Спецпроекты

На страницу обзора
Сегодня банки заказывают риск-ориентированное планирование на основе прогнозной аналитики

Экономическая нестабильность, рост конкуренции, регуляторное давление — вызовы, которые трансформируют банковскую аналитику, включают технологические инновации в решение привычных задач. О том, как изменилась традиционная аналитика за 20 лет, зачем управленческой системе аналитическая «песочница», как машинное обучение помогает прогнозировать поведение клиентов и управлять прибыльностью и рисками, и что ждет банковскую аналитику после искусственного интеллекта, в интервью CNews рассказал генеральный директор Intersoft Lab Валерий Чаусов.

Валерий ЧаусовIntersoft Lab

CNews: Сейчас банки не жалеют денег на инновации в аналитике, разворачивают «песочницы», чтобы экспериментировать с машинным обучением и продвинутой аналитикой. Как вы считаете, это мода или осознанная необходимость?

Валерий Чаусов: Начну с того, что для решения разных бизнес-задач банки используют разную аналитику. Если необходимо исследовать ограниченные наборы данных и получать аналитические результаты в реальном времени, например, для скоринга или обнаружения мошенничества, нужна оперативная аналитика. Штабные подразделения, скажем, финансовая служба, казначейство или риск-департамент, не так требовательны к скорости получения ответов, но оперируют большими массивами данных, в том числе исторических. Так, для подготовки прогноза качества кредитного портфеля риск-менеджерам необходимы данные по кредитным договорам за 15-20 лет. Для таких задач уместнее традиционная аналитика на основе хранилищ данных.

Валерий Чаусов, Intersoft Lab: Искусственный интеллект постепенно проникает в процессы финансового и риск-менеджмента, которые обслуживает традиционная аналитика

Аналитические «песочницы» (sandbox) были задуманы как площадки для экспериментов, в которые можно загружать данные «как есть» в источниках и обрабатывать их разными аналитическими инструментами. Сегодня эта концепция получила дальнейшее развитие. «Песочницы» оснащают языками для быстрого программирования, инструментами продвинутой аналитики и искусственного интеллекта. Разработанные в «песочницах» модели можно встраивать в информационные системы банка и других организаций. Это некое продолжение идеи табличных процессоров, когда каждый аналитик в своей книге по-своему обрабатывает собранные данные, но на новом качественном уровне.

По этой причине «песочницы» очевидным образом подходят для оперативной аналитики, чтобы ускорять решение компактных аналитических задач для банковских цифровых офисов. Это особенно важно сейчас, когда конкуренция за клиента сосредоточилась в онлайне. Поэтому инвестиции в оперативную аналитику все больше переходят в категорию осознанной необходимости.

Замечу еще, что кризисные времена всегда усугубляют расслоение среди ИТ-потребителей. В инновации и эксперименты в аналитике серьезно вкладываются преимущественно крупные банки, среди которых с переходом в дистанционный формат еще больше усилилась конкуренция.

CNews: А как обстоит дело с проникновением искусственного интеллекта в традиционную аналитику? Есть ли запрос на эти инструменты?

Валерий Чаусов: Эта задача стоит на повестке дня. Искусственный интеллект постепенно проникает в процессы финансового и риск-менеджмента, которые обслуживает традиционная аналитика. Это, прежде всего, финансовое планирование, мониторинг исполнения планов и достижения целей, надзорное стресс-тестирование, прогнозирование основных видов рисков и риск-нормативов. Ключевые функции этих процессов — прогнозирование и сценарное моделирование. Именно в них находят свое применение методы машинного обучения.

У хранилищ данных уже сложился имидж решений, которым могут доверять финансисты и бухгалтеры

Заказчики такого ПО — руководители и сотрудники риск-департамента, казначейства, финансовой службы и бухгалтерии — относятся к инновациям с большой осторожностью. Им ближе устоявшиеся консервативные подходы. У хранилищ данных (ХД) уже сложился имидж решений, которым могут доверять финансисты и бухгалтеры. И это, как ни странно, помогает продвижению технологических инноваций в процессы, которые контролируют эти менеджеры.

Дело в том, что запросы прикладных специалистов всегда предполагают решение конкретных проблем. Задача ИТ-компании — предложить заказчику инструментарий, который наилучшим образом реализует его ожидания. И когда использование машинного обучения в прогнозировании дает результат там, где не справляются статистические методы, в управленческой системе появляется своя маленькая «песочница».

CNews: В чем особенность аналитической «песочницы» для управленческого ПО? И кто с ней работает?

Валерий Чаусов: «Песочница» — это универсальный инструмент, по большому счету, подойдет любая. Но отличия все же есть. Во-первых, среду «песочницы» для управленческой системы можно организовать как выделенную часть ХД, в отличие от «песочниц» для оперативной аналитики, которые обычно являются автономными. Это упростит использование данных, накопленных в ХД, поможет избежать дополнительных расходов на инфраструктуру. Во-вторых, состав задач, которые предстоит решать с помощью «песочницы» в управленческой системе, ограничен. Это позволяет снизить требования к инструменту и адаптировать его для прикладного использования. Благодаря этому работать с инструментом смогут не только универсальные дата-сайентисты, но и прикладные аналитики, выросшие внутри риск-службы или финансового департамента. Разумеется, после соответствующего обучения.

Валерий Чаусов, Intersoft Lab: Прогноз поведения клиентов — основа для решения целого ряда задач помимо разработки персональных предложений и новых банковских услуг

Поэтому мы в составе RCPM-платформы «Контур» предлагаем отдельный модуль, который помогает быстро стартовать прогнозирование при внедрении решений для управления финансами и рисками. Мы используем внешнюю по отношению к ХД «песочницу». В чем ее особенность? Для решения прогностической задачи, которая является ключевой в построении риск-ориентированного управления эффективностью в банке, уже задан состав данных, необходимых для загрузки из ХД и других внешних источников, отобран и преднастроен первоначальный набор методов прогнозирования.

CNews: Какую прогностическую задачу вы называете ключевой в управлении прибыльностью и рисками?

Валерий Чаусов: Задачу многофакторного прогнозирования поведения клиентов и контрагентов. Сегодня много говорят о создании моделей покупательского поведения клиентов, делая акцент на том, что еще можно предложить клиенту банка. Мы же смотрим на банковский бизнес с позиции его эффективности. Поэтому нас интересует не только задача восприимчивости клиента к новым предложениям. Для управления эффективностью важен прогноз поведения клиента при обслуживании продуктов, которые он уже выбрал: кредитов, вкладов и прочего. Тот, кто владеет этой информацией, обладает прогнозом состояния банковских портфелей и может предсказать изменение самых разных показателей деятельности банка, включая оценку достаточности капитала, рентабельность капитала под риском, ликвидность и прибыльность. Прогнозирование, контроль и регулирование таких бизнес-метрик — важнейшая задача риск-менеджеров и финансовых руководителей.

Самая востребованная задача — прогнозирование состояния «старых» и моделирование «новых» портфелей при бизнес-планировании

Бизнес-метрики реагируют на изменение макроиндикаторов экономической среды, в которой функционирует банк, и вторичных факторов, которые отражают реакцию клиентов и контрагентов банка на изменение макроэкономических показателей. Центральное для платформы «Контур» приложение «Прогнозирование и моделирование» как раз и позволяет с помощью модуля «Прогнозирование риск-факторов» предсказывать поведение клиентов и контрагентов для разных вариантов развития макроэкономической ситуации и готовить на их основе различные сценарии прогнозирования. Ну а дальше встроенная в приложение машина прогнозирования выполняет расчеты будущего состояния портфелей банка и производных финансовых и риск-показателей для разных сценариев поведения рынка и клиентов.

CNews: Насколько реально, что не клиентские менеджеры, а финансисты и риск-службы станут заниматься прогнозированием поведения клиентов?

Валерий Чаусов: Прогноз поведения клиентов — основа для решения целого ряда задач помимо разработки персональных предложений и новых банковских услуг. Я уже перечислил довольно много областей применения таких прогнозов, можно добавить к ним еще подготовку отчетности по значимым видам рисков, расчет трансфертных ставок по заданному спреду доходности прогнозного состояния портфелей.

