Ключевые факторы успеха при освоении технологий работы с большими данными в банковских организациях

«Высшая школа экономики»

Кафедра менеджмента инноваций

Информационной основой исследования послужили материалы научно-практических конференций, научные публикации и монографии ведущих ученых-экономистов, материалы электронных ресурсов Интернет, научно-исследовательские материалы, публикации в периодической печати. Особое значение в ходе исследования имели данные и материалы официальных сайтов ПАО «Сбербанк» и ПАО «Альфа Банк», а также их официальная финансовая отчетность и данные бухгалтерского баланса.

Источник: составлено автором на основе анализа литературы [14].

Как показывает рисунок, существует несколько источников данных для технологий больших данных. По прогнозам исследователей, повсеместное использование таких источников приводит к проникновению больших данных в научно-исследовательскую деятельность, в коммерческий сектор, а также в государственное управление.

На рисунке (рис. 2) представлена классификация источников данных в технологиях больших данных.

В настоящее время выделяется несколько основных видов технологий больших данных, к числу которых можно отнести [30]:

? массивы необработанных данных Big Data, основной задачей которых является хранение и управление большими объемами постоянно увеличивающейся информации;

? Data Mining, под которым понимается обработка и структуризация данных, а также их аналитика с целью выявления скрытых и неочевидных взаимосвязей между данными;

? Machine Learning - процесс машинного обучения, в основе которого лежат связи, обнаруженные в ходе анализа.

Рисунок 2 - Источники данных технологий больших данных

Источник: составлено автором на основе анализа литературы [30].

Особое внимание необходимо уделить критериям оценки эффективности использования больших данных. К их числу относятся латентность, ориентированность на поддержку больших объемов данных и масштабируемость. Рассмотрим их подробнее.

Так, под латентностью технологий больших данных понимается скорость, которая необходима для обработки данных. В специальной литературе латентностью называют время, которое затрачивают программное обеспечение (ПО) и устройства сети на подготовку к передаче информации по каналу. Полная латентность складывается из программной и аппаратной части передачи данных [29].

О высокой эффективности использования больших данных говорит низкий уровень латентности технологии больших данных. В свою очередь, высокая степень латентности показывает, что при обработке и анализе данных присутствуют большие задержки. Это означает, что для повышения эффективности технологий больших данных компаниям необходимо снижать время, которое затрачивает ПО на подготовку к передаче данных.

Ориентированность на поддержку больших объемов данных является еще одним критерием оценки эффективности использования больших данных. Она предполагает наличие средств мониторинга (средств агрегированного контроля работы системы), контроля на основе анализа процессов, а также управления.

Кроме того, в качестве критерия оценки эффективности использования больших данных используется масштабируемость, под которой понимается способность системы к расширению, то сеть пропорциональное увеличение числа используемых процессоров с ростом объема задач. Это означает, что, если объем данных увеличивается в два раза, то необходимо увеличить количество серверов также в два раза.

Часто данный критерий называют принципом горизонтальной масштабируемости технологий больших данных [33]. Также такой критерий, как масштабируемость, предполагает масштабирование при параллельной обработке данных, то есть возможность технологии больших данных увеличивать число процессоров и задач с одновременной обработкой данных в аналитических средах.

Стоит отметить, что компании довольно часто вынуждены решать проблемы, связанные с разнородностью данных, именно поэтому масштабируемость технологии по горизонтали и вертикали имеет важное значение в современных условиях, поскольку позволяет значительно экономить средства на ИТ-ресурсы.

Наравне с указанными критериями оценки эффективности использования больших данных существует критерий отказоустойчивости. Он предполагает обеспечение стабильности в работе всех систем технологий больших данных, которая необходима в случае возникновения сбоев на каких-либо серверах, а также для минимизации последствий сбоев [18].

Также на эффективность использования больших данных влияет локальность, то есть выполнение требования, согласно которому данные обрабатываются на том же сервере, на котором находятся эти данные. Это говорит о рациональности использования расходов на передачу данных в конкретной организации.

