Финтех - Сюзан Чишти

Банковские услуги и страхование – это та отрасль, на которую долгое время смотрели, как на слабо работающую в области инноваций. Для финтех-компаний, которые хотят совершить прорыв в тупиковой ситуации, ставки высоки, и им необходимо следовать жестким правилам. Макроэкономическая среда позволила традиционным продуктам приносить достаточно прибыли, а конкуренция обычно основывалась на цене и репутации, но редко – на инновациях.

Банковские и страховые компании в прошлом предлагали и консультационные услуги, и консультационные продукты. Обычно цены выставлялись за продукты, в то время как консалтинг традиционно рассматривался как бесплатная услуга. Сегодняшние почти нулевые процентные ставки и растущая потребность в капитализации банков делают такую деятельность еще более проблематичной: привлечь потребителей платных услуг чрезвычайно трудно.

Такая история вопроса заставляет банки в ускоренном режиме трансформировать свои бизнес-модели и находить новые формы источников доходов. Теперь мы обратим более внимательный взгляд на два наших первоначальных наблюдения.

Финансовая грамотность рассматривалась как гарантия того, что розничные клиенты будут пользоваться услугами и продуктами банков и не станут полагаться на другие возможности финансирования (например, взаимное кредитование между физическими лицами). Существовало общее мнение, что образование и опыт банковских менеджеров по работе с клиентами позволят им знать и понимать потребности и окружение своих клиентов, подбирать правильные продукты и, соответственно, быть доступными в важные моменты жизни. Выходило, что единственный выбор розничных клиентов – доверие своим банковским консультантам.

Сегодня, тем не менее, клиенты могут помочь себе, получая информацию на различных онлайн-форумах и сайтах сравнения. Часто клиенты приходят в отделение банка с готовыми распечатками о том, сколько они могут заработать на конкуренции. И все же именно финансовая неграмотность – одна из причин просроченных кредитов (ПК). Большое количество банкротств малых и средних предприятий (МСБ) вызвано слабой финансовой грамотностью. Как следует из годовых отчетов крупных банков, нестабильные курсы обмена валюты и проблемная экономика увеличивают процент ПК практически на всех рынках.

Пример | Онлайн-банкинг в Австрии

Австрия сравнительно хорошо развита, если говорить о банковских услугах, и статистика онлайн-банкинга похожа на показатели большинства рынков Центральной и Западной Европы. Например, крупнейший банк Австрии из состава Raiffeisen Banking Group обслуживает 1,6 млн клиентов, пользующихся онлайн-банкингом. Из 700–800 000 ежедневных операций, которые уже обрабатывает банк, 25 % осуществляются с мобильных устройств[134].

Из 507 млн граждан Европейского Союза 85 % являются банковскими клиентами[135], 44 % из которых пользуются онлайн-банкингом[136]. Согласно интервью с представителями банков, примерно 10 % пользователей онлайн-банкинга – продвинутые пользователи, которые регулярно осваивают передовые возможности и действуют как первопроходцы. Взяв таких клиентов в качестве целевой группы для инноваций онлайн-банкинга, насчитаем 20-миллионную целевую аудиторию в 28 странах – участниках ЕС.

Лидером австрийского рынка инноваций в онлайн-банкинге является ERSTE Group, которая недавно запустила свой сервис онлайн-банкинга George и предлагает широчайший диапазон возможностей. Вдобавок банки экспериментируют с многоканальными услугами, такими как открытие счета по электронной почте и телефону или предоставление финансовых консультаций по видеосвязи (см. таблицу 1).

Прогнозы движения денежных средств частных клиентов

В сложившейся ситуации важно прогнозировать движение денежных средств текущих счетов частных клиентов. Прогнозы будут делаться при помощи алгоритмов прогнозирования и основываться на статистических данных об операциях, которые хранятся в банке. Прогноз генерируется без участия пользователя и является частью профиля клиента в системе онлайн-банкинга. Планируется, что прогнозы будут предоставляться в качестве «программного обеспечения как услуги» и внедряться как white-label решение [продукт или услуга, производимые одной компанией (производителем) и продающиеся другой компанией под другим брендом (специалистами по маркетингу)].

