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

В начале 2017 года в ПАО «Альфа-Банк» была определена долгосрочная стратегия развития банка на основе цифровых технологий, которая получила название «Стратегия управления данными для создания ценности клиенту». Основной идеей данной стратегии является то, что клиенты, а не продукт становятся в центре внимания банка. По мнению главного директора Центра по управлению и монетизации данных ПАО «Альфа-Банк» И. Елистратовой, «только правильная работа с клиентами на всех этапах жизненного цикла поможет банку сохранить существующих, привлечь новых и в результате кратно увеличить клиентскую базу в долгосрочной перспективе» [6].

Для активного применения Big Data в своей деятельности банк использует следующие компоненты, определенные в рамках «Стратегии управления данными для создания ценности клиенту» [7]:

? непосредственно сами технологии больших данных: сбор и хранение информации о клиентах банка;

? управление данными на основе MDM Client 360: создание записей о клиентах с полной информацией о нем с целью использования в операционной деятельности банка;

? развитие отношений с клиентом при помощи процессов NextBestAction;

? привлечение аналитиков данных (Data Scientist), их постоянное обучение и усиление компетенций;

? новых подход к построению отношений с клиентами.

Все вышеназванные компоненты складываются в четыре основных блока проектных инициатив. Первым блоком выступает накопление данных с помощью гибридной архитектуры DWH+ Hadoop. В ПАО «Альфа-Банк» осознают, что информация о счетах, остатках, клиентах и продуктах является основой его развития. В настоящее время большое количество данных банка о клиентах и их поведении хранится в Едином корпоративном хранилище данных, которое управляется структурными подразделениями банка и Центром Business Intelligence на протяжении уже длительного периода времени [6].

Развитие Единого корпоративного хранилища данных осуществляется на основе оптимизированных программно-аппаратных комплексов различных компаний, например, продукты компании «Oracle» (Oracle Exadata, который применяется для анализа реляционных баз данных, и Oracle Big Data Appliance, необходимый для работы с неструктурированными данными).

Вторым блоком проектных решений является запись клиента, качество и управление данными. В рамках данного решения собираются знания о клиенте и оперативное реагирование на коммуникации с ним в различных каналах. Это означает, что ПАО «Альфа-Банк» при помощи технологий больших данных идентифицирует операции клиента, соотносит их, а затем применяет в процессе продаже банковских услуг.

В рамках данного блока в банке работает команда специалистов по анализу клиентских данных. В ее функции входит создание профиля клиента в MDM Client 360, встраивание Data Governance, а также работа с качеством клиентских данных и их совершенствования.

Третий блок проектных решений в системе применения технологий больших данных ПАО «Альфа-Банк» - это глубокая аналитика, основанная на сегментации, поиске гипотез и построении моделей. Специалисты Data Science строят модели при помощи полученных данных и технологий машинного обучения.

Данные модели представляют собой визуализацию лучшей версии продукта для клиентов, лучшего вида коммуникации, лучшего времени звонка, а также аргументов для клиента.

И последний, четвертый блок проектных решений ПАО «Альфа-Банк» развитие отношений с клиентами на основе процессов Next Best Action. В задачи данного блока входят:

? внедрение инфраструктуры создания и доставки ценности через предоставление банковских услуг;

? изменение процессов и технологий, которые используются при работе с клиентами;

? формирование конечного набора действий и коммуникаций, позволяющих совершенствовать процессы взаимодействия с клиентом, особенно в случае вторичных продаж.

ПАО «Альфа-Банк» в рамках работы Центра по управлению и монетизации данных, деятельность которого направлена на создание реальной ценности из полученных о клиентах данных, осуществляется работа Дата-студии. Данная студия поддерживает ценности манифеста Agile (манифеста гибкой разработки программного обеспечения, содержащего описание ценности и принципов гибкой разработки ПО). В ней работают эксперты различных направлений банковского сектора, инженеры, а также специалисты в области информационных технологий и архитектуры данных.

Работа дата-студии в ПАО «Альфа-Банк» обеспечивает полный цикл управления данными от их поиска до создания ценности для клиента. Схематически данный процесс можно представить следующим образом. При этом, схема подразумевает также наличие элемента «обратного цикла», при котором непосредственно клиент напрямую влияет на создание нового продукта или оптимизацию существующего через механизм обратной связи.

Рисунок 8 - Процесс управления данными в Дата-студии ПАО «Альфа-Банк»

Источник: составлено автором на основе данных статьи [7].

ПАО «Альфа-Банк» за счет применения технологий больших данных в своей деятельности достигает повышения степени лояльности клиентов и предоставляет возможность получать более удобные, качественные и востребованные услуги. Кроме того, это позволяет получать конкурентное преимущество, поскольку в настоящее время универсальные банки по спектру услуг практически идентичны. И в таких условиях клиенты выбирают банк, который является для него более удобным, технологичным и предоставляющим более персональный сервис. Например, звонок в call-центр ПАО «Альфа-Банк» по номеру телефона, привязанному к карте, дает возможность банку сразу получить большое количество информации о клиенте, что приводит к персонификации услуг.

Таким образом, можно сделать следующий вывод. В настоящее время ПАО «Сбербанк» и ПАО «Альфа-Банк» как лидеры и системно значимые банки в финансовом секторе Российской Федерации внедряют в свою деятельность технологии в рамках цифровизации экономики.

Анализ практики применения технологии больших данных в ПАО «Сбербанк» и ПАО «Альфа-Банк» показал, что Big Data в каждом из банков имеет свои особенности. Например, ПАО «Сбербанк» работает в следующих областях: первичные источники данных (внутренние и внешние); корпоративное хранилище данных; отчетность, аналитика и моделирование; политика управления данными (Data Governance).