Таким образом, можно утверждать, что эффективное применение технологии больших данных на основе критериев латентности, ориентированности на поддержку больших объемов данных, масштабируемости, отказоустойчивости и локальности позволяет компаниям в полной мере получать выгоды от внедрения данных технологий. Однако, несмотря на очевидные преимущества, такие технологии имеют некоторые ограничения.

В таблице (табл. 2) представлены факторы роста использования и ограничения технологии больших данных.

Таблица 2 - Технологии больших данных: преимущества и недостатки

Источник: составлено автором на основе анализа литературы.

Таким образом, можно сделать следующий вывод. В настоящее время технологии больших данных являются драйвером развития банковского сектора. Под ними понимается серия подходов, инструментов и методов обработки данных больших объемов для получения определенного результата.

Эффективное применение технологии больших данных обусловлено выполнением критериев латентности, ориентированности на поддержку больших объемов данных, масштабируемости, отказоустойчивости и локальности. Это позволяет компаниям в полной мере получать выгоды от внедрения технологий больших данных.

1.3 Подходы к освоению технологий работы больших данных в банковском секторе

В рамках настоящего исследования особенный интерес представляет внедрение технологий больших данных в банковской сфере. Рассмотрим основные подходы к освоению технологий работы больших данных в банковском секторе. Чаще всего в процессе внедрения технологий больших данных в организации банковской сферы необходимо наличие таких компонентов, как [26]:

? прототип для обработки гипотез;

? арендуемые аппаратные мощности или собственные платформы, например, облачные ресурсы;

? источники данных (как внутренние, так и внешние);

? алгоритмы обработки и/или ПО для обработки и анализа данных;

? интеграционная составляющая;

? средства визуализации информации.

Стоит отметить, что среди названных компонентов наиболее критически важное значение имеют прототип, алгоритмы и источники данных. Прототип является ключевым компонентом, поскольку именно на основе него определяется конечный список требований и функциональные возможности решения. В свою очередь, алгоритмы и источники данных определяют затраты труда на достижение конечного результата.

Процесс освоения технологий работы больших данных в банковском секторе имеет несколько основных этапов, которые должны выполняться постепенно. На рисунке (рис. 3) представлены данные этапы.

Рисунок 3 - Этапы освоения технологий работы больших данных в банковском секторе

Источник: составлено автором на основе анализа литературы [26].

Рассмотрим вышеназванные этапы более подробно.

Первым этапом освоения технологий работы больших данных в банковском секторе является определение требований к результатам, возможностям и функциональности. Данные требования могут касаться надежности, производительности решений больших данных и тестируемости технологии. Чаще всего сюда включаются [3]:

? требования к данным: источники, размер, пропускная способность;

? требования к обработке данных: время запроса, время обработки, точность.

На данном этапе происходит взаимодействие практически всех членов команды и конечных выгодоприобретателей: разработчики и идеологи проекта, заказчики и пользователи.

На следующем этапе происходит проверка гипотез, поставленных ранее, о возможности достижения определенного результата. Данный процесс позволяет приблизить требования, определенные на предыдущем этапе, к существующей практике. После этого наступает следующий этап - выработка конечных критериев и показателей функционирования платформы.

Процесс внедрения проходит следующим образом: вся информация попадает на BI Платформу (Платформа «Business intelligence»). BI Платформа представляет собой совокупность разных методов и инструментов для конвертации исходной информации в форму, оптимальную для использования банком в соответствии с их целями. Стоит отметить, что информация передается на платформу напрямую. Проводят работу с разработчиками и отвечают за организацию внедрения технологий финансисты и сотрудники IT - отдела банка.

На этапе проектирования и разработки происходит непосредственная реализация технологии. Особенно важным этапом является этап тестирования, который можно представить следующим образом (рис. 4).

Рисунок 4 - Тестирование при освоении технологий работы больших данных в банковском секторе

Источник: составлено автором на основе анализа литературы [9].

Модульное тестирование(UNIT - тестирование), направлено на проверку корректности функционирования отдельных модулей кода программы. Другими словами, использование автоматизированных тестов, которые подготавливаются до начала разработки программного продукта. Использование такого метода тестирования дает возможность значительно сократить количество ошибок в коде, а также упростить процесс поддержки программного обеспечения.

