Финансы, страхование

Три года назад в банке «Уралсиб» был организован департамент искусственного интеллекта и анализа данных (ArtificiaI Intelligence and Data Analytics Office) – AIDA. Инициатор создания этой структуры и ее руководитель, старший вице-президент банка Юрий Сирота позиционирует себя как Сhief Аnalytics Оfficer. Но по существу его деятельность близка концепции CDO 4.0, недавно предложенной аналитиками Gartner. Руководитель AIDA видит основную задачу своего подразделения в том, чтобы проекты в области продвинутого анализа данных и искусственного интеллекта впрямую влияли на прибыльность банка, его конкурентоспособность.

Юрий Сирота, номинант премии CDO Award 2020, рассказывает о своем детище, о том, как с помощью AIDA в банке формируется культура data-driven, и каким образом проекты департамента обеспечивают реальную монетизацию данных.

- Как создавалась AIDA?

Я пришел в банк «Уралсиб» с идеей организовать структуру, целью которой стало бы развитие сервисов монетизации данных и внедрение подходов data-driven к ведению бизнеса. На тот момент это была действительно инновационная идея.

За три года пройден немалый путь. Чтобы прийти к успеху, недостаточно иметь инструменты и знания, необходимо еще суметь внедрить сервисы, то есть решить проблемы реализации в конкретной продуктивной среде, преодолеть сопротивление инновациям. Путь непростой, но мы успешно справляемся с трудностями.

- Но примерно в это же время многие компании организовывали структуры для работы с большими данными. В чем уникальность и инновационность AIDA?

Когда мы говорим о big data, то чаще всего подразумеваем хранение, упорядочивание, качество данных, глоссарий, предоставление данных. Основная задача AIDA – не big data, а big monetization, или big value data. Монетизация не обязательно достигается через аналитику больших данных. Успех подразделения определяется полученной банком прибылью, а не количеством накопленных петабайтов данных, не дороговизной оборудования или числом сотрудников.

- То есть в аббревиатуре AIDA ключевое слово – не data, а analytics?

Analytics и intelligence. Продвинутая аналитика – одно из направлений раздела знаний об искусственном интеллекте. Другие направления – применение методов ИИ для интеллектуальной оптимизации процессов, чат-боты, компьютерное зрение, обработка естественных языков, то есть функции, обычно присущие человеку. Безусловно, монетизация по большей части относится к аналитике данных, но мы работаем и с другими направлениями искусственного интеллекта.

- В чем инновационность AIDA с точки зрения оргструктуры?

Инновации почти всегда встречают сопротивление. Чтобы его преодолеть, нужен организационный ресурс, а чтобы этот ресурс работал, необходима значимая позиция внутри банковской оргструктуры. Поэтому AIDA находится в блоке стратегического развития и курируется заместителем председателя правления банка. Неправильно, когда такие структуры входят в состав какого-то департамента, потому что тогда трудно распространять инновации на всю организацию.

В AIDA три основные компетенции: инженеры данных, специалисты BI и аналитики данных. Первые подготавливают данные, вторые готовят аналитические приложения, третьи анализируют данные и строят математические модели. Надо сказать, что подготовка данных – это 90% всех трудозатрат, хотя основная ценность приходится на оставшиеся 10%.

В состав AIDA входит центр компетенций BI, который занимается созданием удобных аналитических приложений со встроенной аналитикой (augmented analytics). Благодаря работе этого центра пользователи, не имеющие навыков математических исследований, получают в свое распоряжение встроенные в дружественный интерфейс предcказательные и предписательные модели, а не только ретроспективную отчетность. Так мы продвигаем методы продвинутой аналитики «в массы».

Успех любого проекта AIDA – кросс-функциональная команда, во главе которой стоит бизнес-заказчик. Он понимает, откуда можно извлечь выгоду, подсвечивает узкие места в своем бизнесе. А сотрудники AIDA помогают улучшить процессы с помощью инструментов, соответствующих конкретной задаче. Если подразделение входит в структуру блока стратегического развития, это способствует формированию таких междисциплинарных команд. Тем самым организуется увязка проектов AIDA с бизнес-стратегией банка.

- Сложилась ли в банке культура data-driven? Можно ли сказать, что AIDA является ее основным драйвером?

Такая культура складывается. Успешные проекты AIDA способствуют ее продвижению. Бизнес-заказчики уже приходят к нам с просьбой принять участие в их процессах.

Главное, что я стараюсь донести до заказчиков, – смотрите на те сущности, которые вас интересуют, на любые ваши процессы, на отчетность. Если эти процессы поддаются математическому моделированию, значит, мы можем пытаться предсказывать их показатели, то есть получить возможность их оптимизировать, сократить затраты, улучшить маржинальность. Это математика предсказаний, показывающая, куда движется та или иная сущность. Дальше может вступить в дело математика предписаний, дающая рекомендации, что нужно сделать для того, чтобы эта сущность имела именно те значения, которые нам необходимы.

Это широчайшее поле для поиска идей монетизации.

- Как организован поиск этих идей? Кто выступает инициатором — AIDA или бизнес?

Это двунаправленный процесс. Заказчики приходят к нам со своими болями. Как правило, результата удается достичь быстрее и эффективнее, когда инициатива вызревает в бизнес-подразделении. Однако человек в должности CDO — не только «реализатор» чужих идей. Он должен еще и сам их генерировать и продвигать. Понимание стратегии организации и ситуации на рынке помогает выявить перспективные направления монетизации.

Один из источник таких идей – отчетность. В ней содержатся данные ретроспективной аналитики, и можно задаться вопросом, какими эти показатели могут стать в будущем и что надо сделать для того, чтобы получить интересующие нас значения.

Еще одно направление поиска идей для монетизации – это бесхозные процессы на стыке нескольких департаментов. Там, где нет единого хозяина, деятельность обычно не очень эффективна, и есть поле для оптимизации и получения выгоды.

- Какие проекты монетизации данных реализованы в AIDA?

Как правило, в банках подходы data-driven развиты в службах риск-менеджмента, в розничном бизнесе. Но везде, где можно провести сравнение «больше-меньше», «выгоднее-убыточнее», «быстрее-медленнее», применима математика, а, значит, процесс можно пытаться оптимизировать и получить выгоду. Поэтому сервисами AIDA уже активно пользуются служба финансового мониторинга, коллекторский бизнес, блок операционной поддержки, подразделение малого бизнеса.

Из реализованных за последний год можно выделить проект для коллекторского бизнеса — выявление заемщиков с просроченной задолженностью, у которых вероятность возврата задолженности больше. Оптимизировав средства взыскания просроченной задолженности, можно обеспечить внушительную монетизацию.

В клиентском бизнесе стартовал проект по сокращению оттока клиентов и увеличению маржинальности. Сокращение оттока – это недопущение потерь прибыли, увеличение маржинальности бизнеса – это рост продаж, кросс-продаж, поднятие суммы продаж. Такие сервисы уже начинают внедрять в малом бизнесе.

Проект по кеш-менеджменту обеспечивает оптимизацию процессов блока операционной поддержки – сокращение избыточного фондирования наличности в банкоматах и в кассах дополнительных офисов.

- На премию CDO Award 2019 вы представляли проект Anti Money Laundering по выявлению токсичных, то есть совершающих противозаконные транзакции, клиентов. Как развивался проект за истекший год?

