Будущее финансового сектора за BigData

В то время как цифровым банкингом пользуется почти половина взрослого населения мира, финансовые учреждения имеют достаточно данных, чтобы переосмыслить методы их работы, чтобы стать эффективными и прибыльными. Возникает вопрос: как извлечь максимальную пользу из своих данных, чтобы не отставать от конкурентов? Для начала давайте сделаем шаг назад, чтобы увидеть более широкую картину, и поговорим о роли больших данных в банковском деле.

Важность больших данных в банковском деле

Согласно исследованию IDC, ожидается, что мировой доход от решений для больших данных и бизнес-аналитики достигнет 260 миллиардов долларов к 2022 году. Неудивительно, что банковское дело — одна из сфер бизнеса, в которой больше всего инвестируется в большие данные и технологии бизнес-аналитики. Большие данные дают вам полное представление о вашем бизнесе — от моделей поведения клиентов до эффективности внутренних процессов. Это означает, что вы можете принимать обоснованные решения на основе данных. Во-вторых, аналитика больших данных в банковской сфере может использоваться для повышения вашей кибербезопасности и снижения рисков. Используя интеллектуальные алгоритмы, вы можете обнаруживать мошенничество и предотвращать потенциально вредоносные действия.

Препятствия на пути внедрения больших данных в банковское дело

Банковский сектор всегда относительно медленно внедрял инновации: 92 из 100 ведущих мировых банков по-прежнему полагаются на мэйнфреймы IBM в своих операциях. Неудивительно, что внедрение финтех-технологий настолько велико. По сравнению с клиентоориентированными и гибкими стартапами у традиционных финансовых институтов нет шансов. Однако, когда дело доходит до больших данных, все становится еще хуже: большинство устаревших систем не справляются с растущей рабочей нагрузкой. Попытки собрать, сохранить и проанализировать необходимые объемы данных с использованием устаревшей инфраструктуры могут поставить под угрозу стабильность всей системы. В результате организации сталкиваются с проблемой увеличения своих вычислительных мощностей или полной перестройки своих систем, чтобы справиться с этой задачей.

Чем больше данных, тем выше риск

Там, где есть данные, есть риск. Ясно, что провайдеры банковских услуг должны быть уверены, что пользовательские данные, которые они накапливают и обрабатывают, всегда оставались в безопасности. Тем не менее, по данным ISACA International, только 38% организаций во всем мире готовы справиться с этой угрозой. Вот почему кибербезопасность остается одной из самых острых проблем в банковской сфере. Кроме того, ужесточаются правила безопасности данных. Но несмотря на указанные проблемы, преимущества больших данных в банковской сфере легко оправдывают любые риски.

5 примеров использования больших данных в банковском деле

Данные, как известно, являются одним из самых ценных активов, которыми может обладать бизнес. Однако важны не сами данные, а то, как вы умеете с ними обращаться, вот несколько примеров приложений для работы с большими данными в банковской сфере.

Персонализированный клиентский опыт

По данным Oracle, 84% опрошенных руководителей согласны с тем, что клиенты ищут индивидуальный подход. В отчете также говорится, что возможность предлагать пользователям то, что им нужно, может принести вам годовой доход на 18% выше. Как и другие компании, банки используют большие данные, чтобы познакомиться со своими пользователями и, как следствие, найти новые способы их обслуживания. Например, имея под рукой полный профиль клиента и исчерпывающие данные о взаимодействии с продуктом, вы можете прогнозировать и предотвращать отток клиентов.

Этот подход используется в American Express. Австралийский филиал компании полагается на сложные модели прогнозирования для предотвращения оттока клиентов. Анализируя данные о предыдущих транзакциях (а также 115 других переменных), они могут идентифицировать счета, которые, скорее всего, будут закрыты в течение следующих нескольких месяцев. В результате организация может предпринять превентивные действия и предотвратить отток клиентов.

Сегментация пользователей и таргетинг

McKinsey считает, что использование данных для принятия лучших решений может сэкономить до 15-20% вашего маркетингового бюджета. Принимая во внимание, что банки тратят в среднем 8% своих общих бюджетов на маркетинг, использование больших данных кажется прекрасной возможностью не только сэкономить, но и получить дополнительный доход с помощью целенаправленных маркетинговых стратегий. Используя большие данные, вы можете лучше понять потребности своих клиентов, выявить проблемы с таргетингом вашего продукта и найти лучший способ исправить существующие проблемы.