В свою очередь, ПАО «Альфа-Банк» использует следующие компоненты: технологии больших данных, управление данными на основе MDM Client 360, развитие отношений с клиентом при помощи процессов NextBestAction, привлечение аналитиков данных (Data Scientist), новых подход к построению отношений с клиентами.

Сравнив механизмы и инструменты сбора, хранения и аналитики БД в ПАО «Альфа-банк» и ПАО «Сбербанк» (см. табл. 4) можем сделать ряд ключевых замечаний.

Так, отличительным преимуществом «Альфа-банка» в действительности является ориентированность на клиента. Данная особенность прослеживается как в интеграции компонента, нацеленного на развитие отношений с клиентом и реформирование системы доставки ценности через услуги и продукты Банка, так и в сборе и обработке клиентских персональных данных, на основе которых и разрабатывается новый формат коммуникации с клиентом.

В то же время «Сбербанк» интегрирует только систему аналитики операционных клиентских данных для улучшенной кастомизации продуктов, но не изменения коммуникационных моделей. В контексте конкурентоспособности данная система позволяет гораздо лучше узнать клиента, его предпочтении и поведенческие установки, и, при совмещении, предложить лучший способ удовлетворения его потребностей.

Таблица 6 - Инфраструктура БД ПАО «Альфа-банк» и ПАО «Сбербанк»

	ПАО "Альфа-банк"	ПАО "Сбербанк"
Компоненты систем БД	(1) Инструменты сбора данных; (2) Единое корпоративное хранилище; (3) Платформа управления данными; (4) Платформа развития отношений с клиентом; (5) Аналитическая модель.	(1) Корпоративное хранилище данных; (2) Отчетность, аналитика, моделирование; (3) Первичные источники данных (внешние и внутренние); (4) Платформа нормативного контроля и управления данными
Инструментарий БД	Гибридная архитектура DWH + Hadoop, позволяющая обрабатывать данные большего объема на порядок быстрее	Informatica Intelligent Data Management для систематизации БД с целью анализа для принятия решений
Охват данных	Клиентская информация и клиентские операции	Структурированные по всем типам операций данные, а также интегрированная изначально неструктурированная информация
	ПАО "Альфа-банк"	ПАО "Сбербанк"
Типы сохраняемых данных	Полная информация о клиенте, включая доступную персональную, информацию о счетах, остатках и продукта (в том числе неструктурные данные)	Выручка юрлиц, доходы населения, кредитные обязательства, структура расходов и доходов, аналитика по сбережению и потреблению
Цель реализации Big Data	Хранение глубокой кредитной истории (изначально); Лучшее удовлетворение потребностей клиентов (сейчас)	Кастомизация банковских услуг на основе поведенческой аналитики
Хранилище и управление данными	Продукты MDM Client 360 и Oracle (Exadata, Big data Appliance)	Корпоративная модель управления Data Governance - нормативная база и инструменты контроля
Графическая среда	Визуализация данных на основе результатов data science	PowerCenter Developer, обеспечивающий обработку и визуализацию данных, ускоренную передачу в Hadoop
Конкурентные преимущества	(1) Модуль оперативного реагирования на коммуникации с клиентов в различных каналах; (2) Использование методик машинного обучения для поиска гипотез и построения моделей; (3) Реформирование инфраструктуры создания и доставки ценности через услуги и продукты; (4) Robotic Process Automation, позволяющий заменить оператора программными средствами роботизации в рутинных операциях, без какого-либо вмешательства в работу существующих IT-систем	Собственная модель управления данными, заточенная четко под цели и задачи аналитики Сбербанка

Помимо этого, Альфа-банк использует гибридную архитектуру, которая лучше и быстрее справляется с большим массивом данных, что крайне важно в условиях сбора также персональной информации и длительного периода архивирования. Учитывая сравнительно малый объем операций, обрабатываемых Альфа-банком ежегодно (122 млн. операций в 2018 году [13]), гибридная архитектура данных формирует огромный потенциал не только в контексте глубины сбора и степени обработки данных, но в плане скорости их обработки. В то время как цели и задачи Сбербанка могут не требовать разработки и имплементации гибридной инфраструктуры, тем не менее, к определенному моменту в будущем времени это может стать скорее барьером: клиентский поток Банка неуклонно возрастает и уже в 2018 году Банк стал 6-м в мире по числу принятых платежей по банковским картам, обработав более 9 млрд. платежей [13].

В результате, в сравнении с ПАО «Сбербанк», ключевым конкурентным преимуществом и фактором успеха Альфа-банка является глубина проработки клиентского профиля и, как следствие, повышенная персонификация услуг и лояльность клиента.



3. Выявление ключевых факторов успеха при внедрении технологии больших данных в банковских организациях

3.1 Систематизация результатов анализа практики внедрения технологии больших данных

В настоящее время ПАО «Сбербанк» и ПАО «Альфа-Банк» являются лидерами банковского сектора России и системно значимыми банками в финансовом секторе страны. Они, наравне с другими крупнейшими банками, внедряют в свою деятельность технологии в рамках цифровизации экономики, в том числе и технологии больших данных. Они имеют ключевое значение для деятельности всех банковских учреждений, поскольку выступают не просто в качестве конкурентного преимущества, а, скорее, необходимым элементом деятельности в современных условиях. Поэтому все большее число банков, даже не являющихся системно значимыми, в настоящее время активно внедряет и развивает технологии больших данных для повышения эффективности своей деятельности.

В рамках исследования была изучена практика применения технологий больших данных в ПАО «Сбербанк» и ПАО «Альфа-Банк». В целом, можно утверждать, что в исследуемых банках ключевое значение анализ больших данных имеет для процесса принятия управленческих решений. На рисунке представлена схема принятия решений с использованием анализа Big Data в российских банках.