Мы продолжаем работать над математическим аппаратом этого решения — улучшаем набор и качество инструментов. Недобросовестные организации постоянно совершенствуют свои методы реализации незаконных операций, и мы вынуждены их догонять. Если инструменты аналитики данных не «тюнинговать», они становятся бесполезными, а если не делать этого на протяжении долгого времени, могут начать работать во вред. Это бесконечный цикл подготовки данных, их обогащения, улучшения качества моделирования, внедрения в продуктив. Ни один такой проект после его осуществления не может быть сделан и заброшен, его необходимо улучшать, иначе он будет деградировать.

- С какими данными и с какими техническими решениями работает AIDA?

Хочу подчеркнуть, что мериться надо не петабайтами данных, а результатами монетизации, достигнутой с помощью данных. Для big value data не обязательно иметь озера данных, может быть достаточно таблицы Excel. Я не пропагандирую устаревшие подходы, но скажу, что при выборе задач, источников и инструментов мы исходим из ценности, которую данные доставляют. Монетизация – это совокупность организационных, психологических, математических, технологических компонентов, а также различных аспектов, обусловленных спецификой бизнеса. Инструменты – необходимое, но недостаточное условие успешной монетизации, так же как и толпа математиков, дорогое ПО и оборудование не являются гарантами успеха.

Поэтому мы делаем упор на оргсоставляющую инноваций, на поиск и развитие математической и аналитической экспертизы (все специалисты по data science в AIDA имеют фундаментальное математическое образование), а также на формирование в банке культуры data-driven.

Что касается технологий, то мы используем реляционную СУБД Oracle (с упорядоченными и чистыми данными проще работать в аналитике), математические программы с открытым кодом (пакеты R, Python) вполне отвечают предъявляемым нами требованиям.

Кроме того, используем стек BI-технологий с возможностью интегрировать математические инструменты. BI – это первый шаг к аналитике. Даже в рамках привычного BI-интерфейса для неискушенных пользователей мы внедряем продвинутую аналитику.

- Есть ли необходимость работать с внешними данными?

Да, мы используем данные информационных агентств, бюро кредитных историй, информацию из социальных сетей, сотрудничаем с телекомом.

- Давайте подведем итог. В чем вы видите стратегическую роль AIDA для банка? Каковы планы развития вашего подразделения?

Банковский бизнес не является высокомаржинальным, конкуренция тут жесткая, поэтому мы должны бороться за каждую сотую долю процента доходности. Необходимо не просто улучшать процессы, но делать это глубже и качественнее, чем конкуренты. Монетизация, которую обеспечивают проекты AIDA, может давать банку ощутимые преимущества на рынке.

Планы на будущее – увеличить число заказчиков, количество проектов и доходность уже реализованных, популяризировать data-driven организации. Если об инновациях не рассказывать, то невозможно успешно их внедрить.

Для борьбы с отмыванием денег, обналичиванием, фиктивными зарплатными схемами, а также для ведения фрод-мониторинга и выявления подставных лиц и так называемых дропперов, участвующих в транзите обналиченных денег, банки берут на вооружение самые современные средства и концепции работы с данными. Ретроспективный анализ обогащают прогнозированием, встраивая в инструменты бизнес-аналитики технологии машинного обучения. Эту концепцию называют дополненной аналитикой. А когда дополненная искусственным интеллектом BI встраивается во фронт-офисные системы и анализ ведется в реальном времени — это уже концепция непрерывной аналитики. Чтобы эти концепции работали, нужны соответствующие BI-инструменты и специалисты, которые будут моделировать интересующие их явления и встраивать прогностические модели в интерфейсы BI-систем.

Юрий Сирота, старший вице-президент, руководитель департамента искусственного интеллекта и анализа данных банка «УралСиб» и претендент на премию CDO Award, рассказал на примере проекта Anti Money Laundering, как его подразделению удается монетизировать работу с данными.

- Как организована математическая работа с данными в вашем банке?

Исторически математические функции развивались в двух направлениях: в рисках и розничном бизнесе. Но большинство задач, требующих математического моделирования, оставались нерешенными. Поэтому было создано новое подразделение — департамент искусственного интеллекта и анализа данных или Artificial Intelligence and Data Analytics Office (AIDA), призванный развивать аналитическую культуру и реализовывать математические проекты исключительной сложности. В нем сосредоточены функции, связанные с математическим изучением данных, бизнес-аналитикой, искусственным интеллектом и интеллектуальной роботизацией процессов.

AIDA напрямую подчиняется заместителю председателя правления, поскольку руководство банка понимает перспективность этих направлений для бизнеса. Наше взаимодействие с заказчиками строится по принципу партнерства. Тематический лидер приходит от заказчика, а математическая и ИТ-имплементация проекта – задача AIDA.

Cтратегия развития аналитической функции в банке предусматривает ликвидацию барьеров между ИТ, центром аналитических компетенций и бизнесом, разработку подхода для интеграции результатов аналитики в бизнес-процессы, а также инвестиции в инфраструктуру и компетенции.

Основных компетенций три: инженерия данных, математический анализ данных и BI. Подготовка данных для анализа — процесс кропотливый, и в общей трудоемкости его доля составляет порой 90–95%, но иначе невозможно добиться реальных конкурентных преимуществ. Монетизация упомянутых технологий и навыков достигается в основном благодаря внедрению методологий исследования данных (data science).

Традиционно исследование данных применяется банками при оценке рисков, в маркетинге и продажах. Есть много примеров использования математики для сегментации клиентов, определения вероятности их оттока, покупки и кросс-продаж и, конечно, для рискового скоринга. Но этим применение данных методологий не ограничивается. По большому счету, предиктивной математике можно адресовать вопрос, касающийся любой финансовой сущности: куда она движется и как добиться того, чтобы она двигалась туда, куда нам надо? Предиктивное моделирование помогает понять, к примеру, какова будет выручка, как сделать, чтобы прибыль была больше, а отток клиентов — меньше.

- Какие задачи решались в одном из последних ваших проектов — Anti Money Laundering?

Этот проект нацелен на выявление токсичных, то есть совершающих противозаконные транзакции, клиентов. Главным образом это физические лица, малый бизнес и индивидуальные предприниматели с незаконными оборотами. Математические методы использовались, чтобы прогнозировать вероятность токсичности. Проект выполняла кросс-функциональная команда специалистов AIDA и службы финансового мониторинга.

- Почему такая работа важна для банка и отрасли в целом?

Объем токсичных операций контролируется Центральным банком в конце каждого квартала: за очень большие объемы банк могут наказать, и не только штрафом. Санкции предусмотрены достаточно серьезные, вплоть до отзыва лицензии.

Задача определения того, какой клиент токсичен, а какой нет, решается всеми банками, разница только в методах и точности. Если мы сильно «закручиваем гайки», отказываем многим клиентам в открытии расчетного счета, то получается, что «душим бизнес». Если же плохо выявляем токсичных клиентов, тогда через банк проходят токсичные обороты, несущие потенциальные риски. И то и другое — плохо, все банки в этом смысле зажаты между молотом и наковальней. Чаще всего банки идут по пути именно «закручивания гаек» — грубо отсеивают из входного потока клиентов предприятия малого бизнеса и индивидуальных предпринимателей, и это оборачивается ущербом для бизнеса.

- Какой подход выбран в вашем банке?

Чем точнее мы оценим вероятность токсичности, тем больше запустим в банк хороших клиентов и, соответственно, меньше плохих. Вопрос заключается в том, как отличить «хорошего» от «плохого». И этот вопрос — к аналитикам.

Нам удалось разработать достаточно точные предиктивные алгоритмы, которые показывают вероятность того, что клиент будет токсичным. Когда клиент обращается в банк за открытием счета, мы выводим коэффициент, показывающий вероятность его токсичности, по профилю, состоящему из 60 параметров. На основании полученного коэффициента банк принимает решение — открыть счет данному клиенту или отказать ему.

- На основе каких данных рассчитывается этот коэффициент?

Часть данных берется из анкет, заполняемых клиентом. Помимо внутренней базы банка, мы используем также базы ФНС и системы «Спарк» информационного агентства «Интерфакс». Когда клиент заходит в банк, мы уже имеем информацию о его деятельности, оборотах в других банках, взаимодействии с физическими и юридическими лицами, включая как добросовестных контрагентов, так и находящихся в черных списках. Всю совокупность информации обрабатываем, используем для моделирования и отсеивания клиентов в ходе всего их жизненного цикла в банке.

- В чем были основные сложности?

Сложно скомбинировать множество признаков таким образом, чтобы по 60 показателям присвоить клиенту итоговый балл и получить в итоге скоринг по степени токсичности. Слишком большая размерность. А в совокупности на разных этапах жизненного цикла клиента в банке анализируется порядка 320 характеристик. Сопоставить их и превратить множество значений в один-единственный скоринг нелегко.

Но математики с такими задачами справляются лучше, чем эксперты и инструментарий а-ля Excel. По профилям всех клиентов строится математическая модель, алгоритм предусматривает ее самообучение. Процесс обучения модели практически эквивалентен процессу ее создания.

- То есть токсичных клиентов она учится распознавать так же, как Google — котиков?

Да. В отличие от искусственного интеллекта человек не способен мыслить в пространстве 60 признаков, человеческий мозг не справляется с решением задач высокой размерности. Математический алгоритм под управлением человека решает задачу идентификации хороших и плохих клиентов гораздо лучше, нежели человек.

Самая большая проблема — подготовка данных, которые инженеры собирали и раскладывали «по полочкам» в базе данных. Это 90% всех трудозатрат. Затем математики разработали модель, при этом мы используем стек свободно распространяемого программного обеспечения, языки R и Python.

В дальнейшем во фронт-офисные системы банка внедрили шаблоны для заполнения сотрудниками. Из этих шаблонов информация уходит на серверы банка, там обрабатывается, и результат возвращается в офисную систему в реальном времени. Таким образом, при обслуживании в офисах банка каждому клиенту ставится в соответствие некоторая степень токсичности, и в зависимости от полученного результата счет ему открывают или не открывают. Эта модель уже больше года функционирует во всем банке и показала свою значимость.

- Каких бизнес-результатов удалось достичь?

Доля счетов, открываемых малым бизнесом и индивидуальными предпринимателями, выросла в полтора раза. Значительный темп роста малого бизнеса — это огромные прибыли для банка, полученные благодаря точному прогнозированию и разделению хороших и токсичных клиентов. Мы можем увидеть, в каких городах и отраслях доля токсичных клиентов выше, а также насколько она выше в компаниях с упрощенной системой налогообложения и там, где бухгалтер и генеральный директор — одно лицо. Кроме того, налицо очевидная монетизация деятельности крупнейшего департамента банка.

Проект оказал влияние на весь банк. После его реализации предиктивная математика стала применяться и в решении других задач. Число наших проектов растет, и общая стоимость портфеля проектов оценивается числом с очень большим количеством нулей. Это весьма значимый для банка результат, которого добилась небольшая команда математиков и разработчиков в партнерстве с бизнес-заказчиками.

- Что проект дал бизнесу, помимо финансового эффекта? Может ли идти речь о появлении новой бизнес-модели, развитии нового направления бизнеса?

Для любого бизнеса главный эффект — финансовый, притом что степень рискованности не растет. В данном случае степень потенциальных рисков не выросла, а финансовый эффект очень осязаем. Но, естественно, когда растет клиентская база, вполне могут появиться и новые направления для бизнеса.

- Достаточно ли накопленных за год данных, для того чтобы оценить эффективность модели? Может быть, «одобренные» алгоритмом клиенты покажут себя с нехорошей стороны только в следующем году?

Возможно. Ведь у компаний меняются собственники, руководители и, соответственно, меняется поведение. Не исключено, что кто-то неконтролируемо совершит противозаконное действие. Но соотношение риска и доходности значительно улучшилось.

Всё контролировать невозможно, как и выдавать кредиты только клиентам, которые никогда не обанкротятся. Всегда есть доля таких клиентов, но чем меньше эта доля, тем лучше. Бизнес у нас вырос, а риски не выросли.

- Что вас ждет впереди?

Постоянная работа над поддержанием моделей, повышением их точности. Точность достигается как добавлением новой информации, так и применением новых математических методов. У нас появилось много других моделей, которые оценивают информацию от службы безопасности и выявляют токсичных клиентов в ходе всего жизненного цикла в банке. Когда компания достигает порогового значения в неких действиях, мы можем говорить о вероятности того, что данный клиент токсичен. То есть формируется целая экосистема матмоделей, направленная на то, чтобы пресекать противозаконные действия клиентов и в то же время оптимально содействовать развитию бизнеса.

И, конечно, новые заказчики внутри банка, новые задачи и новые модели!

- Как еще вы применяете методы машинного обучения в банке? И какие варианты применения рассматриваете?

Мы изучаем имеющиеся на рынке решения для улучшения операционной эффективности. Применяем искусственный интеллект для анализа данных в продажах и маркетинге, для автоматического прогнозирования котировок на фондовом рынке, для прогнозирования потребности в наличных в банкоматах, кассах и допофисах, для предсказания выхода из строя ИТ-инфраструктуры.

Очень значимое направление — ИИ в работе с должниками, для определения вероятности того, что клиент выйдет в дефолт. Если вероятность высока, с клиентом начинают работать службы банка. Для банкротов рассчитывается вероятность погашения задолженности в течение определенного времени целиком или частично. Для управления воздействием на должника определяется, какая комбинация звонков, уведомлений и выездов повысит вероятность взыскания долга.

Биометрики существуют самые разные: речь, лицо, отпечатки пальцев, радужная оболочка глаза и т. п. Компании хотят с помощью доступных инструментов биометрики решать возникающие проблемы и убыстрять обслуживание клиентов.

«Мы рассматриваем все возможности, но используем те, которые считаем реализуемыми – желательно быстро, недорого и с нужной степенью эффективности», – говорит Павел Гурин, советник председателя правления «Почта Банка».

Сейчас банк применяет в процессах идентификации отпечатки пальцев и изображение лица, а также голос. Отпечатки пальцев используются для проверки при входе в мобильное приложение, и этот современный способ находит позитивные отзывы у клиентов. Но предстоит решить еще одну основную задачу – интегрировать в мобильное приложение другие способы надежной идентификации, дав клиентам возможность не только получать информационное обслуживание, но и совершать активные операции: переводы, операции с вкладами, получение кредитов.

Голосовая биометрия на сегодняшний день самая спорная и сложная биометрическая технология. Она также исследуется в «Почта Банке» в рамках пилотных проектов для автоматического обслуживания клиентов.

Система распознавания лиц на платформе VisionLabs Luna используется наиболее активно, причем сразу в трех направлениях. Компании могут применять ее для идентификации своих сотрудников, которые работают в корпоративных системах и имеют доступ к важной информации, а также для распознавания клиентов на всех этапах кредитного процесса. Кроме того, к ней часто прибегают, чтобы обслужить клиентов, если они приходят в офис без паспорта, или когда у сотрудников появляются сомнения в том, что человек является тем, за кого себя выдает.

