ИТ в финансовом секторе: системы прогнозирования и поддержи принятия решений

Принятие решений — необходимый элемент в управлении любым бизнесом. Бытует мнение, что оптимальное решение можно принять просто опираясь на интуицию. Но даже явные адепты этого подхода не могут не согласиться с тем, что и подобные интуитивные решения базируются на определенном информационном фундаменте (пусть и не облеченном в форму ИТ-систем). Впрочем, таковых сегодня меньшинство. Накопление и аналитическая обработка данных с помощью ИС стали общепринятым способом поддержки принятия решений в самых разных отраслях. Но бурное развитие ИТ, глобализация экономики и повсеместное проникновение Интернета заставляют корректировать модели принятия решений. Так, компании финансовой отрасли, не забывая о стандартных задачах выпуска управленческой и регуляторной отчетности, все чаще обращаются к средствам прогнозной аналитики, к технологиям Big Data и анализа в реальном времени как важным инструментам принятия оптимальных решений. Чтобы выяснить, как системы поддержки принятия решений (СППР) применяются в финансовых учреждениях России, какие задачи они решают сегодня и какие могут решать в будущем, мы обратились к экспертам из ведущих российских компаний.

Все опрошенные нами эксперты согласны, что прежде чем принимать решение, нужно адекватно представлять себе текущее состояние бизнеса организации. По мнению директора департамента бизнес-приложений Oracle компании “АйТи” Дениса Первушина, актуальными задачами для предприятий финансового сектора являются выпуск стандартных отчетов, планирование финансового состояния бизнеса на определенный период времени с последующим план-фактным анализом, прогнозирование объемов продаж и объемов привлечения средств клиентов, анализ прибыльности как по продуктам, так и по клиентским группам, формирование нескольких сценариев планирования деятельности (“что, если…”) в зависимости от различных внешних факторов. Директор по работе с финансовыми институтами IBM в России и СНГ Алексей Катрич отметил, что наряду с BI в банках все шире используются системы стратегического управления и средства оценки финансовых и операционных рисков (Risk Management), необходимые для соблюдения соответствия новым международным правилам в области управления рисками Базельского комитета по банковскому надзору.

Любопытную классификацию используемых сегодня СППР предлагает директор по работе с финансовым сектором представительства SAS в России и СНГ Юлий Гольдберг: “В первую очередь задачи поддержки принятия решений нужно разделить на системы off-line, когда решение может готовиться несколько часов, дней или даже месяцев, и системы реального времени, когда принимать решение нужно практически мгновенно, пока клиент ещё стоит перед банкоматом, пока он не повесил трубку телефона и говорит с сотрудником контакт-центра и т. п. Первые предназначены для управления рисками (прежде всего кредитными), стратегического и финансового планирования/бюджетирования, сегментации клиентов, организации целевых маркетинговых кампаний. Вторые применяются главным образом для принятия кредитных решений, управления лимитами, а также для предотвращения мошенничества и случаев отмывания средств. Начинает также развиваться направление маркетинговых real-time-кампаний, основанных на событиях и сигналах, приходящих из различных информационных источников, в первую очередь из Web. Наблюдается резкий рост интереса к системам, позволяющим принимать решения в реальном времени прежде всего — это системы в области кредитования, антифрода и маркетинга”.

Близкую по смыслу точку зрения высказал и заместитель генерального директора компании “Прогноз” Сергей Ивлиев: “Все СППР можно условно разделить на две группы. Первая — это стратегические системы по управлению организацией, охватывающие бюджетирование и финансовое управление, интегрированный риск-менеджмент, управление активами и пассивами и т. д. Вторая группа — решения, предназначенные для тактического управления, например системы контроля лимитов, кредитного скоринга и пр.”.

“Если говорить о тенденциях в СППР, — продолжает он, — то стоит отметить, что банки всё более серьезное внимание уделяют стратегическому управлению. Методологической основой такой системы часто является сбалансированная система показателей (Balanced Scorecard), которая широко используется в мировой практике корпоративного управления и заключается в переводе миссии и стратегии организации в набор четко поставленных целей и ключевых показателей эффективности”.