На основе результатов проведенного анализа можно выявить определенные ключевые элементы, необходимые для внедрения и эффективного применения в банковской деятельности технологий больших данных. Так, опыт исследуемых банков показывает, что в процессе использования больших данных наблюдается наличие таких компонентов, как:

? арендуемые аппаратные мощности или собственные платформы, предназначенные для накопления и хранения данных;

? источники данных (внутренние и внешние);

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

? интеграционная составляющая;

? средства визуализации информации.

Рассмотрим их более подробно.

Рисунок 9 - Схема принятия решений на основе применения технологий больших данных

Источник: составлено автором на основе проведенного анализа.

Так, ПАО «Сбербанк» и ПАО «Альфа-Банк» используют собственные платформы для хранения полученных данных. В исследуемых банках есть корпоративные хранилища данных, работающие по технологии DWH Hadoop. Такая технология представляет собой интегрированный продукт хранения данных Hadoop и корпоративное хранилище Data Warehouse. Такая система позволяет банковским организациям достичь необходимого уровня гибкости, эффективности и экономической рентабельности в использовании больших данных в деятельности (рис. 9).

В DWH Hadoop ПАО «Сбербанк» и ПАО «Альфа-Банк» используется несколько слоев данных, в числе которых:

? RAW - слой формата «сырых» данных, в который загружаются различные архивы и файлы разного формата;

? ODD (Operational Data Definition), в который загружаются преимущественно данные в форме реляционных баз данных, получаемых при переработке данных из предыдущего слоя (RAW);

? DDS (Detail Data Store), в котором собираются детальные данные, применяемые для дальнейшего анализа;

? MART - прикладные витрины данных.

Следующим важным компонентом в использовании больших данных, который был выявлен в процессе анализа опыта ПАО «Сбербанк» и ПАО «Альфа-Банк», выступает выбор источников данных. Так, исследуемые банки используют две группы данных:

? структурированные, в которые входят данные о всех транзакциях клиентов, операции по банковским продуктам и кредитные рейтинги;

? неструктурированные, включающие данные с официальных сайтов, официальных аккаунтов в социальных сетях, а также информация из мобильных приложений.

Еще одним важнейшим компонентом применения технологий больших данных в ПАО «Сбербанк» и ПАО «Альфа-Банк» являются алгоритмы обработки и/или ПО для обработки и анализа данных, а также средства визуализации информации. Это является самым технологичным и трудоемким процессом, поэтому банковские организации используют большое количество различных алгоритмов, программного обеспечения и платформ. Так, ПАО «Сбербанк» использует технологии Teradata, Cloudera Hadoop, Impala, Zettaset, продукты компании Apache (Hadoop, HBase, Hive, Mahout, Oozie, Zookeeper, Flume, Solr, Spark и пр.). Кроме того, в банке активно применяются специализированные базы данных, такие как Neo4j, MongoDB и т.д., а также собственно разработанные решения в области глубинного анализа данных (data mining), прогностической и нормативной аналитики и технологии анализа естественного языка [4].

В свою очередь, ПАО «Альфа-Банк», как показал проведенный анализ, работает с платформами хранения и обработки полученных из внутренних и внешних источников данных Oracle Exadata, Oracle Big Data Appliance и Hadoop.

Также ПАО «Сбербанк» и ПАО «Альфа-Банк» в рамках работы с технологиями больших данных используют методы Business Intelligence (BI), которые выступают в качестве совокупности компьютерных методов трансформации информации (так называемый «in-memory computing») в приемлемой для восприятия форме для специалиста, не обладающего специальными навыками в сфере ИКТ. При этом основной целью, которую преследуют технологии BI в банковском секторе, является интерпретация больших объемов данных за счет вывода только ключевых показателей эффективности. Данная технология применяется ПАО «Сбербанк» и ПАО «Альфа-Банк» для принятия управленческих решений.

Методы Business Intelligence позволяют банковским организациям сократить количество неавтоматизированного труда, необходимого для аналитики и принятия управленческих решений. Экономия может достигать нескольких человеко-дней в месяц. При этом решения в области BI используются во всех сферах деятельности банков, в том числе управление брендом, продажа банковских продуктов, маркетинг, финансы, менеджмент и прочие.

Инструменты BI ПАО «Сбербанк» и ПАО «Альфа-Банк» основаны на технологии «in-memory computing», которая подразумевает распределенное хранение информации в оперативной памяти компьютерных мощностей банка. Среди преимуществ технологии «in-memory computing» в Business Intelligence можно отметить высокую скорость обработки данных и возможность неограниченного масштабирования. Так, при росте объемов обрабатываемых данных пользователь может добавить дополнительные узлы в кластер, что не требует перестройки всей системы.

Кроме того, в рамках Business Intelligence в исследуемых банках возможно построение следующих видов отчетности на основе применения больших данных для принятия управленческих решений [1]:

? отчетность в любой момент времени (ad hoc-отчетность);

? регулярная отчётность, которая представляет собой принятые в банке формы регулярных отчетов подразделений, на базе которых строится KPI; к регулярной от отчетности также относится отчетность перед Центральным Банком РФ;

? прогнозная отчётность;

? операционная отчетность, которая представляет собой отчет о том, что происходит в банке в области объемов транзакций, выданных и погашенных кредитов и пр.

В целом анализ практики применения технологии больших данных в ПАО «Сбербанк» и ПАО «Альфа-Банк» показал, что технологии больших данных могут применяться в широком круге областей. На рисунке представлены области применения Big Data в банковских организациях.

На основе проведенного анализа можно утверждать, что использование технологий больших данных в банковской сфере в настоящее время является не просто тенденцией развития данного сектора, но выступает в качестве необходимой основы для конкурентной борьбы. Опыт ПАО «Сбербанк» и ПАО «Альфа-Банк» показывает, что применение больших данных(рис. 10) в банковских организациях позволяет достичь следующих преимуществ:

? долгосрочный коммерческий результат, проявляющийся в том, сколько прибыли в долгосрочной перспективе может принести клиент;

? расширение перекрестных продаж;

? повышение качества управления информацией и выполнение требований регулятора;

? принятие своевременных управленческих решений;

? увеличение степени осведомленности о данных;

? снижение рисков в деятельности;

? повышение операционной эффективности и снижение издержек;

? внедрение расширенной аналитики.