«Распознавание лиц – хороший мотор, но сам по себе он никуда не поедет, – подчеркивает Гурин. – Ему нужно шасси для приложения своих усилий и “топливо”, которое будет подаваться на вход. Важно понимать, где эта технология применима, и уметь встроить ее в операционные процессы». Систему распознавания лиц начали внедрять еще во времена «Лето Банка», после вхождения которого в структуры «Почты России» проект стал самым большим среди подобных в мире.

«Когда к нам приходит новый клиент, мы его фотографируем и уже в этот момент можем проверить наличие его данных в имеющейся базе по определенным правилам», – продолжает Гурин. Во-первых, проверяется, не известен ли он как мошенник. Во-вторых, не совпадает ли его изображение с фотографиями в других клиентских записях (в некоторых случаях – например, при замене паспорта – такое совпадение легитимно). А вот изменение лица у уже имеющегося клиента точно является поводом для разбирательства.

Однако такой, казалось бы, позитивный факт, как полное совпадение сделанной фотографии с уже имеющейся, также должен заставить насторожиться. Скорее всего, сотрудником банка была по каким-то причинам использована старая фотография клиента, и тогда есть повод заподозрить этого сотрудника в недобросовестности.

Стоит отметить, что распознавание лиц за последние несколько лет прошло достаточно большой эволюционный путь. Стало возможным надежное распознавание женщин с «боевым» макияжем, а также людей, меняющихся с возрастом, полнеющих или, наоборот, худеющих. Нейронные сети сделали шаг вперед, и теперь машина распознает людей лучше, чем человек, – для нее не проблема поворот головы на 45 градусов, очки, растительность на лице.

Дисциплинирующий эффект

«Мы – банк и умеем считать деньги. И именно поэтому мы активно используем технологии, связанные с распознаванием изображений», – подчеркивает Гурин. Фотокамеры стоят недорого, в свое время банк их покупал по несколько сотен рублей. Сейчас цена, конечно, несколько поменялась. Это исключительно вопрос целесообразности: если бы требовалось защитить одно централизованное хранилище с деньгами, были бы использованы все доступные биометрические технологии. Это было бы очень дорогое решение, но приемлемое для однократного выполнения критически важной задачи. Количество же отделений «Почта Банка» измеряется десятками тысяч, и средства, потраченные сверх нормы на их обустройство, выливаются в очень значительные суммы. Именно распознавание лиц на основе фотоизображений стало наиболее эффективным инструментом, позволяющим решить сразу несколько проблем.

Стоимость внедренного решения оказалась в пределах 10 млн руб., а серверные мощности и поддержка увеличили стоимость проекта еще в два-три раза. Однако полученные финансовые результаты позволяют говорить, что проект уже давно окупился.

Павел Гурин, советник председателя правления «Почта Банка»: «Технологии распознавания лиц за последние несколько лет прошли достаточно большой путь с точки зрения качества работы. Стало возможным надежное распознавание женщин с “боевым” макияжем, а также людей, меняющихся с возрастом, полнеющих или, наоборот, худеющих»

«Когда мы провели первый анализ своей базы клиентов, которых фотографировали на протяжении нескольких лет, обнаружили там фотографии Бреда Питта и прочих знаменитостей, животных, пальм и стульев», – рассказывает Гурин. Поскольку у банка 4,5 млн клиентов, а за время работы обрабатывались заявки гораздо большего числа людей, это неудивительно. Очевидно, что в отсутствие эффективного контроля правила оформления кредитных заявок грубо нарушались. Сейчас с подобной недобросовестностью сотрудников удается бороться.

Уже само наличие систем биометрической идентификации влияет на сокращение числа инцидентов. Когда становится известно, что банк использует подобные технологии, количество мошеннических действий резко снижается. У злоумышленников работает «сарафанное радио», а сотрудники учатся на своих ошибках.

«На пилотном этапе, в первое время после запуска процедуры распознавания, было очень много случаев, когда обнаруживались похожие лица у разных клиентов, – говорит Гурин. – Когда банк официально объявил о наличии системы биометрической идентификации, инцидентов стало намного меньше, и сейчас можно сказать, что число пойманных за руку людей относительно невелико». За 2016 год система обнаружила 4,5 тыс. повторно используемых фотографий, и выдача по ним новых кредитов не была допущена. Было отловлено 9,2 тыс. явно мошеннических заявок, когда за кредитом приходил неизвестный банку человек и предъявлял паспорт, уже имевшийся в банковской базе. Предотвращено сомнительных операций на общую сумму 1,5 млрд руб. Хотя справедливости ради следует отметить, что наверняка не все из них в итоге закончились бы потерей денег.

Правоохранительным органам удалось передать лишь четверых мошенников. Задерживать их в отсутствие сотрудников полиции – непростое дело. Впрочем, банк и не делает на этом акцента: гораздо важнее предотвратить мошенничество и не рисковать своими деньгами.

Что касается системы аутентификации собственных сотрудников, то экономия от замены SMS-информирования при входе в систему на фотографирование составила 3,5 млн руб. в год. Кроме того, предотвращено более 600 попыток входа в системы под учетной записью своих коллег. В числе прочего это было связано с попытками сдачи экзаменов за других людей в полностью дистанционной системе обучения и контроля знаний. Наличие массы необученных и не желающих учиться сотрудников, да еще готовых к мошенническим действиям, не могло радовать руководство, однако сейчас такие возможности обмана со стороны персонала полностью исключены.

Ощутимое проявление работы системы заключается также в снижении роли человеческого фактора и ускорении процессов обслуживания. Никакой банк не хочет затруднять жизнь добросовестным клиентам. Значительная часть функций по проверке паспортов и личностей граждан перенесена на биометрию. Операции стали проходить гораздо быстрее – это нравится клиентам и экономит время сотрудникам.

Владимир Тихомиров, который руководит ИТ-департаментом «Ингосстраха» с 2009 года, рассказал о том, как цифровые технологии трансформируют отрасль, бизнес компании и ее ИТ-службу.

Что изменилось в страховом бизнесе под влиянием технологий? Можно ли сегодня говорить о цифровой трансформации отрасли?

Мы стоим на пороге такой трансформации. В прошлом году доля чисто цифровых продаж (без доставки полиса клиенту) начала расти и составила заметную часть в сборах. Например, в туризме онлайн-страхование приносит примерно треть всех продаж. Онлайн окончательно выделился в самостоятельный канал продаж, и в страховых компаниях появились курирующие его бизнес-подразделения со своими планами развития и продвижения продуктов. В отдельное направление электронной коммерции с собственной стратегией оформилось электронное ОСАГО.

Новое поколение потребителей ценит скорость, оперативность и удобство, поэтому выбор продукта и компании определяется в том числе и тем, насколько экономится время на посещение офиса и будет ли удобным взаимодействие в сети. ИТ стали по сути компонентом продукта, так как, помимо страховой составляющей, клиенту важна «упаковка» электронного полиса – удобство покупки, оплаты, доставки и пр.

Владимир Тихомиров Возраст: 57 лет Образование: Московский инженерно-физический институт (1982), инженер-системотехник (специальность «АСУ»), аспирантура Послужной список: 1997 – настоящее время СПАО «Ингосстрах», различные должности, сейчас – директор департамента ИТ 1996 – 1997 РАКБ «Москва», начальник отдела 1994 – 1995 ВАО «Интурист», главный системный программист 1987 – 1993 МИФИ, кафедра АСУ, младший научный сотрудник, научный сотрудник

Вы наблюдаете ИТ-эволюцию «Ингосстраха» вот уже 20 лет. Какие наиболее важные изменения произошли за последнее время?

Прежде всего произошло резкое ускорение изменений всякого рода: технологий, требований бизнеса и рынка. И это является основной проблемой, потому что классические подходы к разработке и внедрению, которые мы использовали до сих пор, перестают работать. Нужно радикально менять подход, внедрять гибкие методологии, причем не только в ИТ, но и во всей компании в целом.