Далее идет интеграционное тестирование. Интеграционное тестирование -- это процесс, который подразумевает тестирование модулей программы, объединенных в группу. Главная задача этого этапа - удостовериться в том, что взаимосвязи между программными компонентами отвечают всем функциональным требованиям. Данные, которые будут получены в ходе этой фазы тестирования, будут использованы тестировщиками в дальнейшем для проведения системного тестирования.

И завершающий этап - это приемочное тестирование. Оно направлено на проверку готового продукта конечными пользователями. В его ходе устанавливается, соответствует ли система изначальным требованиям и соответствует ли уровень качества ожиданиям заказчика.

Стоит отметить, что этап тестирования может происходить несколько раз, до тех пор, пока разработанная технология не будет удовлетворять всем заданным на предыдущих этапах.

Завершается процесс освоения технологии больших данных внедрением технологии в деятельность организации банковского сектора, а именно в ее информационную систему. Далее может быть произведена оценка эффективности функционирования технологии. По сообщению McKinsey & Company, прирост объема больших данных вызовет новую волну «инноваций, конкуренции и производительности» в деловой среде [35]. Как выразились два видных деятеля науки, «использование больших данных позволяет принимать решения на основании не интуиции, а фактических данных. По этой причине они способны совершить революцию в сфере менеджмента» [36]. Например, компания Procter & Gamble (P&G) использует преимущественно большие данные, в результате все более глубокое и комплексное оцифровывание ими данных позволяет говорить о наличии у компании «источника конкурентного преимущества». Это помогает улучшить все - от инновационных продуктов, анализа в реальном времени комментариев клиентов в социальных сетях до использования отслеживания изменений данных в целях оптимизации планирования магазинов розничной торговли [37]. Опыт P&G подтверждается широкими исследованиями. Исследования, проведенные в Школе менеджмента им. Слоуна показывают, что компании, принимающие решения на основании использования данных, получают 5-6%-е повышение производительности [38].

Отметим базовые факторы, обеспечивающие эффективность применения в деятельности компании больших данных.

1. Рост квалификации. В ходе опроса финансистов 86 % высказали мнение, что компании испытывают трудности в стремлении осуществить ценные аналитические выводы из имеющихся данных, и безусловно, это связано с такими проблемами, как разрозненность данных, их качество или возможность оперировать с незнакомыми данными нефинансового вида.

2. Финансово-деловое партнерство внутри компании. Чтобы раскрыть потенциал больших данных, специалистам по управленческому учету необходимо налаживать большее число контактов, которые приводят к формированию более плотных взаимодействий с тремя основными кластерами заинтересованных групп: специалисты из сферы ИТ, которые собирают большие данные; учеными в области обработки данных, которые формулируют инновационные методы анализа данных; и, наконец, бизнес-лидерами, которые могут обеспечить трансформацию новых идей в конкретные действия.

Рассмотрим применение технологии Big Data в банковской сфере. Поскольку ранее банки не применяли особенных технологий, чтобы определить некредитоспособность клиента, то решения зачастую принимались на основе субъективных факторах и впечатлений от клиентов. Однако сегодня, существуют инструменты «Data Mining», которые разделяют клиентов на добросовестных и неблагонадежных заемщиков. Также, применяя данную технологию можно установить лимит кредита, проценты по нему и срок возврата для заемщика, поскольку можно классифицировать клиента по группам риска. В рамках формирования маркетинговой политики, любой компании необходимо сегментировать своих клиентов, чтобы предлагать им выгодные условия с одной стороны, а также понимать «своего идеального клиента». Технология «Data Mining» позволяет классифицировать клиентов исходя из данных о их профилях. ПАО «Сбербанк России» является наиболее активным пользователем аналитической системы «Data Mining» в российском банковском секторе. Анализ больших массивов информации (данных) играет важную роль в стратегии банка на 2014-2016 гг. Для этого, привлекаются специалисты по большим данным, которые структурируют личные профили клиентов, основываясь на анализе банковских транзакций, данных, поступающих от банкоматов и другого оборудования банка, данных программ лояльности, информации госструктур, социальных сетей и коллекторских агентств. Основываясь на анализе больших о потенциальном заемщике, в октябре 2016 г. Сбербанк заявил о внедрении новой системы кредитования малого бизнеса без залога. Путем приобретения дополнительного компонента «Informatica Big Data Management», в ноябре 2016 г. Сбербанк расширил функциональность используемой платформы «Informatica Intelligent Data Platform», что дало возможность аналитикам осуществлять всесторонний предварительный анализ данных в целях обеспечения высокой скорости внесения изменений и передачи на поддержку разработанных процессов. В начале 2017 г. Сбербанк запустил проект «Открытые данные». Основные задачи проекта - это сбор информации о частных и корпоративных клиентах банка, ее систематизация, обобщение и предоставление всем желающим.