Рисунок 10 - Области применения Big Data в банковских организациях на примере ПАО «Сбербанк» и ПАО «Альфа-Банк»

Источник: составлено автором на основе проведенного анализа.

Можно сделать следующий вывод. Систематизация результатов анализа практики внедрения технологии больших данных на примере ПАО «Сбербанк» и ПАО «Альфа-Банк» показала, что в исследуемых банках используются следующие основные компоненты: аппаратные мощности или собственные платформы, предназначенные для накопления и хранения данных, источники данных (внутренние и внешние), алгоритмы обработки и/или ПО для обработки и анализа данных, а также средства визуализации информации. Данные компоненты являются важной составляющей применения технологий больших данных и могут реализовываться с использованием различных технологий. По мнению автора, опыт ПАО «Сбербанк» и ПАО «Альфа-Банк» может послужить примером внедрения и использования технологий больших данных в банковских организациях.

3.2 Разработка рекомендаций по повышению эффективности внедрения технологии больших данных в банковских организациях

Как уже было отмечено, внедрение технологий больших данных ПАО «Сбербанк» и ПАО «Альфа-Банк» дает банкам множество преимуществ, следовательно, предлагается к внедрению всем банкам в Российской Федерации. Для получения наибольшего эффекта от внедрения технологий больших данных в банковских организациях необходимо:

? сбор информации о существующей в организации экосистеме больших данных, что важно, поскольку среда больших данных постоянно расширяет источники данных, в результате чего необходима разработка стратегии, которая учитывает все источники данных;

? создание какого-либо прототипа продукта с использованием больших данных в одной сфере или одном бизнес-процессе, что позволит быстро проверить ценность решения и готовность технической инфраструктуры банка к внедрению больших данных;

? соблюдение принципа гибкости, что предполагает гибкость в выборе технологий и возможностей в сфере больших данных;

? развитие кадрового потенциала, то есть наем специалистов в области больших данных (Data Scientist), развитие навыков текущих сотрудников банка и привлечение экспертов в данной сфере.

Данные рекомендации необходимы преимущественно для банковских организаций, находящихся в начале пути по внедрению в свою деятельность технологий больших данных. Для таких организаций основные расходы будут приходится на покупку оборудования и программного обеспечения, например, платформ хранения данных или обработки собираемой информации, средств интеграции, средств проектирования моделей и инструментов для анализа и визуализации данных.

В целях повышения эффективности внедрения технологии больших данных в банковских организациях, уже осуществляющих попытки по внедрению Big Data, автором настоящего исследования предлагается реализация следующих мер:

? четкое выполнение этапов внедрения технологий больших данных;

? создание специальной ИТ-архитектуры, приспособленной к работе с технологиями больших данных;

? выбор наиболее подходящих технологий от основных производителей инфраструктурных решений;

? внедрение методов расчета эффективности использования технологий больших данных в банковском секторе;

? повышение кибербезопасности в рамках требований финансовых регуляторов.

Рассмотрим данные рекомендации подробнее.

Во-первых, необходимо четкое выполнение всех этапов внедрения технологий больших данных.

Как было отмечено в Главе 1 данного исследования, выделяются такие этапы, как определение требований, проверка поставленных гипотез о достижении результата, выработка конечных критериев функционирования платформы, проектирование и разработка технологии, тестирование технологии, а также внедрение технологии.

Только последовательная реализация всех вышеназванных этапов позволит банковским организациям наиболее эффективно использовать преимущества от использования в своей коммерческой деятельности технологий Big Data.

Во-вторых, в качестве рекомендации автором исследования предлагается создание специальной ИТ-архитектуры, приспособленной к работе с технологиями больших данных. Чаще всего банковским организациям для работы с большими объемами и массивами данных необходимо создание новой информационно-технологической архитектуры. Она должна быть основана на использовании данных в качестве главного актива в восприятии руководства банковской организации и ее сотрудников. Трансформации в ИТ-архитектуре банка касаются преимущественно операционной деятельности и включают:

? анализ данных мобильных приложений, поступающих в режиме реального времени, реализуется на основе более гибких технологий, позволяющих масштабировать ИТ-мощности пропорционально в соответствии с увеличением объема поступающих данных;

? создание корпоративного хранилища данных (по примеру ПАО «Сбербанк» и ПАО «Альфа-Банк»), которое позволяет сокращать стоимость управления данными и повысить качество обслуживания клиентов банка;

? изменение работы платформ для анализа клиентов, в том числе их поведенческих характеристик, на основе различных источников данных.

Для реализации третьей рекомендации, которая тесно связана с созданием специальной ИТ-архитектуры, приспособленной к работе с технологиями больших данных, необходимо осуществить выбор наиболее подходящих технологий от основных производителей инфраструктурных решений. Так, в настоящее время на рынке технологий больших данных в Российской Федерации существует множество компаний, поставляющих решения в области Big Data.

В таблице представлены основные поставщики инфраструктуры по сферам (хранение и переработка данных, разработка алгоритмов, позволяющих извлекать ценность из больших данных, системные интеграторы, анализирующие данные на мощностях клиента, а также разработчики готовых сервисов на базе больших данных).



