Статья

Что банкиры думают об инновациях в ИТ

ИТ в банках
мобильная версия
, Текст: Светлана Робенкова / Фото: photogenica.ru

В свете продолжающегося экономического кризиса банковская отрасль ощущает падение темпов информатизации. Участники рынка в своих прогнозах называют цифру не менее 20%. Стремясь снизить издержки, банки приступили к оптимизации ИТ-инфраструктуры. Для удержания клиентов они перемещают вектор внимания на ДБО. Каковы новые возможности в сложных экономических условиях и что банки намерены предпринять, чтобы оставаться на плаву, обсудили участники секции «Банки. Новые точки роста при сокращении ИТ-затрат» в рамках CNews Forum 2016.

Эдуард Федечкин: Неблагонадежных клиентов можно отсекать еще на этапе создания документов

О возможностях современных ИТ-решений для обеспечения безопасности банков рассказал Эдуард Федечкин, ведущий эксперт по системам бизнес-аналитики компании «Терн».

CNews: На чем специализируется ваша компания?

Эдуард Федечкин: Компания «Терн» специализируется на создании и внедрении систем бизнес-анализа, прогнозной аналитики и автоматизации бюджетирования. Мы работаем уже 25 лет и за это время успешно реализовали более 500 самых разных проектов, многие – в российских банках.

CNews: Какие ключевые критерии вы используете при анализе системы безопасности банков?

Эдуард Федечкин: В области экономической безопасности банков мы разработали решения, которые, к примеру, позволяют отсекать неблагонадежных клиентов еще на этапе создания документов, снижая риски невозврата кредитов. Наши решения могут использовать предсказательную модель, учитывающую множество факторов потенциальной ситуации и выдающую оценку ее развития. Математическое моделирование также позволяет вычислять мошеннические операции. В своих решениях мы предоставляем комплексную аналитику по предприятию-контрагенту, консолидируя информацию из различных источников: ЕГРЮЛ, «Решений Арбитражного суда», ФНС и даже архивов СМИ. Обладая этой информацией, можно оперативно узнать, не числятся ли за компанией непогашенные долги, не находится ли она в стадии банкротства или в списке недобросовестных поставщиков.

CNews: Каковы этапы аналитического исследования?

Эдуард Федечкин: Аналитическое исследование начинается с постановки задач, которые хочет решить банк, будь то снижение невозвратов по кредиту или повышение эффективности маркетинговых акций. Далее мы верифицируем, очищаем и загружаем данные в аналитическое хранилище или тематические витрины. Источниками данных могут быть CRM, АБС, другие имеющиеся системы или внешние ресурсы. Дальнейшие шаги зависят от возможностей системы: может создаваться прогнозная модель какого-либо события, либо аналитические сводки отображаются на информационных панелях руководителя (аналитика), где и проходит их дальнейшее изучение под разными ракурсами. В ходе исследования аналитики и руководители формулируют различные гипотезы, реалистичность которых проверяется с помощью визуального анализа и математического моделирования. Результатом исследования является набор рекомендаций по решению поставленных задач. Аналитические системы позволяют значительно сократить время на подготовку и сведение данных для анализа и обеспечивают целостность и непротиворечивость данных, что помогает специалистам оперативно и эффективно анализировать ситуацию и формулировать более точные рекомендации.

CNews: Как осуществляется прогнозирование рисков? Какие инструменты используются?

Эдуард Федечкин: В составе наших решений используются передовые продукты для предсказательного моделирования. Tibco SpotFire позволяет быстро анализировать большие объемы информации и строить предсказательные модели как при помощи встроенных технологий, так и специального математического «движка», совместимого с языком R. Отличительная черта SpotFire – это мощная визуализация множеств, геоаналитика и возможность для конечного пользователя самостоятельно исследовать информацию и превращать ее в знания.

В основе SAP PredictiveAnalytics, известного многим под старым именем – KXEN лежит статистическая теория обучения, предложенная Владимиром Вапником. Использование такого подхода не требует от бизнес-пользователя специализированной компетенции в области предсказательного моделирования и позволяет значительно сократить время разработки предсказательной модели и обеспечить ее высокую точность как на малой выборке, так и на больших объемах данных.

Прогнозирование рисков, в том числе риска невозврата кредита, можно условно разделить на два этапа. Сначала на основе исторических данных о клиентах банка создается, тестируется и оптимизируется скоринговая модель. Затем эта модель может быть применена к каждому потенциальному клиенту или списку клиентов, а также встроена в приложение, которое, например, установлено на компьютере менеджера, заполняющего анкету потенциального клиента. После того, как введены новые данные, они проверяются системой и на экран выводится результат анализа: скор-балл надежности или рекомендация «утвердить» или «отказать».