Альфа-Банк стал применять технологию больших данных в 2013 году. Он использует эти технологии для анализа социальных сетей и поведения пользователей сайта, оценки кредитоспособности, прогнозирования оттока клиентов, персонализации контента и вторичных продаж. Для этого он работает с платформами хранения и обработки Oracle Exadata, Oracle Big Data Appliance и фреймворком Hadoop. Возможности дополнительной монетизации своих массивов данных Альфа-банк видит в рекомендательных системах, анализе линейки продуктов и предиктивном анализе поведения клиентов.

Таким образом, можно сделать следующий вывод. В настоящее время процесс освоения технологий работы больших данных в банковском секторе является сложным и требует наличия определенных базовых компонентов, таких как прототип, источники информации и алгоритмы. На их основе происходит внедрение технологии, которое предполагает последовательное выполнение следующих этапов: определение требований, проверка поставленных гипотез о достижении результата, выработка конечных критериев функционирования платформы, проектирование и разработка технологии, тестирование технологии и ее функционирование. Широкое применение технологии больших данных в банковском секторе осложняется необходимостью значительных финансовых вложений, недостаточным числом грамотных специалистов, а также потребностью в дополнительных программных решениях, позволяющих осуществлять оценку рисков по различным направлениям банковской деятельности.

2. Особенности применения технологии больших данных в банковских организациях на примере ПАО «Сбербанк» и ПАО «Альфа-Банк»

В настоящее время в банковском секторе России функционирует большое число банковских организаций.

В рамках настоящего исследования наибольший интерес представляет анализ особенностей ПАО «Сбербанк» и ПАО «Альфа-Банк», открывающих первую и вторую пятерку крупнейших банков страны соответственно (см. табл. ниже).

Целесообразно начать исследование с определения позиций данных банков в банковской системе Российской Федерации.

Так, по состоянию на март 2019 годы в рейтинге банков по объему активов ПАО «Сбербанк» занимает первое место, а ПАО «Альфа-Банк» - шестое. банковский актив россия

В табл. 3 представлен рейтинг крупнейших в России банков по показателю активов.

Таблица 3 - Рейтинг крупнейших в России банков по показателю активов по состоянию на март 2019 года

Источник: составлено автором на основе данных рейтинга банков [26].

По национальной шкале «АКРА» ПАО «Сбербанк» на 19.03.2019 года имеет кредитный рейтинг ААА и стабильный прогноз. В свою очередь, ПАО «Альфа-Банк» на ту же дату имеет кредитный рейтинг АА также со стабильным прогнозом [26].

Перейдем к общеэкономической характеристике ПАО «Сбербанк» и ПАО «Альфа-Банк».

Публичное акционерное общество «Сбербанк» является российским финансовым институтом и транснациональным банком России, действующим также на территории Центральной и Восточной Европы. На сегодняшний день в составе ПАО «Сбербанк» числится 12 территориальных банков, которые обеспечивают функционирование более 14 тыс. подразделений по всей России.

Кроме того, в зарубежной сети банка присутствуют различные организационные структуры: дочерние предприятия, филиалы и представительства в 22 странах, в том числе в Турции, США, странах СНГ, Великобритании и странах Центральной и Восточной Европы [23].

Главный офис ПАО «Сбербанк» находится в городе Москве. Основным акционером банка выступает Центральный Банк Российской Федерации, который владеет 50% уставного капитала банка плюс одна голосующая акция. Также к числу инвесторов банка относятся различные международные и российские организации.