Доля ИТ-составляющей в страховых продуктах резко возросла, рынок пошел в онлайн, и автоматизация достигла такого уровня, что продавать страховые продукты без нее невозможно. Увеличилась и ответственность ИТ-службы за продажи, теперь я ежедневно слежу за тем, что происходит с электронным ОСАГО.

В какие организационные преобразования выливается рост значимости ИТ-службы?

В организационной структуре изменения только назревают, но мы интенсивно растем численно, в отличие от других подразделений. Общее количество сотрудников компании почти не изменилось, а вот ИТ-департамент за пять лет вырос в полтора раза.

Однако рост количества новых задач и проектов опережает увеличение ИТ-штата, а потому нам следует задуматься над эффективностью процесса разработки. Применение принципов гибкой разработки позволяет избежать нестыковок по срокам, затягивания процессов разработки, появляется возможность концентрироваться на конкретных задачах, быстро их внедрять и запускать.

Какая методология гибкой разработки применяется в компании?

Мы не пытаемся внедрить какую-то конкретную методологию, а экспериментируем, ищем подходы. В этом нам помогает опыт наших подрядчиков, которые консультируют и обучают нас.

Уже полгода у нас работают три команды по методике Scrum. Этот вариант, конечно, более затратный, он требует больше персонала, чем традиционный подход, но зато дает резкое сокращение времени вывода продукта на рынок – time to market. По сложным большим задачам мы сократили время разработки в два раза, а по мелким – до десяти раз.

Причем аgile-метод применим не только в ИТ, на уровне компании в целом тоже внедряются новые подходы для решения комплексных задач.

«Аgile применим не только в ИТ. На уровне компании в целом также внедряются новые подходы для решения комплексных задач»

Какие ограничения в применении agile-подхода вы видите?

Быстрое создание и внедрение новой технологии имеет отдаленные по времени негативные последствия – появляются проблемы с архитектурой, непроработанные решения, сделанные на скорую руку. Scrum дает отличный эффект для команды, разрабатывающей ПО с нуля. Когда такой подход масштабируется на большой коллектив разработчиков, который занят комплексной доработкой большой системы, проявляются его минусы, и основной из них – упущение архитектурной проработки. Кроме того, когда разрабатываемое решение обрастает функционалом в течение нескольких лет, на создание нового функционала сил команды уже не хватает. Поправить дело можно, только вводя много Scrum-команд и организуя между ними эффективное взаимодействие. Ну а каждая связь – это расходы, и они с ростом числа вовлеченных людей растут экспоненциально.

Для решения этих проблем существует методология управления большим количеством agile-команд в крупных корпоративных проектах – Scaled Agile Framework, SAFe. Чтобы соблюдалась общая концепция системы, действия команд периодически синхронизируются, вводится бизнес-процесс согласования архитектурных решений и иерархия архитекторов, которые эти решения согласуют.

То есть разработку нужно несколько замедлить, чтобы избежать проблем в будущем?

Нет, скорость не снижается. Но с появлением иерархии и управленцев растут накладные расходы.

Вы примеряете на себя эти нововведения?

Да, будем изучать и постараемся применить. Некоторые процессы сложно внедрить, ведь SAFe ценности для бизнеса не прибавляет. Но заказчик должен понимать, зачем нужны расходы, которые не дают в результате нового функционала, – для снижения отложенных ИТ-рисков.

Против мошенников

Артем Литвин, заместитель директора департамента ИТ компании «Ингосстрах» Фото: Роберт Каримов

Снизить трудоемкость борьбы с мошенничеством в автостраховании и добровольном медицинском страховании «Ингосстраху» помогают экспертные системы.

Как рассказал Артем Литвин, заместитель директора департамента ИТ компании «Ингосстрах», при регистрации договор или убыток автоматически проходит проверку в экспертной системе на основе заданных правил. Практически в реальном времени выявляются подозрительные сведения, которые могут указывать на различные мошеннические схемы. Тем самым значительно облегчается контроль при большом объеме информации.

Кроме того, сотрудники службы безопасности используют для проверки клиентов аналитические инструменты, внешние базы и источники данных. Раньше службы безопасности обменивались информацией об истории клиентов неформально. Сейчас в Российском союзе автостраховщиков создана единая база данных – Бюро страховых историй, куда все страховщики загружают сведения о договорах и убытках по добровольному страхованию транспортных средств. Ожидается, что единая система, после того как в ней накопится достаточно данных, позволит проще и быстрее получать информацию для проверки клиентов.

Для выявления ситуаций, когда поликлиники искажают данные по фактически оказанным пациенту услугам, применяется двухступенчатая проверка. Сначала техническая экспертиза исключает двойные суммы, несоответствия тарифам и т. п., а затем медицинская экспертиза изучает, насколько адекватно поставленному диагнозу оказывались услуги. «С учетом количества лечебных учреждений, с которыми сотрудничает «Ингосстрах», это весьма трудоемкая работа, – отметил Литвин. – А потому в этой области мы также внедряем экспертные системы, которые анализируют счета, автоматически выявляя некорректные и подозрительные записи».

Какого рода задачи решают команды agile?

Сейчас в основном это задачи, связанные с разработкой новых розничных продуктов или дополнений к ним. Но мы планируем распространить данную практику на все участки, где идет развитие существующего функционала системы, включая корпоративное и медицинское страхование.

Уже в текущем году планируем запустить еще семь Scrum-команд, а со временем их будет около 20. Поскольку все они работают над одной информационной системой, им потребуется довольно плотно взаимодействовать. Поэтому нас и заинтересовала методология SAFe, ведь синхронизация трех команд и десяти – это разные управленческие задачи.

В разработке основной ИТ-системы «Ингосстрах» по-прежнему опирается на собственные силы?

Мы опираемся на систему собственной разработки, но развиваем ее не только своими силами, участие подрядчиков примерно равно нашему. Это позволяет более гибко управлять объемом ресурсов, когда появляются срочные внеплановые задачи или начинает расти поток требований бизнеса. Схемы взаимодействия с подрядчиками разные, это могут быть либо проекты разработки комплексных решений, либо передача отдельных задач.

В условиях кадрового голода привлечение подрядчиков часто позволяет быстрее решать срочные задачи. Но мы пробуем и альтернативные варианты: в прошлом году на базе филиалов в Перми и Иркутске открыли два удаленных центра разработки и сопровождения, которые подчиняются ИТ-департаменту в головном офисе. Благодаря более низким расходам на зарплату и эксплуатационные услуги, мы выигрываем 20-30% стоимости разработки. Кроме того, наличие ИТ-специалистов в других городах отчасти решает вопрос расширения времени поддержки пользователей и клиентов.

Аудиторы, помогавшие нам актуализировать ИТ-стратегию, подтвердили, что развитие собственной системы является правильным направлением. В тех областях, где у нас нет глубокой экспертизы, а процессы достаточно стандартные, применяются промышленные решения – например, управление инвестициями, кадровый учет, актуарные расчеты, скоринг.

Технологии доступны всему рынку. А какие из них способны обеспечить компании конкурентные преимущества?

Далеко не каждая компания имеет возможность вкладывать в разработку миллионы долларов. В нашей компании кризисы последних лет не сказались на объеме инвестиций в ИТ, замедлялся лишь их рост. А cейчас объемы вложений в ИТ увеличиваются нарастающими темпами.