Действительно, прикидки поведенческих характеристик финансовая служба и мидл-офис обычно получают от подразделений, работающих с клиентами. При этом финансисты часто сетуют, что хотели бы иметь собственную, альтернативную версию такого прогноза. Как минимум, чтобы аргументированно оппонировать клиентским блокам при согласовании и корректировке бизнес-планов. Хотя, конечно, прогноз досрочного погашения кредитов, оттоков депозитов и тому подобные клиентские характеристики для штабных подразделений не самоцель, а расчетные параметры для решения собственных задач.

CNews: Какие задачи на основе прогнозной функции больше всего интересуют штабные подразделения?

Валерий Чаусов: Самая востребованная задача — прогнозирование состояния «старых» и моделирование «новых» портфелей при бизнес-планировании. Она входит в раскрученную аналитиками категорию BPF — budgeting, planning and forecasting — и ее назначение не приходится разъяснять. В нашем случае автоматизация прогнозирования состояния портфелей — логичное продолжение традиционной функциональности платформы «Контур» для финансового планирования. А наиболее популярная тема, по которой к нам поступает много вопросов, — прогнозирование банковских нормативов.

Добавлю, что приложение «Прогнозирование и моделирование» — это универсальный инструмент, он не ограничивает состав задач, которые можно автоматизировать на его основе. Но специфика наших заказчиков в том, что они не верят на слово. Им важно получить уверенность, что их проблема будет решена, и понять, как это будет сделано. Поэтому для прикладных пользователей вместе с приложением поставляются предметно-ориентированные шаблоны — заготовки для решения типичных задач на основе прогнозной функции.

Валерий Чаусов, Intersoft Lab: Пройдет не один год, прежде чем ИИ станет стандартом прогнозирования

Допустим, нужно построить ГЭП ликвидности или процентный ГЭП. Достаточно взять шаблон для настройки ГЭПов. В нем уже заведены нужные показатели, реализованы алгоритмы их расчета на основе прогнозных данных, готовы интерфейсы для анализа результатов. Остается только сконфигурировать задачу «под себя»: выбрать нужные показатели, назначить им предпочтительные методы вычисления и, пожалуйста, готово рабочее место сотрудника казначейства. Конечно, я упрощаю, но подход именно такой.

CNews: Какие решения вы можете предложить уже сейчас?

Валерий Чаусов: Сейчас мы предлагаем восемь готовых шаблонов. На базе одного из них можно настроить несколько прикладных задач. Но встречаются и более сложные конфигурации, когда задача объединяет несколько подзадач, каждая из которых описана на базе своего шаблона. Например, мы настроили решение для поддержки внутренних процедур оценки достаточности капитала в банке. С его помощью можно выполнять стресс-тестирование экономического капитала, прогнозирование нормативов достаточности капитала, оценку рентабельности капитала под риском, моделирование этих показателей по единым стресс-сценариям.

Для оценки достаточности капитала вычисляется прогноз по всем значимым видам рисков, включая процентный риск банковской книги, риск ликвидности, кредитный, рыночный и операционный риски. Для каждого вида риска прогнозируются непредвиденные потери, которые формируют экономический капитал, и ожидаемые потери, определяющие нагрузку на регуляторный капитал. Решение использует три шаблона, на основе которых настроено шесть задач.

CNews: Давайте вернемся к прогнозированию поведения клиентов. В чем преимущества использования методов машинного обучения для этой задачи?

Валерий Чаусов: Роль машинного обучения в прогнозировании поведения клиентов, безусловно, важная, но ограниченная. ML-методы помогают выявлять скрытые закономерности между риск-факторами, чтобы использовать их в модели прогнозирования. Это подчас весьма неожиданные корреляции, лежащие за границами экспертных оценок и статистических методов. Например, наши специалисты, подбирая методы для прогнозирования поведенческих характеристик, обнаружили влияние индекса потребительских цен на ухудшение качества кредитов, выданных корпоративным клиентам из промышленного сектора. Такие невидимые человеку, но доступные машинному интеллекту зависимости, позволяют повысить обоснованность прогнозов. Потому что их подкрепляют не только мнения, но и факты, вскрытые с помощью ИИ. Поэтому мы рекомендуем прикладным специалистам, хотя бы попробовать использовать ИИ в прогнозировании поведения клиентов и контрагентов.