Таблица 7 - Основные поставщики инфраструктурных решений в области больших данных в России

Сфера	Компании	Приблизительная стоимость решения
Хранение и переработка данных	«Sap», «Oracle», «IBM», «EMC», «Microsoft», «Teradata», «HP Vertica», «Google»	От 35 тыс. долл. США
Разработка алгоритмов, позволяющих извлекать ценность из больших данных	«Yandex Data Factory» («Яндекс. Облако»), «Алгомост», «Glowbyte Consulting», «CleverData», «AT Consulting»	От 1 тыс. долл. США в месяц
Системные интеграторы, анализирующие данные на мощностях клиента	«Форс», «Крок»	От 5 тыс. долл. США
Разработчики готовых сервисов на базе больших данных	«Mail.Ru Group», «Рамблер»	От 5 тыс. долл. США

Источник: составлено автором на основе данных статьи «Как устроен рынок Big Data в России» [16].

Рассмотрим подробнее несколько основных поставщиков инфраструктурных решений по разным сферам в области больших данных в России. Эти компании занимаются продажей специальной системы управления базами данных, программно-аппаратными комплексами и аналитическим ПО. Реализуют свои услуги напрямую или через дистрибьюторов. Работой в сфере хранения и переработки данных работает много крупных, известных на весь мир IT-компаний, таких как Sap, Oracle, IBM, Microsoft и другие. Компания SAP работает на рынке бизнес-аналитики с 2007 года - с момента покупки фирмы Business Objects. Компания предлагает свои решения в сфере больших данных через системы управления базами данных SAP Hana и SAP IQ. В России продукцией компании пользуются коммерческие и государственные структуры. Например, ФНС и Пенсионный Фонд РФ, банковская группа «Открытие» и энергетический холдинг «Сибирская генерирующая компания». В 2014 году компания SAP запустила акселератор для стартапов в области больших данных, так что деятельность компании благотворно виляет на развитие всего рынка больших данных. Компания Oracle предлагает широкий спектр решений в области больших данных, среди них специализированные устройства, системы управления базами данных, разные аналитические приложения. Компания обладает самыми широкими массивами неструктурированных данных на американском рынке. Компани обладает системами управления большими (далее - СУБД) данными - Oracle Database, Oracle MySQL и Oracle Essbase, также СУБД в области оперативной памяти Oracle TimesTen, Oracle Event Processing на базе Hadoop. В России продукцией компании пользуется, например, ФНС РФ. Компания IBM тоже является одним из лидирующих игроков рынка больших данных - по итогам 2018 года компания заработала на больших данных больше всех прочих компаний (1,4 млрд. долл.). Компания реализует оборудование для работы с большими данными IBM PureData и Watson, а также инструменты бизнес-аналитики Cognos. Крупнейшими клиентами компании в России являются Пенсионный фонд и «Вымпелком». Известная своим программным обеспечением во всем мире компания Microsoft тоже реализует свои решения в области больших данных для бизнеса разных масштабов.

Для небольших компаний компания предлагает инструмент Power BI, который входит в пакет услуг Office 365 и встроен в программу Excel. Сервис включает корпоративный и публичный каталоги данных, инструмента для поиска данных и широкие возможности для совместной работы.

Обрабатывать информацию в режиме реального времени позволяет сервис Microsoft Stream Analytics, управлять и извлекать потоки данных позволяет Azure Data Factory, также у компании есть сервис, позволяющий составлять бизнес-прогнозы с помощью машинного обучения - Azure Machine Learning. На рынке больших данных также есть и российские компании. Так, компания Yandex осуществляет свою деятельность в сфере разработки алгоритмов, позволяющих извлекать ценность из больших данных. Компания предоставляет свои технологические разработки для внешних заказчиков с 2012 года. Для работы в этом направлении компания открыла международное подразделение, которое получило название Yandex Dara Factory. С момента выхода на рынок больших данных, компания успела поработать с такими компаниями, как «Роснефть» и норвежской нефтяной компанией «Statoil», помимо этого компания работала с неназванным телеком-оператором и просчитывала выгодные маршруты для авиаперелетов. Yandex Data Factory специализируется на обработке больших данных для крупных компаний.

Компания Yandex Data Factory успела поработать в банковском секторе, предоставляла услуги в сфере телекоммуникаций, работала с ритейлом и промышленными предприятиями.

Компании «Форс» и «Крок» являются системными интеграторами, анализирующими большие данные, использующие мощности клиентов.

Компания «Форс» разрабатывает и внедряет аналитические системы в таких областях, как: ритейл, телеком, в банковском секторе, здравоохранении, сотрудничает с госорганами и муниципальными службами. Помимо этого, компания предлагает своим клиентам программное обеспечение для анализа аудитории с помощью открытых данных, размещенных в соцсетях (ForSMedia) и занимается формирование досье контрагента. «Форс» является официальным дистрибьютором и платиновым партнером компании «Oracle».

Компания «Крок» тесно сотрудничает с такими компаниями, как ЕМС, НР, Oracle и Microsoft. Известно, что компания занималась построением модели по уменьшению оттока абонентов для крупного телеком-оператора, который пожелал остаться инкогнито, компания сотрудничала с «Центральной пригородной пассажирской компанией» - прогнозировала пассажиропоток.

К разработчикам готовых сервисов на основе больших данных также относятся отечественные компании - компании Mail.ru Group и «Рамблер».

С помощью обработки больших данных Mail.ru фильтрует спам, таргетирует рекламу, оптимизирует поисковые функции, ускоряет работу сервисов технической поддержки, анализирует действие пользователей при работе со своими онлайн сервисами, формирует на основе их интересов контакты и подписки.

Для обработки данных вне сети интернет компания использует сервис Hadoop, для обработки онлайн информации собственные сервисы - NoSQL СУБД Tarantool.

Компания «Рамблер» применяет технологии больших данных для таргетирования рекламы, персонализации предлагаемого пользователям контента, вычисления и блокировки спама и ботов, обработке письменной речи. Компания использует такие платформы для обработки больших данных, как Hadoop, Mahout, Spark, а также Python Scipy и Scikit-learn. Компания активно работает над улучшением рекламных технологий и персонализацией контента для пользователей своих сервисов.