Нам важно, чтобы мобильные приложения работали на всех существующих у клиентов гаджетах. Необходимы подходы и технологии для продвижения услуг, повышения конверсии и обеспечения кросс-продаж, а также сервисы, позволяющие привлечь и удержать клиента (сохранение расчетов, рассрочки и рекуррентные платежи, заявление и отслеживание статуса убытка и пр.).

Для многих крупных клиентов становится важным наличие электронного личного кабинета, через который можно управлять всем портфелем своих полисов по разным видам страхования. Это не только удобно, но и ощутимо сокращает обеим сторонам затраты на взаимодействие и пересылку документов.

Молодые покупатели уже не склонны разговаривать с агентом даже по телефону. Поэтому мы развиваем чат-боты, позволяющие выяснить потребности клиента в режиме диалога и прислать ему готовую ссылку для приобретения полиса без заполнения форм на сайте.

Достаточно активно растет направление, связанное с телематикой и определением модели поведения водителя на дороге. Сейчас это уже может быть не устройство, а приложение в мобильном телефоне.

Серьезный шаг для нас – перевод всех агентов розничного направления в онлайн. Система контролирует, что агент продает с мобильного телефона, планшета или ПК в офисе, и эта информация сразу оказывается в нашей базе данных. Это и контроль ошибок и злоупотреблений агентов, и дополнительная защита от мошенников.

При продаже полисов через Интернет затрудняется отсев мошенников. Но технологии обработки Больших Данных, актуарный анализ и соответствующая математика позволяют отсечь потенциально опасных для бизнеса клиентов.

Что этому мешает? Вам нужны специалисты по data science в штат?

Вне всякого сомнения! Это сейчас очень серьезная проблема, найти таких специалистов крайне сложно, так что выращиваем своих.

Каковы основные направления развития ИТ в «Ингосстрахе» сегодня?

Два самых крупных направления – это онлайн и отчетность. Чтобы минимизировать визиты клиентов в офис, мы развиваем онлайн-продажи и онлайн-сервисы как для розничных, так и для корпоративных клиентов, в том числе подачу заявления об убытках, оплату взносов и франшиз через сайт. Отдельно можно выделить e-ОСАГО. У нас заключено уже более 80 тыс. договоров е-ОСАГО.

Надо сказать, что Центробанк все больше обращает внимание на внутренние процессы страховых компаний, в том числе на ИТ и информационную безопасность. Если раньше бесперебойная работа «24 на 7» была лозунгом, то с вводом онлайн-ОСАГО, она стала законодательной нормой. ЦБ требует, чтобы сайты страховых компаний работали с минимальным временем простоев, поддержка осуществлялась круглосуточно, а все действия клиентов на сайте протоколировались.

В 2017 году по требованию ЦБ на страховые компании распространены новые стандарты отчетности и единый план счетов. Существенные изменения учета обязательств и правил взаиморасчетов по договорам потребовали значительной переработки не только бухгалтерского блока, но и страхового. Мы внедрили новый порядок учета с 1 января 2017 года, как требовалось по закону, но доработки будут продолжаться, объем работы колоссальный.

Также активно развиваются решения, связанные с клиентской аналитикой. Это, во-первых, сегментация и скоринг – оценка рисков по клиенту с учетом как внутренних, так и внешних источников данных. Во-вторых, взаимодействие с клиентом – маркетинговые кампании, персональные предложения и кросс-продажи. Мы хотим лучше понять клиента, объединив в цепочку взаимодействие с ним при продаже и аналитику, которую потом получаем.

Каким образом компания намерена монетизировать Большие Данные, накопленные в информационной системе? Используете ли вы анализ данных соцсетей?

Назвать их Большими Данными в полном смысле нельзя, хотя это миллионы застрахованных. Мы используем актуарный анализ, когда благодаря накопленной по множеству клиентов статистике можно обоснованно назначать тарифы тем или иным сегментам клиентов. Бонус клиент может получить только спустя год, но до недавнего времени лучшего способа у нас не было.

Надеемся, что привлечение Больших Данных позволит делать персонализацию тарифов априори (предварительно). В прошлом году мы начали внедрять аналитическую платформу SAS, с ее помощью мы планируем решить ряд задач по сегментации клиентов, оценке и прогнозированию убыточности, выявлению дополнительных тарифных факторов. Например, проанализировав данные кредитных бюро, мы обнаружили зависимость между невозвратностью долгов и убыточностью страхования. Эта часть скоринга уже работает.

Данный проект предполагает также внедрение модуля «обогащения» данных, который позволит получать дополнительные сведения из социальных сетей. На основании Больших Данных мы начинаем заниматься персонализированными предложениями для клиентов. Если обогатить профиль клиента из внешних источников, то в качестве кросс-продаж можно предложить ему что-то действительно интересное – организовав рассылки или отследив его заход в личный кабинет. Но эта работа пока в самой начальной стадии.

Нынешний кризис в банковской отрасли связан не столько с падением благосостояния людей, сколько с демографическим кризисом 90-х годов: наблюдаются сокращение экономически активного населения, общее его старение. Роста пока ждать неоткуда, и банкам приходится более активно работать с существующей клиентской базой, а кроме того, учиться эффективнее выявлять сущность и потребности новых клиентов.

Плохой клиент плох во всем

Как согласились участники форума «Розничное кредитование: только для своих или посторонним вход разрешен?», проведенного Объединенным кредитным бюро, к прежнему массовому кредитованию клиентов «с улицы» с его высокими и часто неоправданными рисками финансовый рынок уже не вернется. Будет расти значимость партнерства банков с ретейлом, телекомом и другими отраслями, тем более что в бизнес, связанный с предоставлением данных о клиентах, стремятся войти многие, не говоря уже о появившихся специализированных компаниях.

Алексей Кордичев, председатель правления банка «Восточный»: «Да, мы используем внешние данные, но это, скорее, дань моде. Новые данные лишь подтверждают то, что банк знает и без них»

По словам Алексея Кордичева, председателя правления банка «Восточный», эффективность дополнительных внешних источников данных сильно зависит от того, чем занимается банк. Если он на протяжении многих лет предоставляет стандартные продукты и имеет значительный сегмент повторных клиентов с хорошей кредитной историей, дополнительные данные мало что дают.

«Да, мы используем внешние данные, но это, скорее, дань моде. На Дальнем Востоке каждая третья семья является нашим клиентом, поэтому новые данные лишь подтверждают то, что банк знает и без них», – говорит Кордичев.

Другое дело, если банк обращает внимание на новые рыночные сегменты, о которых не накопил значительных знаний и вынужден их собирать на рынке. Использование новых источников данных может дать эффект лишь при наличии стратегии роста и бесполезно для улучшения действующего бизнеса. На данный момент никакие внешние источники данных не могут полноценно заменить информацию, предоставляемую различными бюро кредитных историй (БКИ). «Вход в наш банк для новых клиентов есть, но с «рамкой» в виде БКИ на входе, которая «пищит» в случае неблагонадежных посетителей», – подчеркивает Кордичев.

Сергей Голицын, директор по рискам МФО «Домашние деньги»: «Мы тестируем огромное количество источников данных и даже получаем неплохие модели. Но как только в них включаются данные БКИ, все остальное становится неактуальным»

«Мы тестируем огромное количество источников данных и даже получаем неплохие модели. Но как только в них включаются данные БКИ, все остальное становится неактуальным», – согласен Сергей Голицын, директор по рискам МФО «Домашние деньги». Данные настолько коррелируют, что совершенно очевидно: отрицательный персонаж плох везде – и в телекоме, и в социальных сетях, и в отношениях с банками. Проблема в том, что владельцы данных, особенно телеком-операторы, продают свои данные гораздо дороже, чем они того заслуживают, – видимо, считая, что на этих данных можно построить фантастическую систему идентификации клиентов. На самом деле это не так, и пока что адекватной альтернативы БКИ нет.