Например, Barclays использует так называемое «социальное слушание», то есть анализ настроений, для получения практических сведений из активности пользователей в социальных сетях. Когда компания запустила свое мобильное приложение, многие люди были недовольны тем, что пользователи младше 18 лет не могли переводить или получать деньги. Недовольные клиенты отреагировали, выразив свое разочарование в социальных сетях. Как только данные, собранные Barclays, выявили проблему, компания предоставила пользователям в возрасте от 16 лет доступ ко всем возможностям приложения.

Оптимизация и автоматизация бизнес-процессов

Дальнейшее исследование McKinsey показывает, что около 30% всей работы в банках можно автоматизировать с помощью технологий, и ключ к этому — в больших данных. В результате расширенной автоматизации, банки могут ощутить значительную экономию средств и снизить риск отказа за счет исключения человеческого фактора из некоторых критически важных процессов. JP Morgan Chase & Co. — один из пионеров автоматизации в индустрии банковских услуг. В настоящее время компания использует несколько программ искусственного интеллекта и машинного обучения для оптимизации некоторых своих процессов, включая алгоритмическую торговлю и интерпретацию коммерческих кредитных договоров.

Одна из его программ, называемая LOXM, полагается на исторические данные, полученные из миллиардов транзакций, что позволяет им торговать акциями с максимальной скоростью и по оптимальным ценам, сообщает Business Insider. Этот процесс оказался намного эффективнее, чем ручная и автоматическая торговля, использовавшаяся ранее, и привел к значительной экономии для компании.

Еще одна инициатива по автоматизации на основе данных от JP Morgan Chase известна как COIN. Алгоритм машинного обучения, работающий в частной облачной сети компании, используется для сокращения времени, необходимого для проверки документов: эта задача, которая раньше требовала около 360 000 часов работы, теперь занимает всего несколько секунд. Программа также значительно уменьшила человеческий фактор, связанный с обслуживанием кредита.

Повышенная кибербезопасность и управление рисками

Помимо оптимизации внутренних процессов, как упоминалось выше, JP Morgan Chase полагается на большие данные и искусственный интеллект для выявления мошенничества и предотвращения террористической деятельности среди своих сотрудников. Банк обрабатывает огромные объемы данных для выявления индивидуальных моделей поведения и выявления потенциальных рисков.

Другой ведущий поставщик финансовых услуг, CitiBank, также делает большие ставки на технологии больших данных. Компания инвестирует в перспективные стартапы и устанавливает партнерские отношения с технологическими компаниями в рамках своей инициативы под названием Citi Ventures. Кибербезопасность — одна из основных сфер интересов компании в последнее время.

В рамках этого стратегического шага CitiBank инвестировал в Feedzai — компанию, занимающуюся наукой о данных, которая использует машинное обучение в реальном времени и прогнозное моделирование для анализа больших данных с целью выявления мошенничества и минимизации финансовых рисков для провайдеров онлайн-банкинга.

В результате CitiBank может обнаруживать любые подозрительные транзакции, например, неправильные или необычные платежи, и оперативно уведомлять о них пользователей. Помимо того, что эта услуга полезна для потребителей, она также помогает поставщикам платежей и розничным торговцам отслеживать всю финансовую деятельность и выявлять угрозы, связанные с их бизнесом.

Лучшая производительность сотрудников и управление

Решения для работы с большими данными в банковской сфере позволяют компаниям собирать, анализировать и обмениваться данными о производительности филиалов между отделами в режиме реального времени. Это означает лучшую прозрачность повседневных операций и расширенные возможности для проактивного решения любых проблем.

Так глобальный поставщик банковских услуг, BNP Paribas, собирает и анализирует данные о производительности своих отделений, чтобы выявлять и быстро устранять существующие проблемы в режиме реального времени. Используя программное обеспечение компании для анализа данных, руководители могут получить общее представление о производительности филиала на основе ряда показателей, например, привлечения и удержания клиентов, эффективности и текучести кадров и т.д.

Будущее финансового сектора за BigData

Существует множество примеров того, как большие данные используются в банковской сфере. Согласно официальному документу Global Transaction Banking, 62% банков согласны с тем, что большие данные имеют решающее значение для их успеха. Тем не менее, только 29% из них сообщают, что получают от своих данных достаточную ценность для бизнеса. Банкам необходимо переосмыслить свои операции и принять подходы, основанные на данных, если они хотят оставаться актуальными и конкурентоспособными. Кроме того, большие данные в банковском секторе могут помочь вам улучшить и расширить свой бизнес.