Есть ли место прогнозам

Заметной тенденцией последних лет стало активное использование в СППР методов прогнозной аналитики. Каково соотношение между применением ретроспективных и прогнозирующих инструментов СППР в нашей стране? “Прогнозирование представляет собой, конечно, более сложный процесс, ведь здесь всегда есть неизмеримая неопределенность, — предупреждает Сергей Ивлиев. — По нашему опыту работы большинство решений основывается все-таки на ретроспективных данных. Но доля перспективного анализа, безусловно, будет расти”.

“До недавних пор было принято считать, что аналитика в России замыкается на ретроспективном анализе, традиционных отчетах, пусть даже и многомерных, — соглашается с ним Юлий Гольдберг. — Но сегодня ситуация меняется: в российских банках прогнозирование и предиктивное моделирование завоевало уже довольно прочные позиции. Необходимость смотреть в будущее возникает в самых разных подразделениях: финансисты, чтобы планировать развитие организации, должны уметь предвидеть будущие прибыли и убытки; казначейство, чтобы правильно управлять ликвидностью, должно прогнозировать cash-flow. А риск-менеджмент почти целиком построен на моделировании будущего, поскольку с ним связано само понятие риска. Аналитический CRM прогнозирует поведение клиента, миграцию между сегментами, отклик на те или иные предложения, вероятный отток… В целом без умения пользоваться инструментами прогнозирования и моделирования современный банк вряд ли сможет нормально конкурировать и оставаться прибыльным”.

Если говорить о том, где в финансовом секторе России прогнозная аналитика востребована сегодня больше всего, то по мнению Алексея Катрича — это стресс-тестирование бизнес-моделей, анализ поведения клиентов и рисков банка. В ближайшее время в связи с расширением спектра каналов доступа к клиентам и увеличения “мобильности” банковских сервисов еще более актуальными станут вопросы информационной безопасности.

“При годовом финансовом планировании мы пытаемся учесть сценарии макроэкономического развития: как будет развиваться экономика в целом и в отдельных регионах, что ждет рынки банковских продуктов, — поясняет Сергей Ивлиев. — Инструменты прогнозирования также используются для решения тактических задач, например для управления ликвидностью, кэш-менеджмента. В последние годы повышается актуальность такого инструмента, как стресс-тестирование, который дополняет традиционный риск-менеджмент и предусматривает расчет экстремальных потерь при реализации пессимистических сценариев”.

По словам Юлия Гольдберга, в последние годы среди российских клиентов SAS, применяющих углубленную аналитику, наряду с крупными розничными банками появились и другие учреждения: кредитные бюро, коллекторские агентства и даже микрофинансовые организации. Как ни странно, в силу меньших сроков займов и более частых платежей (еженедельно, а не ежемесячно) статистика в микрофинансовых организациях накапливается гораздо быстрее, чем в традиционных банках, и ее использование дает хорошие результаты. Об этом, в частности, говорит опыт работы SAS с компанией “Домашние деньги”.

“Сегодня усиливается интерес банков к прогнозной аналитике для целей маркетинга и продаж, — указывает руководитель департамента прикладных финансовых систем компании “Инфосистемы Джет” Илья Небесный. — Прогнозная аналитика используется, например, в задачах сегментации клиентов для повторных и кросс-продаж, а также для выделения клиентов, склонных к оттоку”.

Что же сдерживает более широкое применение средств прогнозной аналитики в нашей стране — дефицит специалистов в области углубленного анализа данных, недостаточная корпоративная культура, нерешенность других более актуальных задач, неготовность данных и ограниченность их источников? По мнению Алексея Катрича, в России благодаря довольно высокому уровню образования быстро обучить и найти необходимые кадры вполне возможно. Основными препятствиями в разных организациях могут быть низкая корпоративная культура финансовых институтов, приверженность руководства ряда банков к консервативным методам управления, недостаточная чистота и полнота данных, отсутствие модульной ИТ-архитектуры.