Экономическая нестабильность, рост конкуренции, переход к дистанционным форматам, регуляторное давление — те триггеры, которые прямо сейчас запускают в банках цифровую перестройку процессов принятия управленческих решений

Замечу еще, что наше решение наряду с методами машинного обучения предлагает для прогнозирования и статистические и вероятностные методы, если к ним у заказчика больше доверия или для обучения машинных методов недостаточно данных. И очень важно не забывать, что любые модели прогнозирования подлежат регулярной валидации, чтобы лучше соответствовать меняющейся ситуации. А если используется ИИ, то модель придется дообучать.

CNews: По данным Gartner, одним из ключевых препятствий для использования ИИ являются сложности интеграции в существующую ИТ-инфраструктуру. Как вы решаете эту проблему?

Валерий Чаусов: Чисто технически такой проблемы в «Контуре» не существует. Рекомендованный пакет ML-методов уже подключен в наш модуль прогнозирования, и мы даем инструментарий, чтобы просто и быстро добавлять новые методы, когда старые перестают обеспечивать качественный прогноз.

Гораздо более существенным препятствием могут оказаться данные для прогнозирования, точнее их отсутствие. Дело в том, что методы машинного обучения, прежде всего нейронные сети, чувствительны к глубине и плотности данных для обучения. Обучающий пример должен содержать, как минимум, десятки тысяч записей. Если у банка имеется хранилище данных, где зафиксирована история его взаимодействия с клиентами, то проблем с обучением нейронной сети не возникнет. Иначе с использованием ИИ для управления прибыльностью и рисками придется повременить, пока необходимая статистика будет собрана или накоплена.

CNews: Intersoft Lab больше 20 лет автоматизирует управление в банках. Как менялся состав решаемых задач?

Валерий Чаусов: Запросы наших заказчиков год от года только расширяются. Есть задачи, которые банки заказывают реже, есть более востребованные, но управленческий цикл замкнут, из него нельзя выкинуть какое-то звено. Можно только последовательно закрывать еще не автоматизированные участки, совершенствовать методологию и технологии, выводить их на новый качественный уровень. Например, пик спроса на автоматизацию управленческой отчетности в банках пришелся на 2004-2006 годы. Спустя 15 лет мы продолжаем делать такие проекты. Только теперь это не просто автоматизация расчета финансового результата, но и его скользящее прогнозирование. Или другой пример: еще 10 лет назад в финансовом планировании доминировал подход «от достигнутого», и эту технологию поддерживали ИТ-приложения. А сегодня банки заказывают риск-ориентированное планирование на основе прогнозной аналитики. И для этого необходимы другие инструменты и платформы. Что касается информационной поддержки интеграции риск-функции с управлением прибыльностью, то здесь банки только в начале пути. Пройдет не один год, прежде чем ИИ станет стандартом прогнозирования.

Если у банка имеется хранилище данных, где зафиксирована история его взаимодействия с клиентами, то проблем с обучением нейронной сети не возникнет

CNews: Есть ли у банковской аналитики будущее после ИИ?

Валерий Чаусов: Внедрение инновационных технологий — это всегда ответ на новые вызовы. Экономическая нестабильность, рост конкуренции, переход к дистанционным форматам, регуляторное давление — те триггеры, которые прямо сейчас запускают в банках цифровую перестройку процессов принятия управленческих решений. Они инициируют поиск новых инструментов, чтобы ускорить, упростить, снизить себестоимость управленческих процессов, выявить скрытые источники доходов, оптимизировать расходы, минимизировать риски, повысить прибыльность. Прогресс не остановить. Банковскую аналитику ждет еще много ИТ-инноваций. Уверен, что платформа «Контур» поможет нашим заказчикам достойно конкурировать на банковском рынке.