На долю ПАО «Сбербанк» приходится около 30% активов банковского сектора страны. Сегодня банк выступает основным кредитором национальной экономики и населения, поскольку аккумулирует более 45% вкладов физических лиц.

Кроме того, банк выдает более 40% совокупного объема средств для частных лиц. ПАО «Сбербанк» занимает высокую долю рынка корпоративных кредитов (34%) и на рынке ипотечного кредитования (56%). Кроме того, услугами банка на сегодняшний день пользуется более 150 млн. клиентов по всему миру, из которых 92 млн. человек - это активные розничные клиенты, а также 2,4 млн. корпоративных клиентов.

Особое значение для ПАО «Сбербанк» имеет корпоративная социальная ответственность. Для банка она представляет собой совокупность принципов и обязательств, которыми банк руководствуется в своей деятельности.

Основными направлениями являются управление взаимоотношениями со стейкхолдерами, а также оценка и управление влиянием на национальную экономику, социальную сферу и окружающую среду. Сегодня ПАО «Сбербанк» реализует большое число совместных и собственных благотворительных проектов [24].

Перейдем к анализу основных финансово-экономических показателей деятельности банка.

В таблице представлена динамика показателей отчета о прибылях и убытках ПАО «Сбербанк» за 2015 - 2018 гг.

Как показывает анализ таблицы, в 2015 году чистые доходы ПАО «Сбербанк» достигли 926,7 млрд. руб. и сократились по сравнению с предыдущим годом на 9,84%, что в стоимостном выражении составило 101,2 млрд. руб.

Однако уже в 2016 году тенденция изменилась и по настоящее время чистые доходы банка возрастают.

В целом все показатели прибыли, такие как чистые доходы, прибыль до уплаты налогов, прибыль после уплаты налогов, а также нераспределенная прибыль отчётного периода, ПАО «Сбербанк» показывают положительную динамику в 2015 - 2018 годы, на основе чего можно сказать, что эффективность работы банка увеличилась.

Показатели отчета о прибылях и убытках ПАО «Сбербанк» можно оценить положительно, поскольку прибыль и доходы, как видно, демонстрируют за последние два год достаточно активный прирост.

Таблица 4 - Динамика показателей отчёта о прибылях и убытках ПАО «Сбербанк» за 2015-2018 гг., млрд. руб.

Источник: составлено автором на основе анализа отчётов о финансовых результатах ПАО «Сбербанк» за 2015-2018 гг., опубликованных на сайте банка [22].

Согласно финансовому отчету ПАО «Сбербанк» в 2018 году прибыль банка составила 831,7 млрд. Причем за период с 2015 года показатель вырос более чем в 3,7 раза.

На рисунке представлена динамика прибыли ПАО «Сбербанк» в 2015 - 2018 гг.

Как показывает рис. 5, прибыль ПАО «Сбербанк» увеличивается на протяжении 2015 - 2018 гг. Это позволяет говорить о том, что на сегодняшний день ПАО «Сбербанк» эффективно осуществляет свою деятельность в банковском секторе России.

Рисунок 5 - Динамика прибыли ПАО «Сбербанк» в 2015 - 2018 гг., млрд. руб.

Источник: составлено автором на основе финансовой отчетности ПАО «Сбербанк» [22].

Перейдем к общеэкономической характеристике ПАО «Альфа-Банк». Так, в настоящее время это универсальный банк, который осуществляет основные виды банковских операций на рынке финансовых услуг, в том числе обслуживание частных и корпоративных клиентов, торговое финансирование, а также инвестиционная деятельность и пр.

Головной офис ПАО «Альфа-Банк» расположен в городе Москва, а во всех структурах банка по всей России работает более 24 тыс. сотрудников. В 2014 году произошло расширение банка за счет присоединения ПАО «Балтийский Банк» в соответствии с решением о его санации. На сегодняшний день акционерами ПАО «Альфа-Банк» являются АО «АБ Холдинг», которой принадлежит 99% акций банка, в также «ABH FINANCIAL LIMITED» (Кипр), обладающая 1% акций ПАО «Альфа-Банк».