“Хорошая прогнозная аналитика не может быть построена на низкокачественной информации, — убежден Сергей Ивлиев. — Основные трудности на сегодня связаны, пожалуй, с борьбой за качество данных, которая с разной степенью успешности ведется во всех организациях. Общая проблема в том, что данные распылены, разрозненны, в них много “шума”, ошибок и несогласованности. Data Governance, под которым понимается единый процесс управления качеством данных и соответствующими бизнес-процессами, контроль безопасности и информационный риск-менеджмент, практически у всех находится в стадии становления”. По мнению Дениса Первушина, для того чтобы применять средства аналитики (и не только прогнозной) максимально эффективно, необходимо, во-первых, решить задачу построения корпоративного хранилища данных, интегрирующего информацию из различных транзакционных систем банка и других внешних источников, а во-вторых — накопить данные за достаточно большой период времени.

“Не сказал бы, что есть какой-то фатальный сдерживающий фактор, — успокаивает Юлий Гольдберг. — Потребности в аналитике развиваются вслед за усилением конкуренции, снижением ставок, сближением базовых продуктов разных банков по своим характеристикам. Стремление быть клиенториентированным, персонифицировать подход к клиенту, вот что буквально толкает банки в сторону аналитики. Не стоит сбрасывать со счетов и влияние регулирующих органов”.

Что важнее — качество или полнота данных

Далеко не праздный вопрос: насколько важны точность, актуальность и качество исходной информации для решения задач СППР? Может быть, иногда стоит мириться с некоторой недостоверностью исходных данных, получаемых из дополнительных оперативных источников, при реализации процессов скоринга или противодействия мошенничеству, если это обещает повысить адекватность модели и скорость принятия решения? К примеру, директор Institute for Quantitative Social Science Гари Кинг настаивает на том, что одной только полной информации о самом клиенте недостаточно для прогноза его поведения. Оно в существенной степени определяется окружением или контекстом, в котором находится человек (например, сегодняшней погодой или ссорой с женой). А поскольку контекст этот меняется непредсказуемым образом, тот же человек в других обстоятельствах поведет себя совершенно иначе.

Подобной точки зрения придерживается Юлий Гольдберг: “Все традиционно говорят о качестве данных как о стоп-факторе в развитии аналитических технологий. С одной стороны, это так и есть, но лишь отчасти. Качество данных — понятие отнюдь не абсолютное. Если для подготовки отчета перед Банком России или МНС каждый рубль может иметь решающее значение, то в целом ряде задач — управлении рисками или борьбе с мошенничеством — мы имеем дело с вероятностными категориями, и требования к точности данных здесь могут быть существенно снижены. Например, если в БД у 5% наших клиентов по каким-то причинам отсутствует информация о половой принадлежности, о наличии загранпаспорта или автомобиля, то это совсем не значит, что эти параметры нельзя использовать в скоринговой карте. В данном случае с большой долей вероятности таким пробелом в информации можно пренебречь, причем без большого ущерба для точности модели. В последнее время увеличился интерес к использованию в аналитике неструктурированных данных (это текстовые поля всевозможных анкет, данные из Интернета, расшифровка голосовых переговоров и др.). Очевидно, что полной точности в таких данных не добиться, но, как показывает практика SAS, эта информация позволяет существенно увеличить точность моделей”.

“Всегда есть цена ошибки, — напоминает Сергей Ивлиев. — Если потери критичны для бизнеса, то качество принятия решений должно быть соответствующим. Любой банк всегда стремится принимать решения быстро, чтобы отвечать требованиям клиентов. Но при этом нельзя снижать качество принимаемых решений, особенно с точки зрения кредитного риска. Сейчас всё больше банков внедряют так называемый “кредитный конвейер”, который позволяет автоматизировать и оптимизировать все стадии жизненного цикла кредитного продукта. Мы в “Прогнозе” ощущаем острый спрос на подобные решения: только в 2013 г. завершено внедрение четырёх кредитных платформ в крупнейших банках России и Казахстана и начаты проекты ещё в трех”.

По мнению Алексея Катрича, ключевой вопрос здесь в том, каким образом выстраивать хранилище данных (ХД) и как проверять качество и полноту данных. Существуют два крайних подхода — единое хранилище для всех данных банка, построенное в соответствии с банковской моделью, или отдельные хранилища по функциональным подразделениям в зависимости от зрелости каждого такого подразделения. Когда подход выбран, решается задача структурирования данных, а также определяется, какая их часть должна быть максимально достоверной и полной с точки зрения всех требуемых источников данных.

Каково же место корпоративного ХД, а также транзакционных систем и внешних источников (включая облачные) в системах поддержки принятия решений? Насколько сложна интеграция всех этих источников? По мнению Дениса Первушина, корпоративное ХД должно служить основным (и в идеале — единственным) источником для всех аналитических систем предприятия. В нем необходимо интегрировать информацию из всех транзакционных систем банка и внешних источников. При решении указанной задачи возникает ряд сложностей: это и потребность в унификации нормативно-справочных данных из разнородных систем, и необходимость обновления данных в хранилище за приемлемое время, и обеспечение требуемой гибкости структуры хранилища (учета возможных изменений в системах-источниках, а также появления новых источников данных).

Как утверждает Сергей Ивлиев, можно назвать лишь отдельные российские банки, которые полностью решили проблему построения хранилищ с целью использования их для СППР. И нет ни одного банка, который готов был бы отдать свои данные в облако. Доверие к облачным решениям на сегодня не очень высоко. Чем крупнее организация, тем строже она относится к своей информации и местам ее хранения. При этом банки с удовольствием используют всю доступную внешнюю информацию о своих клиентах. Новый тренд — это анализ клиентов на основе социальных медиа, структурированной и неструктурированной информации из Интернета, связанной с клиентом.

“Интеграция данных традиционно является одним из самых сложных этапов внедрения любой аналитической системы, — предупреждает Юлий Гольдберг. — Безусловно, в какой-то ситуации без традиционной технологии ХД не обойтись. Но часть традиционных для ХД задач сегодня решается гораздо проще с использованием технологий высокопроизводительной аналитики, например in-memory — распределенных вычислений непосредственно в оперативной памяти блейд-серверов, куда загружаются терабайты первичной информации по клиентам, сделкам, платежам и в доли секунды проводятся агрегации, считаются сложные показатели, делаются прогнозы, выявляются корреляции”.

Принимать решения вовремя

Обычно принятию решения предшествует этап анализа и обстоятельной оценки всех вариантов и ожидаемых результатов. Но нередко делать это приходится “в боевой обстановке”, при выполнении тех или иных текущих операций. Есть ли в практике российских финансовых учреждений примеры интеграции аналитических процедур в корпоративные бизнес-процессы?

“В качестве частных примеров такого рода можно привести системы оценки кредитного риска заемщиков, — сообщает Сергей Ивлиев. — Аналитические процедуры здесь осуществляются подразделениями риск-менеджмента, а используются они при принятии решений кредитными подразделениями. Еще один пример — трансфертные ставки: они устанавливаются аналитиками финансового управления и затем используются при принятии решений, в том числе для анализа рентабельности сделки или продукта. Новым трендом в России является управление на основе финансового результата, скорректированного на риск (Risk-Adjusted Performance). Возможность управлять и принимать решения с учетом риска, формировать и оценивать показатели рентабельности на уровне клиентов, сделок, отдельных продуктов — именно к этой модели переходит ряд крупнейших российских банков”.

