Наталия парменова, sap снг: «с помощью больших данных можно разрабатывать очень интересные продукты»

- kbrbank

Наталия парменова, sap снг: «с помощью больших данных можно разрабатывать очень интересные продукты»

Исполнительный директор SAP СНГ Наталия Парменова поведала порталу Bankir.Ru о том, как громадные эти смогут оказать помощь банкам повысить возврат кредитов, что дает кооперация с другими отраслями и о методах удержания клиентов. — Для чего банкам разбирать громадные эти?

— на данный момент банки испытывают давление со всех сторон, потому, что границы между отраслями размываются. На их «территорию» претендуют телеком-операторы, розничные и транспортные компании, множество финтехстартапов. Это происходит вследствие того что технологии для разработки онлайн-сервисов стали весьма дешёвыми по цене.

Иначе, у банков значительно изменился клиент. Некое время назад люди, приходившие в отделения, осознавали, для чего необходимо заполнять бессчётные бумажки, и в придачу хранили физические деньги дома. А нынешнее поколение весьма требовательное и избалованное сервисами, каковые предоставляют компании из вторых отраслей, начиная от Facebook и заканчивая Amazon.

Применение громадных разрешённых позволяет осуществить переход от массовых маркетинговых кампаний, к полной персонификации на базе определенных триггеров

Применительно к банкам громадные эти — это постоянный поток информации о состоянии клиента. Люди женятся, разводятся, регистрируют детей, путешествуют, берут вещи, и информацию об этом отражаются в различных совокупностях. Все эти события в других отраслях уже сейчас являются основой для персонификации предложений, другими словами предложения нужной человеку услуги либо продукта в верное время.

Применение громадных разрешённых позволяет осуществить переход от массовых маркетинговых кампаний, пускай и достаточно ориентированных на конкретного клиента, к полной персонификации на базе определенных триггеров. Банки, каковые это знают, деятельно интегрируются с компаниями из вторых отраслей, дабы создавать неповторимые предложения. К примеру, сотрудничество с телекоммуникационными операторами разрешает им получить данные о наличии в вашей жизни каких-то событий, основываясь на данных трафика, с розничными сетями — знать, что именно вы берёте, а с национальными учреждениями — выяснить ваш статус.

Персонификация предложений — это первое и самое серьёзное из всего, что смогут и должны делать банки. За границей это деятельно практикуют. К примеру, интеграция зарплатного финансирования и проекта разрешает выяснить вашу покупательную свойство.

Причем познание этого происходит в онлайне, а не на базе 2-НДФЛ. Банки должны мочь не просто анализировать информацию о состоянии клиента, но и делать это весьма скоро. С теми АБС, каковые на данный момент употребляются, на создание нового продукта уходят дни либо кроме того семь дней, тогда как финтехкомпании делают это за часы. Практически пять лет назад мы вывели на рынок платформу SAP HANA, которая обрабатывает огромные массивы не только цифровой, но и визуальной и текстовой информации.

Как раз анализ громадных массивов данных — это то, что необходимо банкам наравне с продуктовым конфигуратором. на данный момент мы общаемся с несколькими банками по данной теме.

— Что дает банкам сотрудничество с компаниями из вторых отраслей?

— Гибридные предложения сейчас весьма актуальны. К примеру, сотрудничество со страховыми компаниями разрешает банку предлагать продукты страхования. В некоторых государствах банки интегрируют собственные услуги в сайты по продаже недвижимости, благодаря чему вы имеете возможность не только посчитать на калькуляторе, во что вам обойдется квартира, но в этот самый момент же сделать запрос на конкретный кредит.

Кооперация с другими отраслями и встраивание денежных сервисов в том месте, где это необходимо и комфортно людям, к примеру на сайте вебмагазина,— это вторая область для применения громадных данных, касающаяся стремительного осуществления транзакций.

Посредством громадных разрешённых можно создавать весьма увлекательные продукты. Один из германских банков сделал депозит под проводившийся в Германии чемпионат по футболу. Ставка по нему изменялась в зависимости от скоринга матча.

Таковой формат привлек в банк много болельщиков.

Рост эффективности вероятен за счет отказа от разработки части совокупностей сомостоятельно и вынесения самых несложных процессов на аутсорсинг

Потому, что денежные организации соперничают сейчас и с другими отраслями, в Российской Федерации поднимается вопрос эффективности их работы. В целом мы видим, что по части оптимизации новых и использования технологий внутренних процессов банки имели возможность бы делать больше. Дело в более консервативном взоре на безопасность, помимо этого они находятся под громадным контролем регулятора, чем розничные компании и промышленные предприятия.

Все это делает банки инерционными. Но потому, что соперники из вторых отраслей поджимают, они все же думают о увеличении эффективности собственных процессов. На мой взор, улучшить данный показатель разрешит смещение фокуса на внешние тучи.

Рост эффективности вероятен за счет отказа от разработки части совокупностей сомостоятельно и вынесения самых несложных процессов на аутсорсинг. На мой взор, это направление должно развиваться. Телекоммуникационные и розничные компании разделяют процессы, на которых должно концентрироваться собственное ИТ-подразделение компании, и процессы, каковые возможно дать внешним подрядчикам.

Применение туч разрешает отказаться от конфигурации «под себя», применять лучшие практики, быть более эластичными с выбором совокупностей, скоро приобретать доступ ко всему новому.

— Получается, что применение громадных разрешённых позволяет сократить банковские издержки?