Как показывает табл. 7, наибольшую стоимость имеет хранение и переработка данных, приблизительная стоимость которых может достигать 1 млн. долл. США. В данном случае можно привести пример технологии Teradata, используемой ПАО «Сбербанк» в своей деятельности в области работы с данными.

При выборе наиболее подходящих технологий от основных производителей инфраструктурных решений необходимо обращать внимание на два основных аспекта:

? важно четко сформулировать задачу анализа данных и, в соответствии с ней, выбрать технологию для использования на основе анализа сильных и слабых сторон. Неправильный выбор технологии может повлиять на производительность работы системы, что в результате повлечет за собой снижение эффективности бизнес-процессов;

? нужно осуществлять определенные доработки платформ больших данных при помощи самописных компонентов, что позволяет снижать стоимость и время разработки решений в области внедрения Big Data.

Также автором исследования предлагается внедрение методов расчета эффективности использования технологий больших данных в банковском секторе. Поскольку информационные технологии не дают прямого эффекта, но позволяют получить косвенную выгоду (например, в виде экономии финансовых ресурсов), для более корректной оценки эффективности использования больших данных можно сопоставить выручку от услуг с использованием больших данных со следующими показателями:

? первоначальные инвестиции в технологии больших данных;

? ежегодные затраты на технологии больших данных;

? затраты на содержание штата аналитиков (Data Scientists);

? ежегодные затраты на аналитика;

? средний экономический результат от успешного проекта и пр.

Пятой рекомендацией по повышению эффективности внедрения технологии больших данных в банковских организациях выступает повышение кибербезопасности в рамках требований финансовых регуляторов. Особенно данная рекомендация актуальна для небольших банков, которые не имеют достаточно возможностей по обеспечению безопасности и конфиденциальности данных своих клиентов.

Произведем расчет эффективности предлагаемых мер по повышению эффективности внедрения технологии больших данных в банковских организациях. Для того чтобы рассчитать экономический эффект от реализации этих мер, необходимо соотнести расходы и потенциальные доходы, которые банковские организации получат в результате внедрения этих мер в процессе использования больших данных.



Таблица 8 - Смета расходов на реализацию предлагаемых мероприятий, руб.

Мера	Сумма, руб.
Создание специальной ИТ-архитектуры, приспособленной к работе с технологиями больших данных	1 000 000
Покупка программных продуктов	1 300 000
Внедрение методов расчета эффективности использования технологий больших данных в банковском секторе	300 000
Повышение кибербезопасности	500 000
Итого расходы	3 100 000

Источник: составлено автором на основе анализа официальных сайтов компаний, продающих ПО или оказывающих услуги в сфере внедрения больших данных.

В таблице представлена примерная смета расходов гипотетического банка с выручкой 800 млн. руб. на реализацию таких мер, как создание специальной ИТ-архитектуры, приспособленной к работе с технологиями больших данных; выбор наиболее подходящих технологий от основных производителей инфраструктурных решений; внедрение методов расчета эффективности использования технологий больших данных в банковском секторе; повышение кибербезопасности в рамках требований финансовых регуляторов. Как показывает таблица, затраты на внедрение технологий больших данных оцениваются в 3,1 млн. руб. Из них большую долю составляют затраты на покупку программных продуктов и создание специальной ИТ-архитектуры, приспособленной к работе с технологиями больших данных. Далее необходимо проанализировать потенциальные чистые доходы, которые получат банковские организации за счет внедрения рассмотренных мер на примере банка, показатели выручки которого составляют 800 млн. руб.



Таблица 9 - Примерные доходы от реализации предлагаемых мероприятий, руб.

Категория	Сумма, руб.
Темп роста эффекта	20%
Примерные чистые доходы до реализации рекомендаций	800 млн. руб.
Примерные чистые доходы после реализации рекомендаций	960 млн. руб.

Источник: составлено автором на основе анализа научной литературы [28].

Как показывает таблица, в настоящее время чистые доходы банковской организации составляют 800 млн. руб., а после реализации мер, направленных на внедрение технологий больших данных в деятельность, составят 960 млн. руб. То есть эффект от предложенных рекомендаций отразится на доходах банка, которые увеличатся на 160 млн. руб.

Схематическое представление разницы между вышеназванными величинами представлено на рис. 11.

Рисунок 11 - Эффективность реализации мер по внедрению технологии больших данных в банковских организациях, млн. руб.

Источник: составлено автором на основе расчетов и данных банка.



Теперь соотнесем доходы и расходы на реализацию предложенных мер по повышению эффективности внедрения технологии больших данных в банковских организациях:

Общий эффект от предлагаемых к внедрению мер = доход от реализации предложенных мер - расходы на ее реализацию

Как показывают расчеты, экономическая эффективность предложенных автором мер позволит банковским организациям улучшить показатели деятельности, в том числе повысить выручку за счет внедрения технологий больших данных, а общий эффект от реализации предложенных мер составит около 160 млн. руб.

Кроме того, оценка экономического эффекта предложенных мер показала, что данные меры результативны и могут помочь банковским организациям в совершенствовании своей деятельности через технологии больших данных.

Таким образом, можно сделать следующий вывод. В целях повышения эффективности внедрения технологии больших данных в банковских организациях, уже осуществляющих попытки по внедрению Big Data, автором настоящего исследования предлагается реализация следующих мер: четкое выполнение этапов внедрения технологий больших данных; создание специальной ИТ-архитектуры, приспособленной к работе с технологиями больших данных; выбор наиболее подходящих технологий от основных производителей инфраструктурных решений; внедрение методов расчета эффективности использования технологий больших данных в банковском секторе; повышение кибербезопасности в рамках требований финансовых регуляторов.

Предложенные меры по повышению эффективности внедрения технологии больших данных в банковских организациях.