Разочарован той пользой, которую внешние данные приносят для увеличения разрешающей способности кредитного конвейера, и Александр Соколов, директор департамента анализа рисков ВТБ24.

«Я – большой поклонник Больших Данных, романтик риск-менеджмента. Несколько лет назад я надеялся на то, что мы научимся обрабатывать данные социальных сетей и ценную информацию из них встроим в кредитный конвейер, существенно повысив качество модели. Казалось бы, возможности огромны: друзья, круг общения, интересы, членство в сообществах. Но, к сожалению, проводимые нами исследования дают околонулевую эффективность», – признает он. С точки зрения рекламы и демонстрации своей инновационности использование Больших Данных – отличный проект. Однако он не позволяет повышать прибыльность в низкорисковом сегменте, где работает ВТБ24.

Александр Соколов, директор департамента анализа рисков ВТБ24: «Я – большой поклонник Больших Данных, романтик риск-менеджмента... Но, к сожалению, проводимые нами исследования дают околонулевую эффективность»

Гораздо больший эффект ожидался от данных, приобретаемых у телеком-операторов. Разумеется, польза от них существенно выше, чем от работы с соцсетями, но радикально ситуация не меняется. Были большие надежды и на обработку фотографий, позволяющую фиксировать уникальный портрет клиента и составлять их базу, но эти надежды не оправдались. Возможно, если бы шла работа с потоком, в котором 20% составляют мошенники, результат был бы иным, но для низкорискового сегмента эффективность всей совокупности инструментов, созданных ВТБ24, крайне низка.

«Я до сих пор вынужден 10% всего потока заявок – а это сотни тысяч – пропускать через ручной андеррайтинг, – сетует Соколов. – Будущее наступает гораздо медленнее, чем хотелось бы. Несколько лет назад я надеялся, что к нынешнему году у нас не будет ручного андеррайтинга. Теперь понимаю, что этого не произойдет и в два ближайших года».

Сбербанк уходит «в цифру»

Наиболее фундаментальный подход к оценке альтернативных источников данных продемонстрировал Сбербанк. В течение 2016 года им был проведен масштабный пилотный проект, в ходе которого сравнивалась эффективность и сопоставлялись результаты моделей, построенных на данных из множества внешних источников.

Дмитрий Берестнев, начальник отдела моделей оценки рисков розничных клиентов Сбербанка: «Полученные результаты говорят о том, что с использованием внешних данных мы действительно можем глубоко уходить «в цифру»»

«Нам предлагали сотрудничество много разных компаний, обладавших определенными данными, которые могут быть использованы в процессе кредитования. Всегда интересно, насколько они соответствуют нашим транзакционным данным и как соотносятся между собой, какие из них дают наибольший эффект с точки зрения улучшения качества моделей», – говорит Дмитрий Берестнев, начальник отдела моделей оценки рисков розничных клиентов Сбербанка. В ходе проекта партнерам предлагалось либо прислать свою версию скоринговых баллов для предоставленной выборки из 150 тыс. клиентов банка, либо передать в Сбербанк свою тестовую выборку для построения модели. Полученные результаты планировалось сравнить. К проекту были привлечены и зарекомендовавшие себя поставщики данных: сотовые операторы, Mail.Ru, а также профессиональные поставщики Больших Данных – Double Data и MFM.

У каждой компании данные довольно специфичны: мобильные операторы обладают биллингом, Mail.Ru – информацией о поведении в Сети, ретейлеры – данными о покупках. А сами компании используют различные типы источников, чтобы обогатить свои данные, поэтому вопрос их пересечения не является праздным.

При работе с внешними данными важна вероятность того, что нужного клиента удастся там найти, – шанс попадания, так называемый хитрейт (hit rate).

«Если с помощью приобретенных данных удается построить действительно качественную модель, но при этом получается так, что использовать ее можно лишь для нескольких процентов клиентов, итоговый результат будет ничтожным. Это полностью убивает смысл работы с источником данных», – отмечает Берестнев. По оценкам Сбербанка, если компания может обеспечить хитрейт больше 40%, имеет смысл рассматривать ее в качестве поставщика данных и уже затем исследовать качество получаемых моделей. У Mail.Ru этот показатель получился около 40%, у операторов связи колебался от 20 до почти 100%, у Double Data составил 56%, а у MFM – превысил 90%.

Далее аналитики пытались понять, насколько различна получаемая из разных источников информация. Самое простое, что можно для этого сделать, – посчитать коэффициент корреляции между построенными рейтингами. Получилось, что каждая из компаний обладает действительно уникальной информацией. Небольшой всплеск взаимозависимости наблюдался лишь между данными Double Data и Mail.Ru. В целом информация была получена действительно разная и довольно интересная, и имело смысл ее рассматривать.

«Получив модели от поставщиков внешних данных или построив их самостоятельно, мы сделали вывод, что наш внутренний транзакционный скоринг очень эффективен», – отмечает Берестнев. Среди других источников выделился Mail.Ru, показавший высокую эффективность при выявлении социальных дефолтов, и особенно – при идентификации мошенников. Однако у него один из самых невысоких показателей хитрейта – тот самый случай, когда ценность источника данных радикально снижается.

Далее построенные модели добавлялись к уже существующим и работающим в Сбербанке и оценивался достигнутый прирост эффективности. Оказалось, что практически вся информация оправдывает себя при выявлении мошенничества и социальных дефолтов.

«Пока остается вопрос: а каких поставщиков данных мы хотим у себя видеть и в какой комбинации? Например, исходя из соотношения цена-качество, вместо одного хорошего и дорогого источника можно подключить два более простых, но дешевых», – считает Берестнев.

Другая важная и довольно сложная задача – предсказание не только рисков, связанных с клиентом, но и его реальных доходов, а значит, и потенциальной прибыльности. Все люди хотят, получая кредиты, предоставлять минимум информации, да и банки понимают, что излишняя назойливость отпугнет клиентов. Самостоятельный поиск информации о доходах делает кредитный продукт более «цифровым», удобным, привлекательным.

Выяснилось, что ни один из рассмотренных источников данных по отдельности не может точно определить доход клиента. Но объединение данных в рамках единой модели дало совсем другие результаты: удалось с точностью 95% угадывать, что доход клиента находится в пределах заданного интервала.

«С использованием внешних данных мы действительно можем глубоко уходить «в цифру». Возможно, наступит время, когда мы даже откажемся от справок 2-НДФЛ и будем уверены в том, что наши оценки доходов качественные», – заявляет Берестнев.

Персонализация – не только для продаж

Многие банковские сообщества слишком погружены в себя и не замечают того, что делают их соседи – страховщики, особенно те, кто выглядят достаточно медленными, неповоротливыми. Возможно, взгляд с этой стороны несет в себе много синергии, ведь страхование даже на заре своего становления в XVII веке было игрой цифр, а применявшиеся актуарные данные были «большими» для своего времени, недоступными для понимания обычным человеком.

Елена Ладыгина, советник генерального директора по управлению рисками «АльфаСтрахования»: «Не имеет смысла сегментировать клиентов по возрасту или маркам машин и при этом отправлять им стандартные SMS»

«Нам точно так же приходится строить портрет клиента, с абсолютно теми же целями. Мы должны снижать уровень риска, создавать персонализированные продукты, заниматься перекрестными и повторными продажами, предотвращать мошенничество», – говорит Елена Ладыгина, советник генерального директора по управлению рисками «АльфаСтрахования». Пользоваться приходится всеми возможными данными, причем на сегодняшний день в список источников входят телематические устройства, смартфоны, социальные сети, камеры. Никого не удивляет, когда страховщики сельхозурожая пользуются спутниковыми фотографиями, оценивая ход посевной кампании и наблюдавшуюся погоду.