Наравне с ПАО «Сбербанк», ПАО «Альфа-Банк» является одним из крупнейших в банковском секторе России. На протяжении многих лет он сохраняет ведущие позиции по размерам совокупного капитала, кредитному портфелю и обслуживанию клиентов. Более того, Центральный Банк Российской Федерации определяет ПАО «Альфа-Банк» как системно значимый в совокупности всех кредитных организаций страны [21].

В конце 2018 года клиентская база ПАО «Альфа-Банк» насчитывала более 530 тыс. корпоративных клиентов и более 16 млн. клиентов - физических лиц.

Такому числу клиентов банк предлагает услуги по сопровождению корпоративного и инвестиционного бизнеса, малого и среднего бизнеса, торговое и структурное финансирование, лизинг, факторинг, а также оказывает розничные услуги, такие как кредиты наличными и кредитные карты, ипотечное кредитование, накопительные счета, депозиты и онлайн-обслуживание.

Особое место в деятельности ПАО «Альфа-Банк», как и многих системных банков в России и в мире, занимает корпоративная социальная ответственность.

Основными направлениями КСО банка является благотворительная помощь социально незащищённых групп населения в России, к которым преимущественно относятся воспитанники детских домов и интернатов, тяжелобольные дети, ветераны войны. Кроме того, ПАО «Альфа-Банк» развивает собственную программу стипендий для талантливых студентов из российских учебных заведений, которая называется «Альфа-Шанс». Также банк реализует множество благотворительных проектов с НКО России.

Перейдем к анализу финансово-экономических показателей деятельности исследуемого банка. В табл. 5 представлена динамика показателей отчета о прибылях и убытках ПАО «Альфа-Банк» за 2015 - 2018 гг.

Таблица 5 - Динамика показателей отчёта о прибылях и убытках ПАО «Альфа-Банк» за 2015-2018 гг., млрд. руб.

Источник: составлено автором на основе анализа отчётов о финансовых результатах ПАО «Альфа-Банк» за 2015-2018 гг., опубликованных на сайте банка [21].

Как показывает анализ табл. 5, в 2016 году чистые доходы ПАО «Альфа-Банк» достигли 90,27 млрд. руб. и сократились по сравнению с предыдущим годом на 23%, что в стоимостном выражении составило 21,18 млрд. руб. Однако в последние два года тенденция изменилась и в настоящее время чистые доходы банка возрастают.

В целом все показатели прибыли банка, такие как чистые доходы, прибыль до уплаты налогов, прибыль после уплаты налогов, а также нераспределенная прибыль отчётного периода, показывают положительную динамику, но только за последние два года. В таблице видно, что в 2016 году произошло резкое ухудшение результатов деятельности ПАО «Альфа-Банк», что может быть связано с ухудшением макроэкономической ситуации в стране.

Несмотря на ухудшение показателей деятельности в 2016 году, в последние два года наблюдается положительная динамика, вследствие чего показатели отчета о прибылях и убытках ПАО «Альфа-Банк» можно оценить положительно, поскольку прибыль и доходы, как видно, демонстрируют за последние два год достаточно активный прирост.

Согласно финансовому отчету ПАО «Альфа-Банк» за 9 месяцев 2018 года прибыль банка составила 80,65 млрд. руб. Причем, как и в предыдущем случае, произошло резкое сокращение прибыли в 2016 году. На рис. 6 представлена динамика прибыли ПАО «Альфа-Банк» в 2015 - 2018 гг.

Рисунок 6 - Динамика прибыли ПАО «Альфа-Банк» в 2015 - 2018 гг., млрд. руб.

Источник: составлено автором на основе финансовой отчетности ПАО «Альфа-Банк» [21].

Как показывает рисунок, в 2016 году произошло сокращение прибыли почти в 10 раз. С 2017 года положительная динамика восстановилась и за 9 месяцев 2018 года прибыль ПАО «Альфа-Банк» уже находится на уровне выше, чем за целый 2017 год.

Таким образом, можно сделать следующий вывод. На сегодняшний день ПАО «Сбербанк» и ПАО «Альфа-Банк» являются системно значимыми банками в национальной экономике. По состоянию на март 2019 годы в рейтинге банков по объему активов ПАО «Сбербанк» занимает первое место, а ПАО «Альфа-Банк» - шестое, что говорит о высокой значимости данных банков для финансовой системы России. Исследуемые банки имеют большое число клиентов по всей стране, реализуют большое число направлений деятельности и оказывают широкий спектр банковских услуг. Особое место в деятельности банков занимает КСО.

В настоящее время финансовое состояние ПАО «Сбербанк» достаточно стабильное, а большинство показателей его деятельности - растущие. В целом, ему удалось преодолеть возможные последствия кризиса и справиться с наметившимися в 2014-2015 годах негативными тенденциями в российском банковском секторе. То же самое можно сказать и про ПАО «Альфа-Банк». Сегодня банк имеет стабильные результаты деятельности, несмотря на резкое ухудшение практически всех финансово-экономических показателей в 2016 году.

2.2 Анализ практики применения технологии больших данных в ПАО «Сбербанк» и ПАО «Альфа-Банк»

? первичные источники данных (внутренние и внешние);

? корпоративное хранилище данных;

? отчетность, аналитика и моделирование;

? политика управления данными (Data Governance): нормативная база, процессы и инструменты контроля, корпоративная модель данных.

В качестве корпоративного хранилища данных в ПАО «Сбербанк» применяется распределительная система хранения и обработки огромных массивов данных на базе технологий Hadoop. Данная система содержит следующие компоненты: распределенная отказоустойчивая файловая система, модель распределения параллельных вычислений, выгрузка данных, SQL-доступ к данным, платформа для анализа больших объемов данных, а также планировщие задач [2].

Основной технологией больших данных ПАО «Сбербанк» использует платформу Informatica Intelligent Data Management. Она позволяет банку повышать скорость разработки при помощи реализации логики интеграции, очистки и подготовки данных для анализа в графической среде PowerCenter Developer. Данная платформа обеспечивает высокую производительность передачи расчетов в Hadoop с помощью механизмов обработки данных. Кроме того, с помощью Informatica Intelligent Data Management появляется возможность предварительного анализа и систематизации данных. Это необходимо с целью учета различных особенностей при разработке, а также для обеспечения процесса принятия управленческих решений качественными и достоверными данными [27].

В настоящее время большая часть имеющихся в ПАО «Сбербанк» данных являются структурированными в виде карточных транзакций, операций по депозитам и пр. В свою очередь, происходит интеграция и неструктурированной информации, такой как данные официального сайта банка, социальных сетей и мобильных приложений, с целью поведенческой аналитики [5].

С 2016 года ПАО «Сбербанк» в рамках проекта «Открытые данные» начал поставку собственных данных о финансовой активности своих клиентов. В основе проекта «Открытые данные» лежат технологии больших данных, которые осуществляют сбор следующих данных [19]:

? выручка юридических лиц по секторам и регионам;

? информация о доходах населения (заработная плата, пенсия, пособия или стипендия);

? склонность к сбережению или потреблению;

? закредитованность;

? внутренняя и внешняя мобильность населения;

? структура расходов населения (доля расходов на питание, оплату услуг ЖКХ, транспортные расходы и пр.).

На рис. 7 представлен пример открытых данных ПАО «Сбербанк».

Рисунок 7 - «Открытые данные» ПАО «Сбербанк»

Источник: Открытые данные ПАО «Сбербанк» [19].

Технологии больших данных позволяют ПАО «Сбербанк»:

? снижать процентные ставки по кредитам;

? формировать специальные условия для различных категорий заемщиков;

? определять текущий риск-профиль клиентов, узнавать их интересы и потребности;

? предоставлять более специализированные и персонифицированные услуги.

ПАО «Альфа-Банк» также использует технологии больших данных для удержания своих конкурентных позиций на рынке. Изначально банк использовал технологии больших данных с целью хранения глубокой кредитной истории клиентов по их кредитным заявкам в соответствии с требованиями Базельского комитета (Базель II). Поэтому изначально Big Data в ПАО «Альфа-Банк» использовались не для удовлетворения потребностей клиентов, а для выполнения требований регулятора.