Расчет расходов на реализацию мер показал, что данная величина составляет 3,1 млн. руб. Как показывают расчеты, экономический эффект от предложенных автором мер позволит банковским организациям улучшить показатели своей деятельности, повысить выручку, увеличить число клиентов, а общий эффект от реализации предложенных мер будет положительным.



Заключение

В настоящее время банковский сектор находится на новом этапе своего развития, который характеризуется изменениями в поведении потребителей, технологий и государственного регулирования. Одной из наиболее значимых тенденций современного развития является повсеместное внедрение цифровой экономике, которая в банковском секторе ведет к увеличению количества и качества оказываемых услуг. В таких условиях становится необходимым анализ тех данных, которые имеют банковские организации. Раньше для этого использовались традиционные базы данных, однако, они имеют некоторые ограничения. Именно поэтому в настоящее время банки все чаще прибегают к использованию технологий больших данных.

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.

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.

Особенности внедрения технологий больший данных были рассмотрены на примере ПАО «Сбербанк» и ПАО «Альфа Банк». 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 имею 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 ПАО «Сбербанк» и ПАО «Альфа-Банк» как лидеры и системно значимые банки в финансовом секторе Российской Федерации внедряют в свою деятельность технологии в рамках цифровизации экономики. Анализ практики применения технологии больших данных в ПАО «Сбербанк» и ПАО «Альфа-Банк» показал, что Big Data в каждом из банков имеет свои особенности. Например, ПАО «Сбербанк» работает в следующих областях: первичные источники данных (внутренние и внешние); корпоративное хранилище данных; отчетность, аналитика и моделирование; политика управления данными (Data Governance). В свою очередь, ПАО «Альфа-Банк» использует следующие компоненты: технологии больших данных, управление данными на основе MDM Client 360, развитие отношений с клиентом при помощи процессов NextBestAction, привлечение аналитиков данных (Data Scientist), новый подход к построению отношений с клиентами.

Систематизация результатов анализа практики внедрения технологии больших данных на примере ПАО «Сбербанк» и ПАО «Альфа-Банк» показала, что в исследуемых банках используются следующие основные компоненты: аппаратные мощности или собственные платформы, предназначенные для накопления и хранения данных, источники данных (внутренние и внешние), алгоритмы обработки и/или ПО для обработки и анализа данных, а также средства визуализации информации. Данные компоненты являются важной составляющей применения технологий больших данных и могут реализовываться с использованием различных технологий. По мнению автора, опыт ПАО «Сбербанк» и ПАО «Альфа-Банк» может послужить примером внедрения и использования технологий больших данных в банковских организациях.

В целях повышения эффективности внедрения технологии больших данных в банковских организациях, уже осуществляющих попытки по внедрению Big Data, автором настоящего исследования предлагается реализация следующих мер: четкое выполнение этапов внедрения технологий больших данных; создание специальной ИТ-архитектуры, приспособленной к работе с технологиями больших данных; выбор наиболее подходящих технологий от основных производителей инфраструктурных решений; внедрение методов расчета эффективности использования технологий больших данных в банковском секторе; повышение кибербезопасности в рамках требований финансовых регуляторов.



Список использованной литературы

1. Big Data в российских банках. Начало большого пути. Электронный ресурс. Режим доступа: https://www.itweek.ru/idea/article/detail.php?ID=176526

2. Big Data Сбербанка растет бешенными темпами. Как хранится и используется этот супермассив? Электронный ресурс. Режим доступа: http://www.tadviser.ru/index.php/%D0%9F%D1%80%D0%BE%D0%B5%D0%BA%D1%82:%D0%A1%D0%B1%D0%B5%D1%80%D0%B1%D0%B0%D0%BD%D0%BA_%D0%A0%D0%A4_(BigData_%D0%BD%D0%B0_%D0%BE%D1%81%D0%BD%D0%BE%D0%B2%D0%B5_Apache_Hadoop)

3. Big Data: с чего начать. Электронный ресурс. Режим доступа: https://vc.ru/flood/37763-big-data-s-chego-nachat

4. Big-data банков и телекомов: кто и как внедряет большие данные. Электронный ресурс. Режим доступа: https://www.finversia.ru/publication/big-data-bankov-i-telekomov-kto-i-kak-vnedryaet-bolshie-dannye-45951

5. Адаменко С. Место и роль ЦХД в работе с данными в Группе Сбербанк. Электронный ресурс. Режим доступа: https://docplayer.ru/35909111-Mesto-i-rol-chd-v-rabote-s-dannymi-v-gruppe-sberbank.html

6. Альфа-Банк: большие данные для больших целей. Электронный ресурс. Режим доступа: https://www.comnews.ru/digital-economy/content/118157/opinions/2019-02-27/alfa-bank-bolshie-dannye-dlya-bolshih-celey

7. Альфа-банк: как Большие данные совершенствуют большой банк. Электронный ресурс. Режим доступа: https://blogs.oracle.com/russia/alfabankbigdatabigbank

8. Биктимиров М. Р., Елизаров А. М., Щербаков А. Ю. Тенденции развития технологий обработки больших данных и инструментария хранения разноформатных данных и аналитики //Электронные библиотеки. - 2017. - Т. 19. - №. 5. - С. 390-407.

9. Большие данные: внутренняя кухня или наш опыт внедрения методологии разработки под Big Data. Электронный ресурс. Режим доступа: http://security-corp.org/programming/vebdev/22570-bolshie-dannye-vnutrennyaya-kuhnya-ili-nash-opyt-vnedreniya-metodologii-razrabotki-pod-big-data.html

10. Будущий облик банковского сектора. Время реформировать банки и банковский сектор? - PwC. Электронный ресурс. Режим доступа: https://www.pwc.ru/ru/banking/assets/future_shape_of_banking.pdf

11. Гонтарь А.А. Цифровой банкинг как одна из составляющих экономической безопасности кредитной организации // Вестник ВУиТ. 2017. №4.

12. Гусева А. А. «Большие данные»: понятие, источники, возможности //Master's Journal. - 2016. - №. 1. - С. 320-324.

13. Еремина А. Сбербанк вошел в число мировых лидеров по обслуживанию карт, 2018. Электронный ресурс. Режим доступа: https://www.vedomosti.ru/finance/articles/2018/10/11/783384-v

14. Жукабаева Т.К, Кусаинова А.Т. Технология больших данных (Big Data). Основные характеристики и перспективы применения // Новости науки Казахстана. № 1 (127). 2016. С. 114 - 132.

15. Иванов П.Д., Вампилова В.Ж. Технологии Big Data и их применение на современном промышленном предприятии // Электронное научно-техническое издание «Инженерный журнал: наука и инновации». - М.: МГТУ. - 2014. - № 8 (32). - 10 с.

16. Как устроен рынок Big Data в России. Электронный ресурс. Режим доступа: https://intalent.pro/article/kak-ustroen-rynok-big-data-v-rossii.html

17. Когаловский М.Р. Энциклопедия технологий баз данных. -- М.: Финансы и статистика, 2002. -- 800 с.

18. Неправский А.А. Особенности внедрения и использования Big Data в различных областях деятельности //Интеллектуальный капитал в экономике знаний. - 2017. - С. 56-68.

19. Открытые данные Сбербанка. Электронный ресурс. Режим доступа: https://www.sberbank.com/ru/analytics/opendata

20. ПАО «Альфа-Банк» - официальный сайт. Электронный ресурс. Режим доступа: https://alfabank.ru/about/

21. ПАО «Альфа-Банк»: отчёты о финансовых результатах. Электронный ресурс. Режим доступа: https://alfabank.ru/about/annual_report/msfo/

22. ПАО «Сбербанк России»: отчёты о финансовых результатах. Электронный ресурс. Режим доступа: https://www.sberbank.com/ru/investor-relations/reports-and-publications/ifrs

23. ПАО «Сбербанк» - официальный сайт. Электронный ресурс. Режим доступа: https://www.sberbank.com/ru/about

24. Политика в области корпоративной социальной ответственности ОАО «Сбербанк России». Электронный ресурс. Режим доступа: http://www.sberbank.ru/common/img/uploaded/files/pdf/policy_for_corporate_social_responsibility.pdf?_ga=2.226110616.302361711.1556095346-2067974813.1556095346

25. Рейтинги банков - Банки.ру. Электронный ресурс. Режим доступа: https://www.banki.ru/banks/ratings/?SEARCH_NAME=&SEARCH_REGN=&search%5Btype%5D=name&sort_param=rating&sort_order=ASC&PROPERTY_ID=10&REGION_ID=0&date1=2019-03-01&date2=2018-03-01&IS_SHOW_GROUP=0&IS_SHOW_LIABILITIES=0#search_label

26. Рогатов Н. Оценка результатов внедрения решений Big Data // Рациональное Управление Предприятием, №3, 2016. С. 12 - 13.

27. Сбербанк купил лицензии ПО для обработки больших данных. Электронный ресурс. Режим доступа: http://www.tadviser.ru/index.php/%D0%9F%D1%80%D0%BE%D0%B5%D0%BA%D1%82:%D0%A1%D0%B1%D0%B5%D1%80%D0%B1%D0%B0%D0%BD%D0%BA_%D0%A0%D0%A4_(Informatica_Big_Data_Management)

28. Середенко Е.С. Анализ экономической эффективности решений класса Big Data в коммерческом банке //Современные информационные технологии и ИТ-образование. - 2014. - №. 10.

29. .Тест производительности межпроцессорных обменов. Электронный ресурс. Режим доступа: https://parallel.ru/testmpi/transfer.html

30. Технологии Big Data: как использовать большие данные в маркетинге. Электронный ресурс. Режим доступа: https://www.uplab.ru/blog/big-data-technologies/

31. Халин В. Г., Чернова Г.В. Цифровизация и ее влияние на российскую экономику и общество: преимущества, вызовы, угрозы и риски //Управленческое консультирование. - 2018. - №. 10 (118). С. 46 - 63.

32. Шаль А.В. Технологии больших данных в статистике // Учет и статистика. 2017. №2 (46).

33. Medetov A.A. The term Big Data and the methods of its application // Young scientist, 2016. № 11. P. 207-210.

34. Relational Databases 101: Looking at the Whole Picture. Электронный ресурс. Режим доступа: http://www.agiledata.org/essays/relationalDatabases.html

35. Big data: the next frontier for innovation, competition and productivity, McKinsey & Company, May 2011. Электронный ресурс. Режим доступа: https://www.mckinsey.com/~/media/McKinsey/Business%20Functions/McKinsey%20Digital/Our%20Insights/Big%20data%20The%20next%20frontier%20for%20innovation/MGI_big_data_exec_summary.ashx

36. Big data: the management revolution, Erik Brynjolfsson and Andrew McAfee, Harvard Business Review, October 2012. Электронный ресурс. Режим доступа: https://hbr.org/2012/10/big-data-the-management-revolution

37. Inside P&G's digital revolution, McKinsey Quarterly, November 2011. Электронный ресурс. Режим доступа: https://www.mckinsey.com/industries/consumer-packaged-goods/our-insights/inside-p-and-ampgs-digital-revolution

38. Strength in numbers: how does data-driven decision-making affect firm performance?, Erik Brynjolfsson, et al, 22 April 2011. Электронный ресурс. Режим доступа: http://ebusiness.mit.edu/research/papers/2011.12_Brynjolfsson_Hitt_Kim_Strength%20in%20Numbers_302.pdf

Размещено на Allbest.ru

...