По мнению Ильи Небесного, среди наиболее используемых аналитических процедур, интегрированных в операционные процессы банков, можно выделить оценку кредитоспособности потенциальных заемщиков, а также выявление и предотвращение мошеннических операций. Из перспективных направлений, которые получат развитие в будущем, он отмечает функциональность Real-Time Decisions (RTD). Технологии RTD позволяют встраивать аналитические процедуры в процессы взаимодействия с клиентом. На основе информации, полученной о клиенте в момент его обращения, а также опираясь на его историю взаимодействия с банком RTD в режиме реального времени выдает сотруднику точки продажи подсказку, какой следующий продукт нужно предложить данному клиенту.

“Сегодня, с появлением особого класса технологических систем, таких как Decision Engine, BPM, Campaign Management, появилась возможность встроить аналитику (например, прогнозные модели) непосредственно в процесс обслуживания клиентов или осуществления платежей, — полагает Юлий Гольдберг. — Хорошим примером встраивания аналитики в процессы банка является обработка кредитной заявки клиента: в ходе этого процесса заявка “скорится” с целью определить вероятность дефолта, применяются методы Data Mining, Social Networking, Abnormal Behavior для выявления возможного мошенничества, рассчитывается вероятность отклика на кросс-предложения, чувствительность к процентной ставке и другим параметрам предложения (последнее на тот случай, если банк не сможет удовлетворить запрос клиента в точности)”.

В последнее время очень горячо обсуждаются технологии обработки “больших данных” (Big Data). Какую роль они могут играть в решении задач СППР? Проявляют ли интерес к ним российские заказчики? Есть ли реальные планы их применения в финансовом секторе? По мнению руководителя группы перспективных технологий предпроектного консалтинга Oracle СНГ Андрея Пивоварова, технологии Big Data позволяют существенно расширить возможности существующих ИТ-систем и открывают путь к решению новых классов задач, связанных с обработкой и анализом огромных объемов информации. В частности, каждый банк, который начнет использовать социальные сети для сбора информации о клиентах и более точного их сегментирования, столкнется с проблемой больших данных. Технологии Big Data позволяют не только анализировать контент социальных сетей и интернет-ресурсов, но и решать такие задачи, как борьба с мошенничеством, повышение качества обслуживания клиентов за счет анализа информации из call-центра, оценка кредитных рисков, анализ конкурентов и т. п. Крупнейшие банки США и Европы уже применяют технологии Big Data для противодействия фроду, обеспечения внутренней безопасности, анализа рисков (кредитных, рыночных, операционных), совершенных сделок и Web-логов.

Алексей Катрич полагает, что в настоящий момент клиенты и партнеры только присматриваются к данному направлению, но во многих банках уже создаются организационные подразделения по Big Data как в бизнес-, так и в технологических блоках. “Поскольку на текущий момент рынок Big Data в России еще только начинает формироваться, то высказывать какие-то четкие прогнозы по поводу планов внедрения Big Data-решений не представляется возможным, — соглашается с ним Денис Первушин. — Однако положительная динамика в сфере их применения говорит о том, что интерес к Big Data в ближайшей перспективе будет только возрастать”.

По мнению же Юлия Гольдберга, в большинстве крупных банков уже стартовали проекты в этой области. Не все еще видят и понимают возможности монетизации Big Data, но такая ситуация традиционна для любых новых направлений. Он считает, что в первую очередь работа с большими данными интересна маркетологам.

“Следует помнить, что это весьма затратные технологии и сегодня не все банки готовы вкладывать средства в лицензии, софт, базы данных, персонал, — предупреждает Сергей Ивлиев. — Интерес к ним есть, но пока не очень значительный. Как пример использования технологий Big Data можно привести проект, который мы сейчас реализуем для одного из регуляторов. В нем обрабатываются массивы данных о поведении участников финансового рынка с целью анализа влияния на торги систем высокочастотного биржевого трейдинга (High-Frequency Trading). Объем данных, накапливаемых в подобной базе, превышает 30 млрд. записей в год. К этому массиву добавляется неструктурированная новостная информация из лент информационных агентств”.