— Сократить затраты разрешает персонализация предложений, она избавляет банк от необходимости делать веерный заход с обычно низким выбросом. А таргетирование увеличивает возможность попадания в целевую аудиторию и позволяет повысить колличество клиентов. Помимо этого, растет процент их удержания и удовлетворенность: так как каждому приятно взять то, что он желает сейчас.

— Возможно ли посредством громадных разрешённых прогнозировать поведение и платёжеспособность конкретного клиента? Возможно исходить из корреляции в это же время, как человек платит по квитанциям, и тем, как он будет оплачивать кредиты

— В то время, когда говорят о прогнозировании платежеспособности, подразумевают примитивный подход, основанный на предоставлении 2-НДФЛ, а имеется нюансы, разрешающие более совершенно верно оценить, как человек будет возвращать кредит. Возможно исходить из корреляции в это же время, как человек платит по квитанциям, и тем, как он будет оплачивать кредиты. К примеру, вы идете брать кредит со справкой 2-НДФЛ, которая показывает, что вы получаете 10 млн рублей в год.

Глядя на эту справку, банк может поразмыслить: «Какой хороший клиент». Но вы имеете возможность быть хоть и обеспеченным заемщиком, но ненадежным. Дабы вычислить это, в некоторых государствах банки кооперируются с поставщиками жилищно-коммунальных услуг и наблюдают, как систематично клиент оплачивает услуги. Человек может получать 10 млн в год, но все время откладывать платежи за электричество.

И в случае если счета за ЖКХ смогут подождать, то банк, выдавший кредит 30–40 млн, не потерпит задержек с оплатой. Это следующий уровень, где верное применение громадных разрешённых позволяет менять бизнес-процессы и принимать управленческие ответы.

Еще одна занимательная тема — мошенничество. Существует множество разработок, разрешающих зафиксировать поведение, в то время, когда вы приходите в банк брать кредит. Сравнивая его с действиями вторых клиентов и уже известным результатом работы с ними, возможно вынести ответ, давать вам кредит либо нет. Второй пример анализа громадных данных — красная кнопка.

В ряде государств вместо нее для сотрудников банков уже применяют электронные браслеты. При ограбления человек испытывает стресс, под действием которого изменяются показатели его состояния (пульс, к примеру), это фиксируют особые датчики и отправляют данные в полицию.

— Какие конкретно разработки употребляются для распознавания мошенничества, в то время, когда клиент пользуется интернет-банком либо мобильным банком?

— Проверить данные о человеке по определенным параметрам сейчас легко. Все применяемые нами технологии, включая базы и интернет данных, существуют в далеком прошлом. на данный момент они стали так дешёвы и стремительны, что проверка человека по ним и сравнение URL клиента разрешает скоро фиксировать мошенничество.

Мы на данный момент трудимся с «Лабораторией Касперского», которая уделяет громадное внимание устранению намеренных вторжений при передаче данных. Действительно, в этом направлении мы до тех пор пока трудимся не с банками, а с промышленными компаниями.

— Как обеспечивается защита громадных данных и имеется ли неприятность с их защитой в принципе?

— Это, скорее, надуманная вещь. Банковская сфера — одна из самых транснациональных. Потому, что деньги не существуют физически, то борьба между банками ведется, скорее, на мировом уровне, чем на уровне одной страны.

Банковские ландшафты необходимо защищать, и они, на мой взор, защищены достаточно.

В конце 2014 года SAP открыл в Российской Федерации ЦОД. Он трудится по тем же стандартам, что и отечественный ЦОД в Германии, и предоставляет такие же облачные услуги отечественным банкам, как и на Западе. В них стоят аналогичные совокупности видеонаблюдения, одинаково защищены кабели и все остальные параметры настроены в соответствии с одному и тому же перечню требований к безопасности, что превышает все вероятные мировые стандарты.

Но в раздельно забранной транзакционной совокупности возможно большое количество различных наслоений. К примеру, в то время, когда начальник запрашивает отчет, подчиненный выгружает эти из массива и причесывает их в Excel, потому, что единый формат заполнения достаточно сложно отследить при вводе данных в совокупность различными людьми. Для исключения для того чтобы метода мы создали ответ SAP Digital Boardroom.

Его функция — брать сырой массив данных и сразу же выводить его в отчет.

Анализ громадных массивов данных без «причесывания» содержит большое количество открытий

Мы сравнительно не так давно делали прототип для одного клиента из денежной сферы. Он просил нарисовать графики, разрешающие осознать, где у него больше всего должников, в Москве, Санкт-Петербурге либо Самаре. Мы массив данных и без «причёсываний» и «украшений» сделали анализ дебиторской задолженности. В оказавшемся отчете выяснилось три Москвы: стало известно, что раньше при подготовке отчета из трех городов с однообразным заглавием вручную делали один.

По сути, это также относится к вопросам безопасности. Еще одна обстановка — банк наблюдает на 5–10 наибольших должников и считает, что именно из-за них терпит убытки. Но в следствии анализа непричесанных данных узнается, что следующая тысяча обязана втрое больше, чем наибольшие 5–10 компаний, легко раньше никто на них не наблюдал.

я точно знаю, что анализ громадных массивов данных без причесывания содержит большое количество открытий.

на данный момент на базе SAP Digital Boardroom мы думаем о создании ответа для анализа производственных данных — так называемый SAP Digital Operations Room. За этим будущее.

Торжественная церемония награждения SAP Value Award

Интересные записи

Похожие статьи, которые вам, наверника будут интересны: