Интерес ко внедрению Big Data значительно подогревает возможность коммуникации с клиентом

Из молодых технологий в 2016-2017 гг. российские банки внедряли решения на основе Big Data и искусственного интеллекта (AI). Интерес к биометрии был сформирован инициативами Центрального Банка. Проекты на основе блокчейна и криптовалюты в 2016-2017 году не были очень популярны в банках. Об этом в интервью iot.ru сообщил Андрей Критилин, эксперт центра компетенций облачной разработки компании «Техносерв».

— Какими молодыми технологиями* интересовались банки в 2016-2017 году? Чем вы можете объяснить такой интерес?

— Из всего вышеперечисленного на первом месте у банков в 2016-2017 году стояли технологии, связанные с Big Data и искусственным интеллектом. Вторым по значимости можно поставить биометрию, но в отличии от Big Data и AI, интерес к биометрии в большей части был сформирован внешней средой, в основном – текущими инициативами ЦБ по внедрению биометрической идентификации клиентов банка.

Проекты на основе блокчейна и криптовалюты, не смотря на яркий новостной фон вокруг этих технологий, в 2016-2017 году не были очень популярны в банках в основном по причине текущий неготовности инфраструктуры рынка к данным технологиям. При этом признано, что с трансформацией рынка данные технологии будут встроены и поддержаны банками, но это вопрос нескольких лет.

Основной же интерес к Big Data & AI продиктован в первую очередь «хайпом» кругом этой технологии. Банки, в большинстве своем, сначала запускают данные проекты, и в процессе имплементации уже находят зоны конкретного применения. При этом, уже на этапе пилотных проектов BigData и AI находят свое применение, и банки готовы все более и более осознанно инвестировать в данную область. 

В целом общие тренды рынка хорошо показаны на диаграмме, предоставленной Gartner, где дана кривая зависимости ожиданий от технологий от времени на 2016 год. Видно, что сначала технологии проходят этап инновационности, доходя до пика завышенных ожиданий, за которым идет период спада ожиданий, «разочарованности» и уже далее период стабилизации и выхода на продуктивность.

Банки, являясь на текущем рынке больше потребителями, чем создателями финтех услуг, в большинстве своем больше ориентируются на технологии, находящиеся на пике Hype Cycle.

Таким образом, в 2016-2017 годах, интерес банков к Большим Данным и машинному обучению был продиктован больше их нахождению на пике ожиданий рынка от этих технологий.

— Какие интеллектуальные решения (на базе блокчейн, искусственного интеллекта, Big Data, видеоаналитики и т.д.) уже используют российские банки? Какова эффективность проектов с применением умных технологий в банках? 

— Как было сказано выше, период 2016-2017 года пришелся в банках на инвестиции в Big Data и машинное обучение. Уходя от общих восклицаний, про то, как роботы и машинное обучение изменят мир, рассмотрим уже практический опыт применения банками данных технологий банками в 2016-2017 году.

Практические области применения BigData & AI в банках можно условно разделить на четыре области.

Клиентская аналитика, CRM

Формирование широкого профиля клиента, создание вектора его предпочтений и проактивное покрытие их банковским продуктом, по факту выход на новый этап event-based CRM. 

Методами машинного обучения банк получает информацию о клиенте, сверх той, которая содержится в анкетных данных и получает ее оперативно.

Одним из примеров подхода могут являться модели тематического моделирования на транзакционном поведении клиента, когда банк причисляет клиента к какому-либо типу поведения исходя из его (клиента) транзакций (автомобилист, ждет детей, любит зимний спорт, готовится к отпуску, уехал в командировку и т.п.). В нашей практике таких «инсайдов» о клиенте в одном из банков топ-10 было собрано и динамически рассчитывалось более 350 штук. Данные инсайды помогают следить за потребностями клиента и проактивно предлагать ему продукты банка. К примеру, на практическом опыте очень хорошо с точки зрения конверсии работало оперативное предложение кредита наличными человеку, который вошел в транзакционный кластер «появились дети» (к детям нужны деньги…). 

Вместе с моделями профилирования клиента, так же хорошо себя показали модели по определению вероятности склонности клиента к покупке того или иного продукта, что увеличивает конверсию от рассылок предложений. Теперь банки могут не проводить «ковровое бомбометание» SMS с предложением продукта по всей базе, а действовать сегментированно по клиентам, которым это действительно нужно. Модели склонности клиента коммуницировать в канале (кто-то лучше отреагирует на SMS, кому-то лучше позвонить, а кому-то показать баннер при входе в интернет банк).  Для банка это экономия средств, для клиента – уменьшение негативного опыта от спама.
Так же банки активно начали пилотировать и использовать модели предсказания следующей транзакции клиента для продажи спецпредложений, модели анализа поведения клиента на сайте банка.

Отдельно стоит отметить возможности, которые дает в описании портрета клиента автоматизированный анализ разговоров сотрудника колл-центра банка с клиентом. Но данная технология в 2016-2017 гг, так или иначе использовалась среди наиболее продвинутых с точки зрения финтеха банках, и ее трудно назвать популярной.

Важной частью является возросшее предложение и спрос рынка на данные по анализу цифрового следа клиента (данные сотовых операторов, крупных доткомов, провайдеров услуг электронной почты), которыми банки начали активно обогащать информацию о клиенте.

Можно сказать, что непосредственно в части клиентской аналитики и перевода принципа «знай своего клиента» в практическую плоскость технологии машинного обучения действительно начали менять банки и оказали наиболее существенное влияние.