Группировка операций находится в самом ядре таких прогнозов. Каждая группа может моделироваться по-разному, а все модели групп вместе могут быть объединены, чтобы агрегировать оценки. Группы формируются на основании различных параметров, например:

• контрагент;

• признак (доход или расход);

• категория (зарплата, квартплата, еда, образование, досуг и т. д.);

• тип (точка продаж, кредитная карта, распоряжение о постоянных платежах и т. д.);

• геолокация.

Динамическая группировка (см. рис. 1) также может основываться на неоднородности показателей[137], но данные об операциях обычно имеют достаточно характерную структуру, чтобы удовлетворять указанным параметрам.

Стандартная модель генерирует серединное значение и значения, соответствующие 0,05/0,25/0,75/0,95.

Как правило, группы, используемые в качестве выборки, слишком малы, чтобы предоставлять точную статистику, поэтому принимается непрерывная выборка и используется квантильная интерполяция. Наша модель основывается на средних значениях вместо серединных значений и/или рассчитывает взвешенную оценку, где основной акцент делается на базе новой информации.

Существует множество различных техник, применимых к динамическим рядам, например:

• симуляция списания средств ATM по скрытой модели Маркова;

• иерархические динамические ряды (например, вложенные категории операций, формирующие иерархию);

• копула (связка) для симуляции влияния события на многочисленные группы и межгрупповые зависимости.

В 2010 г. компания SAP выпустила свой продукт HANA, который является высокопроизводительной системой управления реляционной базой данных, загруженной в оперативную память. Платформа HANA поставляется с инструментами прогнозирования, включающими многочисленные алгоритмы и R-интеграцию. Она может быть интересной альтернативой разработке системы с нуля[138]. Oracle предлагает похожие платформы и решения, например колоночные прогнозы и концепции автоматизированного анализа данных[139].

Исследования и тестирование

Тестирование в настоящее время осуществляется на двух разных реальных наборах данных. Первый включает 3741 операцию, охватывающую семь лет одного текущего счета, а второй – 434 операций, полученных из статистики трехлетнего текущего счета. В рамках наборов данных можно взять последовательность, включающую информацию за два года в качестве входных данных, и сравнить результаты с существующими данными (см. рис. 2).

Алгоритмы прогнозирования тестировались на семилетних статистических данных. Было обработано пошаговое введение двухлетних данных, и финальные прогнозы сравнивались с реальными данными. Результат, показанный на рис. 2, получен из расчета стандартной модели (порядковая статистика). Видно, что прогнозы переоценивают негативные и позитивные тенденции, что может быть в дальнейшем скорректировано при помощи взвешенных оценок. Когда используются взвешенные оценки, разница между результатами тестирования на исторических данных и реальными данными может потребоваться, чтобы запустить на используемых весах алгоритм оптимизации. Таким образом можно задать оптимальный вес для каждого отдельного пользователя, но остается риск новых данных, которые должны учитываться и доминировать над старыми данными.

Размышления о бизнесе и интеграции

Интеграция с онлайн-банкингом может быть многообразной, как показывает структура ценообразования на рис. 3. Прогноз движения денежных средств, например, может стать источником для интеллектуальной семантической поисковой машины. Он также может быть частью серверных продуктов и так называемых частных финансовых управляющих (ЧФУ).

Структура ценообразования, указанная в таблице 2[140], может следовать обычным моделям «ПО как услуга»:

• предварительная плата взимается за установку системы. Благодаря требованиям к защите данных систему придется развертывать в центрах обработки данных с высокими требованиями безопасности или непосредственно в помещении банка. Также необходима высокая степень адаптации;

• ежемесячная или ежеквартальная комиссия за предоставление ресурсов может быть достаточно низкой и обеспечивать базовый уровень услуг и затрат на инфраструктуру. Если контракт предполагает автоматическое обновление возможностей, комиссия может оказаться выше;