Последние годы банки активно цифровизируются, применяя современные технологии в классических прежде банковских продуктах. Перечень таких технологий широк, одной из наиболее используемых являются алгоритмы машинного обучения. Машинное обучение в финансах может творить чудеса, даже если за этим нет никакого волшебства. Однако успех проекта машинного обучения больше зависит от создания эффективной инфраструктуры, сбора правильных данных и применения правильных алгоритмов. ML уже активно применяются в:
– кредитном скоринге,
– прогнозировании дефолта организаций,
– антифрод аналитике,
– моделировании поведения клиентов банка (NBO, отток клиентов),
– роботы-помощники,
– анализе различных текстовых документов и изображений и так далее.
Поэтому актуальность изучения возможных угроз подобных технологий и столь быстрой трансформации финансовых организаций весьма актуальна.
Во-первых, ускоренная цифровизации банковского сектора, получившая дополнительный импульс в условиях пандемии, приводит к повышению запросов со стороны некоторых категорий клиентов. Например, все чаще приходится слышать от наших соотечественников, посетивших США, страны Европы, о том, что наши банки заметно опережают своих западных конкурентов в уровне цифровизации услуг. Из-за этого у банковских клиентов появляются высокие ожидания от банков, которые становится все сложнее осуществить небольшим финансовым организация, что может повлечь за собой если не сокращение количества небольших и средних банков в ближайшие 5–10 лет, то как минимум серьезное падение их доли в массовом сегменте.
Во-вторых, уже сейчас крупнейшие банки страны автоматизируют процесс создания и внедрения ML моделей. Уже тестируется AutoML от Сбербанка и создана фабрика по производству моделей в ВТБ. Тем самым крупные банки создают себе прочные фундамент на будущее, данные технологии дадут возможность быстро внедрять модели машинного обучения в любой банковский процесс без просадок в качестве оказания услуг и возникновения каких-либо технологических сбоев. В то время, пока в отстающих банках процесс внедрения моделей в IT архитектуру носит эпизодический характер, где сроки реализации и особенности внедрения меняется в зависимости от задач проекта.
В-третьих, на рынок банковских услуг начинают постепенно выходить крупные IT гиганты. Яндекс и Озон уже активно развивают свое финтех направление. Основным преимуществом данных компаний может стать:
– Наличие обширного количества различных клиентских данных, собранные за последние 5–10 лет, которым обладают не все крупные банки.
– Более гибкая структура компаний, что позволяет быстрее реагировать на новые вызовы рынка.
– Больший опыт развития IT инфраструктуры компании и наличие собственных уникальных разработок и кадров.
Благодаря этим факторам, IT компаниям вроде Яндекса будет легче строить экосистему вокруг своих сервисов, центром которой может стать появления классических банковских услуг. Появление подобных экосистем усложняет отказ пользователя от услуг компании, что сильно повышает конкуренцию банков за клиентов. В 2021 году Яндекс был близок к покупке Тинькофф банка, однако сделка не состоялась. В итоге Яндекс все-таки получил банковскую лицензию благодаря покупке банка «Акрополь», скорее всего первые кредитные продукты Яндекса появятся уже в 2022 году, и они будут связаны с экосистемой компании (подписка «Плюс»). Также компания уже внедрила собственный сервис безналичной оплаты Yandex Pay.
Все это ставит классические банки в сложное положение: с одной стороны они должны отвечать новым технологическим вызовам, внедряя новые цифровые сервисы, основанные на ML; быть более гибкими во взаимодействии с клиентами, как это делают Big Tech компании. Но с другой стороны банки должны быть в определенных рамках в соответствии со стандартами безопасности и продолжать следовать рекомендациям регулятора.
По нашему мнению, банки со слаборазвитой технологической средой (ML в том числе) должны:
– Принять для себя четкие стратегии развития ИИ в банке.
– Решить проблему со слабой и негибкой технологической базой и устаревшей операционной моделью.
– Наладить взаимодействие между бизнес-подразделениями и ИТ-подразделениями банка. Изолирование бизнес и ИТ команд приводит к задержкам внедрения технологических проектов и неэффективному расходу средств.
– Строить централизованные базы данных. На практике базы данных по-разному строятся и собираются в зависимости от подразделения банка. Без единых централизованных баз данных возникают сложности при любом анализе, построении моделей и генерации рекомендаций.
– Банки должны переосмыслить свою модель взаимодействия с клиентами. Из-за возросших ожиданий со стороны клиентов банки должны научиться предугадывать их желания и скрытые потребности. В этом может помочь создание интегрированных продуктов на основе ML-рекомендаций в зависимости от клиента, то есть придется отказаться от стандартизированных продуктов.
– Из-за появления конкуренции со стороны финтех компаний банками стоит задуматься над тем, чтобы комбинировать банковские продукты с небанковскими.
– Банки должны продолжать развивать омниканальные достувы, а также создавать партнерства с небанковскими организациями для привлечения новых клиентов и развития собственной экосистемы.
Важный этап при построении любого ИТ продукта в банке (ML модели в том числе) — это переход от стандартных функциональных подразделений банка к межфункциональным командам. Как правило, подобные команды состоят из специалистов со стороны бизнес-подразделения и ИТ блока. В банке подобных команд может быть десятки и сотни, каждая команда имеет собственный годовой бюджет, разрабатывает/сопровождает свой собственный продукт, имеет четко прописанные задачи и сроки их реализации. Введение подобных позволяет повысить гибкость и скорость реализации проектов, снижает организационную раздробленность и упрощает коммуникацию между заказчиков и разработчиков продукта внутри банка.
Литература:
- Чесалов, А. Ю. Цифровая трансформация / А. Ю. Чесалов. —: Издательские решения, 2020. — 350 c.
- Перцева, С. Ю. Цифровая трансформация финансового сектора / С. Ю. Перцева. — Текст: непосредственный // Инновации в менеджменте № 18. — Москва: МГИМО, 2018. — С.
- Эскиндаров, М. А. Новые траектории развития финансового сектора России / М. А. Эскиндаров, В. В. Масленников. — Текст: непосредственный //. — Москва: Финансовый Университет при Правительстве РФ, 2019. — С.
- Использование AI в банке — подходы, области применения, кейсы. — Текст: электронный // vc.ru: [сайт]. — URL: https://vc.ru/finance/209219-ispolzovanie-ai-v-banke-podhody-oblasti-primeneniya-keysy (дата обращения: 28.12.2021).