Внешние источники данных часто дают больше информации, чем стандартные подходы. Они позволяют предложить не только более интересную цену, но и подстроить продукт под клиента, а также выбрать для взаимодействия с ним наиболее подходящий канал.

«Не имеет смысла сегментировать клиентов по возрасту или маркам машин и при этом отправлять им стандартные SMS. Вполне возможно, что клиент не отреагирует на почтовое или SMS-сообщение, но обратит внимание на твит с информационного ресурса, на который подписан», – подчеркивает Ладыгина.

В автостраховании на смену стандартным вопросам из анкеты приходит телематика. Согласно прогнозам, к 2020 году доля «умного» страхования в США достигнет лишь 25%. В России похвастаться также нечем – разные компании заявляют об 1-5%.

В настоящее время в автостраховании предлагается два вида «умных» контрактов – Pay as you drive и Pay how you drive, основанные соответственно на фактически проезжаемой дистанции и стиле вождения. Второй вариант дает массу возможностей для анализа и работы с клиентами, попутно выполняя важную социальную функцию – повышение безопасности на дорогах. «Умное» страхование открывает для компаний пласт молодых водителей, которые не являются любимчиками страховщиков. Телематика показывает, что многие из них могут быть хорошими водителями, как, впрочем, могут неожиданно для банков оказаться и хорошими заемщиками.

«Было бы интересно посмотреть на взаимосвязь между качеством вождения молодых клиентов и качеством обслуживания ими своего долга», – говорит Ладыгина.

Очень интересным оказалось использование Больших Данных в страховании жизни и здоровья – здесь действительно есть где развернуться. Ключевую роль играют транзакционные данные с кредитных карт о том, что, где и в каких количествах покупает клиент, как он относится к фастфуду, есть ли в его продуктовой корзине фрукты и овощи.

Кроме того, все большее применение находит информация, получаемая от «умных» часов и браслетов. У компаний вызывает интерес информация о физической активности и качестве сна. Согласно исследованию Accenture, треть американских страховщиков предлагают клиентам вместе со страховкой бесплатные браслеты. Предусматриваются серьезные скидки, если выполнены простые условия: 10 тыс. шагов и не менее 7-8 часов сна в сутки.

Социальные сети также помогают отслеживать физическую активность людей: много кто публикует в Instagram и на других ресурсах свои фотографии после тренировок и маршруты своих пробежек. Самое интересное, клиенты охотно делятся такой довольно личной информацией.

«Мы работаем на одном поле с банками и вполне можем использовать данные друг друга. Наша дорога привела нас к кредитным бюро: если человек хорошо платит, то он зачастую хорошо водит машину, правильно питается, укрепляет здоровье», – констатирует Ладыгина.

Что касается исследования данных из социальных сетей, то специалисты «АльфаСтрахования» были разочарованы: в отрыве от кредитного скоринга такие данные показали себя неинтересными. Единственным ценным зерном в них оказались связи мошенников с различными социальными группами. Например, членство в группе стритрейсеров увеличивает убыточность клиента в несколько раз, а наличие в друзьях автослесарей и продавцов запчастей повышает в десятки раз вероятность подозрительной аварии или угона.

«Это не значит, что если у потенциального клиента одноклассник является автоюристом, то мы его не будем страховать. Но если он придет с убытком, то, видя столь интересное окружение, мы будем уделять ему особое внимание», – подчеркивает Ладыгина. Это другая сторона персонализации взаимодействия с клиентом: она имеет значение не только при продажах, но и в остальных процессах.

***

Все больше финансовых организаций говорят о необходимости выхода в онлайн-пространство и работе с клиентом там, где ему удобно. Регулярно приходится слышать, что тот или иной крупный банк включил в свой арсенал работу в электронных каналах. Это направление для многих по-прежнему является Terra Incognita, потому что полностью нарушает привычный цикл работ. Но взаимодействие с клиентом начинается еще до его идентификации.

ИТ играют все большую роль в процессе взаимодействия клиентов с банками и страховыми компаниями. Например, как выяснилось в ходе исследования, проведенного Fujitsu, более трети участников готовы отказаться от предлагаемых им услуг, если поставщик не обеспечивает их доступность по цифровым каналам.

Хотя традиционные платежи остаются по-прежнему достаточно популярными, цифровые платежные сервисы постепенно выходят на первое место. Участники опроса демонстрируют готовность перейти на новые виды сервисов, которые сделают их жизнь проще. Так 32% уже используют технологии мобильных платежей, 22% перешли на платежные технологии на базе нательных устройств, а 20% даже пользуются криптовалютами. Последнее связано с активным распространением этой технологии в Восточной Европе – в этом регионе таких пользователей 44%.

Потребители позитивно воспринимают новые технологии, поэтому их требования к поставщикам финансовых сервисов изменились. Такая ситуация создает дополнительные возможности для развития бизнеса. Каждый третий участник опроса подтвердил, что гипотетически готов к приобретению у своего банка или страховой организации электроэнергии для дома; такое же количество респондентов согласно на хранение своих персональных данных у сторонних компаний, а 30% заявили, что готовы приобрести у них услуги широкополосного доступа в Интернет.

Однако такое размывание границ отраслей создает и трудности для традиционных поставщиков финансовых услуг. Пятая часть опрошенных людей готова приобретать банковские или страховые услуги у таких компаний, как Google, Amazon и Facebook.

Банки осознают это, и большинство из них выражают озабоченность в связи с возможной потерей части бизнеса. Работая над повышением качества клиентского обслуживания, многие банки стремятся сотрудничать с финтехами – стартапами, использующими новые технологии в сфере мобильных платежей, перевода денег, кредитования и привлечения капитала. Эти стартапы, оказывая финансовые услуги, взаимодействуют непосредственно с конечным пользователем, минуя банки. А потому неудивительно, что потеря доли рынка и снижение прибыли признаются основными угрозами для банковской отрасли.

Три четверти банков, опрошенных PwC, сходятся во мнении, что самое сильное воздействие сегмента финтеха на их бизнес проявилось в повышении внимания к потребностям клиента. И пока ориентированность на клиента остается слабым местом традиционных банков, именно она позволяет стартапам усиливать свои позиции. Новые игроки рынка обнаружили, что в разочаровании клиентов в стандартном обслуживании кроются новые возможности, и занялись созданием соответствующих решений. Примечательно, что банки, работающие по традиционной схеме, пока с запозданием реагируют на ситуацию и предлагают лишь небольшие постепенно внедряемые усовершенствования.

Вероятно, именно поэтому конкуренцию между банками и новыми игроками заменяет прямое сотрудничество. Банки активнее всех прочих финансовых организаций создают партнерства с компаниями финтех-сегмента. 42% из них вступают в партнерские отношения и создают венчурные фонды для финансирования финтехов.

Для клиентов важны удобство, персональный подход, доступность и простота использования технологий. И чтобы оправдывать эти ожидания, банкам и финтехам следует сосредоточиться на собственных преимуществах. Сила финтехов кроется в простоте продуктов и полной интеграции, но они не могут обеспечить надлежащую информационную безопасность и гарантировать определенность во взаимоотношениях с регуляторными органами, банки же обладают такими возможностями. Сейчас обе стороны приходят к осознанию того, что новые взаимовыгодные отношения можно наладить.