Читать онлайн «Финтех». Страница 37

• 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;

• в конечном счете цены за проведение операций учитывают все запросы, направляемые на сервер прогнозирования, и постоянно выставляют счета, например, за тысячу запросов.

Согласно ряду интервью с руководителями МСБ, бухгалтерами по налогообложению, а также с управляющими банками и менеджерами по работе с клиентами, всем им нужна прогнозная аналитика. С одной стороны, она поможет принимать лучшие решения, с другой – поможет в борьбе с финансовой неграмотностью и предоставит владельцам и менеджерам наглядную визуализацию и понимание зависимостей и уровня сложности, а также позволит планировать будущие сценарии денежных операций.

Было бы интересно прогнозировать следующие цифры:

• движение денежных средств;

• влияние колебания обменного курса;

• спрос на специальные продукты, например количество возобновляемых кредитных линий, деривативные/хеджевые инструменты для специальных продуктов или валют.

Платформа прогнозирования должна быть обеспечена высокопроизводительным интерфейсом взаимодействия с внешними источниками данных.

• Макроэкономические данные. Пользователей системы могут попросить предоставить дополнительные данные, такие как геолокация, размер (доход, количество сотрудников), отрасль, обычное местоположение, а также отрасль производителей и клиентов. Эти исходные данные могут сформировать основание для загрузки приблизительных внешних макроэкономических данных в прогнозы.

• Системы хранения данных/бухгалтерские/ERP/CRM-системы. В зависимости от размера и отрасли компании должна применяться одна из этих систем. Их данные могут использоваться непосредственно в качестве необработанных входных данных для алгоритмов прогнозирования или – будучи агрегированными или результатом прогноза – формировать факторы при планировании сценариев.

• Дополнительные банки. Как только компания достигает определенного размера, высока вероятность того, что ей потребуются связи с другими банками, например договор аренды или ссуда под недвижимость в другом финансовом учреждении. Это даже может быть синдицированный банковский кредит или более крупные денежные средства. Стандарты отрасли и финтех-компании, такие как FIGO, предлагают связываться с этими банками и получать их транзакционные данные, возможно даже в режиме реального времени.

Прорывной характер таких методов может быть довольно широкомасштабным. Он оказывает немедленное влияние на консультантов, бухгалтеров по налогообложению и сотрудников компании. Банки, которые располагают такими данными, могут изменить цену финансовых инструментов и, в конечном счете, даже котировки риска.

Алгоритмы прогнозирования – очень перспективная и интересная сфера для исследований. Кроме того, уже есть первые очевидные и доступные результаты, вокруг которых можно выстроить надежные бизнес-модели, как показано на примере денежных потоков частных клиентов.

Модное словечко «казна как услуга» подводит итог паре интересных возможностей по дальнейшей реализации. В частности, использование алгоритмов прогнозирования в сочетании с онлайн-банкингом и банковскими данными – может, даже в сочетании с внешними источниками – очень перспективно. В конечном счете это может привнести новую функциональность в пользовательский сегмент микрокорпораций.

Однако существует еще ряд препятствий, которые необходимо преодолеть. Статистические методы могут предлагать непроверенные результаты и методологически неправильные модели. Также банковские серверные решения иногда еще не способны предоставлять необходимые данные в нужное время или качество данных может быть неподходящим. И, в конце концов, всегда есть риск того, что пользователи не проявят интереса к результатам работы алгоритма или окажутся неспособны с ними работать.

Успешное внедрение прогнозов движения денежных средств частных клиентов – первый шаг на пути предоставления алгоритмов прогнозирования каждому клиенту банка.

Большинство финансовых учреждений адаптировали существующие информационные системы, чтобы соответствовать посткризисным нормативно-правовым актам. К сожалению, ограничения их устаревших технологий оказались огромными, и это не позволило им оправдать ожидания надзорных органов относительно того, что большие объемы данных за несколько лет, хранящиеся в банках, теперь могут быть доступны очень быстро, если не в режиме реального времени.

В этой главе говорится о том, как технологии работы с большими данными способны облегчить реализацию информационных систем управления рисками и обеспечить нормативно-правовое соответствие. Кроме того, здесь речь идет о том, как технологии превращают препятствия в деловые возможности. Если банки рассматривать в этом контексте как гигантские базы данных, тогда технология обработки больших баз данных предлагает возможность связать ранее разобщенные функции и работающие модели. Единая система работы с большими массивами данных может предложить универсальное аналитическое решение по нормативно-правовому соответствию.

Так как технология больших данных постоянно развивалась с момента появления в веб-отрасли, она начала использоваться для поддержки уникальных требований и задач финансовой сферы. Эта глава посвящена архитектуре и возможностям Scaled Risk, компании, которая предлагает финансовое ПО как программное решение и объясняет, почему эти компоненты являются обязательным требованием для внедрения технологии больших данных в финансовом контексте. Мы также проиллюстрируем на реальных примерах, как большие данные можно использовать для управления рисками и задачами нормативно-правового соответствия.

С начала 2010-х гг. термин «большие данные» обычно использовался, чтобы описать новое поколение технологий и новые подходы к управлению данными.

Эта технология была создана крупными игроками веб-индустрии, потому что традиционные технологии не были способны адаптироваться к непредсказуемому количеству пользователей, быстро растущим объемам данных и увеличивающейся необходимости в вычислительных мощностях. Отрасли веб-разработки также требуется больший уровень гибкости и скорости адаптации, чтобы можно было быстро развивать приложения, не прерывая работу системы. Инновация «Больших данных» подтолкнула мощности информационных систем отрасли веб-разработки к самому высокому уровню гибкости, скорости и простоты использования.

Удивительно, что предприятия, включая банки, в большинстве своем упустили эту возможность – с очевидными последствиями. Инновации на предприятиях развивались крайне медленно по сравнению с Интернетом. В конце концов, обычные инструменты демонстрируют высокий уровень гибкости и удобства для пользователя, в то время как бизнес-инструменты остаются закостенелыми и трудны для обучения.

К сожалению, прямое использование не будет простым и ясным; тем не менее огромная часть отрасли программного обеспечения участвует в том, чтобы адаптировать технологии больших данных на предприятиях. Адаптация к нуждам предприятий неуклонно предлагает программное обеспечение для бизнеса с теми же уровнями гибкости и эргономики, которые уже существуют в интернет-отрасли.

Это началось вначале 2010-х гг. с заметного успеха Salesforce.com, но развитие идет медленно и занимает больше времени, чем планировалось, из-за влияния следующих факторов:

• архитектура больших данных – это радикальное изменение парадигмы, внедрение требует новых знаний и новых людей;

• варианты использования в интернет-отрасли значительно отличаются от использования на предприятиях;

• уровень достоверности технологии, используемой в мире Интернета, ниже (зачастую ошибочно), чем в любой другой отрасли, особенно в сфере банковских услуг.

Большинство банков внедрило технологию больших данных с разными результатами, зачастую зависящими от бизнес-процесса, для которого требовалась технология. Самые близкие к миру Интернета и самые простые для внедрения:

• маркетинг;

• знай своего клиента (ЗСК);