В большей части сейчас это пилотные проекты, но тренд развития CRM-платформ банков в сторону Big Data и машинного обучения – очевиден.

Управление риском, борьба с мошенничеством

Не правильно будет сказать, что банки только начали применять технологии машинного обучения в сфере управления риском и борьбе с мошенничеством. В той же задаче разработки кредитного скоринга они применялись всегда и достаточно давно, только раньше это не называлось так активно «машинным обучением» (хотя по сути им являлось). Но при этом непосредственно BigData, как технология, которая позволяет параллельно обрабатывать и хранить большие объемы данных, значительно ускорили и оптимизировали процесс разработки данных моделей и удешевили системы хранения данных. Одним из примеров может быть яркий проект ВТБ24 по интеграции систем - SAS (на которых исторически велась разработка риск-моделей) с платформой технологии BigData – Hadoop, что позволило в значительной мере удешевить стоимость хранения данных и скорость их обработки в рамках задач разработки риск-моделей.

Оптимизация собственных бизнес-процессов банка

Уже во многом классические задачи для BD&AI, с которыми многие банки в 2016-2017 начали внедрение данной технологии. Основные задачи – оптимизация загрузки, логистики и геопозиции сети банкоматов, прогнозирование звонка и причины звонка в колл-центр и предвосхищение потребности клиента. В большинстве банков данные модели были запущены на этапе пилотирования, но можно с уверенностью сказать, что в 2019-2020 годах использование технологий машинного обучения в оптимизации данных процессов станет в основном, стандартным для индустрии.

Реакция на действия клиент on-line

Как видно из риторики рынка, интерес ко внедрению платформ Big Data значительно подогревала возможность коммуникации с клиентом в реальном времени, как одной из возможностей платформ распределенных вычислений. К примеру, клиент сделал, какое-то действие в мобильном банке, и банк тут же на него отреагировал (клиент интересовался депозитами, и банк вывел ему баннер с предложением депозита). Данная область все еще находится на этапе пилотных проектом, но в течение 2-3 лет, так же может являться перспективной.

Эффективность

В целом,  большинство банков признают свои проекты и пилоты, связанные с внедрением платформ BigData успешными.

— Как ситуация в описанных вами областях обстоит в зарубежных банках?

— Стоит понимать, что «зарубежные банки» само по себе очень широкое определение. Для многих банков Восточной Европы, где рынок уже устоялся, даже текущий стандарт функциональности среднего мобильного банка РФ – уже финтех. Относительная молодость банковского рынка России и его рост на фоне общей диджитализации обеспечили значительный отрыв топ-банков РФ по уровню используемых технологий от многих мировых игроков. К примеру, в США, до сих пор популярны и распространены чековые книжки, мы же уже не можем представить себе нормальный розничный банк, где большинство операций нельзя сделать в онлайне. С другой стороны в США ряд банков активно потребляют услуги финтех-компаний.

— Какие решения в российских банках принимают машины (роботы, системы искусственного интеллекта и т.д.)? Какова эффективность таких решений?

— Как и было написано выше, это решения, в первую очередь связанные с процессами одобрения кредита, противодействия мошенничеству. 
Но данные процессы строились на основе алгоритмов машинного обучения уже достаточно давно, просто мы не называли автоматизированный скоринг «роботом», а модель на основе логистической регрессии – искусственным интеллектом (логистическая регрессия – один из методов машинного обучения). Эффективность подобных решений высока и является стандартном для индустрии. Таким образом, фраза того или иного банка, что он начал принимать решения по кредитной заявке благородя системе ИИ – не более чем игра на рынок и жонглирование терминами.

— Какие решения в банках, на ваш взгляд, в ближайшие два-три года будут применять машины (в России/в мире)? Что будет этому способствовать? Какие существуют ограничения для этого?

— Во-первых, это автоматический CRM – подбор и предложение релевантного продукта клиенту в real-time, исходя из глубокого машинного анализа его потребностей. Решение отправить коммуникацию с предложением о кредите будет принимать не человек в рамках формирования CRM-компании, а алгоритм.

Во-вторых, замена ручного труда в процессе принятия кредитного решения – к примеру, раньше документы, приложенные к кредитной заявке смотрел человек, но мы уже готовы технологически исключить данный этап из процесса принятия решения, благодаря технологиям распознавания изображения внешним источникам данных.

В-третьих, снижение численности персонала колл-центров (информирование, работа с просроченной задолженностью), за счет того, что на часть вопросов клиентов смогут отвечать те или иные роботизированные системы (те же чат-боты, или модели предсказания потребности клиента в звонке в контакт центр, которые будут превентивно направлять ему коммуникацию по возникшему вопросу).

В-четвертых, ряд решений «внутренней кухни» бэк-оффисов банка ( как один из примеров, указанных выше - когда инкассировать банкомат).

Этому будет способствовать все возрастающая конкуренция на рынке банковских услуг. Уже явная необходимость ориентации на потребности клиента в борьбе за клиента. Так же важной составляющей будет желание банков снизить операционные расходы на основные бизнес-процессы в рамках борьбы за возможность дать клиенту более низкую ставку.

* Под молодыми технологиями редакция iot.ru имеет ввиду:

— криптовалюта;

— блокчейн; дроны;

— искусственный интеллект;

— носимые устройства;

— виртуальная и дополненная реальность;

— видеобанкинг;

— биометрия;

— роботы.