.

— Получается, что использование больших данных позволяет сократить банковские издержки?

— Снизить издержки позволяет персонализация предложений, она избавляет банк от необходимости делать веерный заход с зачастую низким выхлопом. А таргетирование повышает вероятность попадания в целевую аудиторию и дает возможность увеличить число клиентов. Кроме того, растет процент их удержания и удовлетворенность: ведь каждому приятно получить то, что он хочет в данный момент.

— Можно ли с помощью больших данных прогнозировать платежеспособность и поведение конкретного клиента?

Можно исходить из корреляции между тем, как человек платит по счетам, и тем, как он будет оплачивать кредиты

— Когда говорят о прогнозировании покупательной способности, подразумевают примитивный подход, основанный на предоставлении 2-НДФЛ, а есть нюансы, позволяющие более точно оценить, как человек будет возвращать кредит. Можно исходить из корреляции между тем, как человек платит по счетам, и тем, как он будет оплачивать кредиты. Например, вы идете брать кредит со справкой 2-НДФЛ, из которой следует, что вы зарабатываете 10 млн рублей в год. Глядя на эту справку, банк может подумать: «Какой хороший клиент». Однако вы можете быть хоть и обеспеченным заемщиком, но ненадежным. Чтобы вычислить это, в некоторых странах банки кооперируются с поставщиками услуг ЖКХ и смотрят, насколько регулярно клиент оплачивает услуги. Человек может зарабатывать 10 млн в год, но все время откладывать платежи за электричество. И если счета за ЖКХ могут подождать, то банк, выдавший кредит 30–40 млн, не потерпит задержек с оплатой. Это следующий уровень, где правильное использование больших данных позволяет менять бизнес-процессы и принимать управленческие решения.

Еще одна интересная тема — мошенничество. Существует множество технологий, позволяющих зафиксировать поведение, когда вы приходите в банк брать кредит. Сравнивая его с действиями других клиентов и уже известным результатом работы с ними, можно вынести решение, давать вам кредит или нет. Другой пример анализа больших данных — красная кнопка. В ряде стран вместо нее для сотрудников банков уже используют электронные браслеты. В случае ограбления человек испытывает стресс, под действием которого меняются показатели его состояния (пульс, например), это фиксируют специальные датчики и отправляют данные в полицию.

— Какие технологии используются для распознавания мошенничества, когда клиент пользуется интернет-банком или мобильным банком?

— Проверить информацию о человеке по определенным параметрам сегодня просто. Все используемые нами технологии, включая интернет и базы данных, существуют давно. Сейчас они стали настолько доступны и быстры, что проверка человека по ним и сравнение URL клиента позволяет быстро фиксировать мошенничество. Мы сейчас работаем с «Лабораторией Касперского», которая большое внимание уделяет устранению намеренных вторжений при передаче данных. Правда, в этом направлении мы пока работаем не с банками, а с промышленными компаниями.

— Как обеспечивается защита больших данных и есть ли проблема с их защитой в принципе?

— Это, скорее, надуманная вещь. Банковская сфера — одна из самых транснациональных. Поскольку деньги не существуют физически, то конкуренция между банками ведется, скорее, на мировом уровне, чем на уровне одной страны. Банковские ландшафты нужно защищать, и они, на мой взгляд, защищены достаточно.

В конце 2014 года SAP открыл в России ЦОД. Он работает по тем же стандартам, что и наш ЦОД в Германии, и предоставляет такие же облачные услуги отечественным банкам, как и на Западе. В них стоят идентичные системы видеонаблюдения, одинаково защищены кабели и все остальные параметры настроены согласно одному и тому же списку требований к безопасности, который превышает все возможные мировые стандарты. Однако в отдельно взятой транзакционной системе может быть много разных наслоений. Например, когда руководитель запрашивает отчет, подчиненный выгружает данные из массива и причесывает их в Excel, поскольку единый формат заполнения довольно сложно отследить при вводе данных в систему разными людьми. Для исключения такого алгоритма мы создали решение SAP Digital Boardroom. Его функция — брать сырой массив данных и сразу же выводить его в отчет.

Анализ больших массивов данных без «причесывания» таит в себе много открытий

Мы недавно делали прототип для одного клиента из финансовой сферы. Он просил нарисовать графики, позволяющие понять, где у него больше всего должников, в Москве, Санкт-Петербурге или Самаре. Мы просто взяли массив данных и без «украшений» и «причесываний» сделали анализ дебиторской задолженности. В получившемся отчете оказалось три Москвы: выяснилось, что раньше при подготовке отчета из трех городов с одинаковым названием вручную делали один. По сути, это тоже относится к вопросам безопасности. Еще одна ситуация — банк смотрит на 5–10 крупнейших должников и считает, что именно из-за них терпит убытки. Однако в результате анализа непричесанных данных выясняется, что следующая тысяча должна в три раза больше, чем крупнейшие 5–10 компаний, просто раньше никто на них не смотрел. Я уверена, что анализ больших массивов данных без причесывания таит в себе много открытий.

Сейчас на базе SAP Digital Boardroom мы думаем о создании решения для анализа производственных данных — так называемый SAP Digital Operations Room. За этим будущее.