Добавил:
ivanov666
Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз:
Предмет:
Файл:Проблемы финансового моделирования с позиций экономической безопасности. Монография
.pdf
121
сети, машинное обучение и другие. Машинное обучение (МО, Machine Learning,
ML) – это обширный подраздел искусственного интеллекта, изучающий методы
построения алгоритмов, способных обучаться. В самом общем случае различают
два типа машинного обучения: обучение по прецедентам, или индуктивное
обучение, и дедуктивное обучение. Обучение по прецедентам, в свою очередь,
подразделяют на три основных типа: контролируемое обучение, или обучение с
учителем (supervised learning), неконтролируемое обучение (unsupervised
learning), или обучение без учителя, и обучение с подкреплением (reinforcement
learning).
Рынок машинного обучения быстро растет. В 2016 г. его объем преодолел
отметку в $1 млрд, а к 2025 году, судя по прогнозам, он может увеличиться до
$39,98 млрд [148]. В рамках обеспечения кибербезопасности нейронные сети
помогают отследить подозрительные сделки, зафиксировать и оперативно
предотвратить попытку взлома, устраняя потенциальные атаки.
Основными бизнес-задачами, которые могут решаться банками
(компаниями) средствами машинного обучения и нейронных сетей, являются
[151]:
- прогнозирование: спроса, объема продаж, загрузки ресурсов,
дальнейшего развития и т.п.;
- выявление: тенденций, скрытых взаимосвязей, аномалий,
повторяемых элементов и т.п.;
- распознавание: фото-, видео-, аудиоконтента, попыток
мошенничества, лжи, внутренних угроз, внешних атак на систему безопасности
и т.п.;
- автоматизация: работы операторов в онлайн-чатах, телефонных
операторов и т.п.;
- классификация: анализ состава покупателей, клиентов, заказчиков
и сегментация их по различным параметрам;
- кластеризация: классификация по параметрам, которые изначально
не были известны;
- разработка: чат-ботов.
Аналитика больших данных также используется банками для оптимизации
работы филиальной и банкоматной сети, для управления портфелем ценных
бумаг и иными инвестициями, для анализа структуры расходов клиентов с
подготовкой максимизирующих маржу банка персональных продуктовых
предложений, а также для анализа и оперативного реагирования на отзывы и
запросы клиентов.
122
Клиент может оставить отзыв после обращения в центр поддержки
клиентов или через форму обратной связи, но он с гораздо большей
вероятностью поделится своим мнением через социальные сети. Инструменты
больших данных могут анализировать эти публичные сведения и собирать все
упоминания о бренде банка, чтобы иметь возможность быстро и адекватно
реагировать на них. Когда клиенты видят, что банк слышит, и ценит их мнение,
и делает те улучшения, которые требуются, их лояльность значительно
возрастает [152].
Сотрудничество вместо конкуренции − новый тренд финтеха. Для решения
задач более эффективны не отдельные сервисы, а мультиплатформенные
продукты − экосистемы и маркетплейсы. В связи с этим на смену конкуренции
приходит сотрудничество. Появляется все больше совместных проектов и
партнерских программ, агрегаторов финансовых услуг. Данные проекты дают
возможность клиентам получать все требуемые услуги по принципу «единого
операционного окна». Технологии и сервисы больших данных позволяют
эффективно интегрировать разнородные источники информации в единую
информационно-аналитическую систему. В рамках создания экосистем банки
активно скупают непрофильные активы из самых разных областей: от
туристических услуг, лайфстайла и недвижимости до медицины и облачных
технологий.
Долгосрочные общемировые прогнозы говорят, что маржа и чистая
рентабельность собственного капитала (ROE) банковского бизнеса продолжат
стагнировать. В последние 10 лет в среднем по миру ROE банков составляет 8–
10%, что едва покрывает стоимость их акционерного капитала (McKinsey). А к
2025 г., по прогнозу McKinsey, ROE банковского сектора будет находиться в
диапазоне 5,2–9,3%. В подобных условиях стремление банков выйти за пределы
сектора финансовых услуг в более высокодоходные сегменты выглядит
логичным. Когда на рынке становится тесно, создание экосистемы позволяет
расширить границы основного бизнеса [153].
Целью создания экосистем банками является аккумулирование на своих
технологических платформах клиентских баз различных компаний, которые
могут охватить весь жизненный цикл пользователя. Использование разных
площадок позволяет банкам создавать еще более подробные портреты
пользователей и максимально персонализировать свои предложения. Сбор
персональных данных позволяет банкам оптимизировать затраты и систему
управления, управлять рисками и персоналом, заниматься оценкой
кредитоспособности клиентов и решать множество других задач. Банки
123
собирают информацию о клиентах всеми возможными способами: при помощи
оффлайн-отделений, онлайн-рекламы, дочерних проектов и маркетинговых
партнеров, социальных сетей, мобильных приложений [140].
Клиенты банков и финансовых компаний ждут от них индивидуального
подхода, но при этом хотят сами решать, в какое время и в каком канале будет
проходить взаимодействие. Если раньше индивидуальный подход обеспечивали
персональные менеджеры в рамках «премиального обслуживания», то сейчас,
благодаря цифровым технологиям и искусственному
интеллекту, персонализированные предложения доступны практически всем
клиентам. Согласно данным исследования REBEX Customer Survey,
проведенного в 16 странах Европы, Америки и Азии, 54% клиентов при выборе
нового банка учитывают уровень персонализации. Более двух третей
опрошенных отметили, что углубили взаимоотношения со своим банком после
введения персонализированного подхода, а 41% респондентов сказали, что
готовы уйти из банка из-за недостаточно персонализированного режима [138].
Для финансовых организаций важно собирать, анализировать и
использовать данные для улучшения процесса принятия решений. Технология
когнитивных вычислений использует распознавание речи, обработку
естественного (человеческого) языка, машинное обучение и компьютерное
зрение. Технология позволяет финансовым организациям получать
персонализированную информацию о клиентах и использовать ее для
уведомления о платежах, счетах и других напоминаниях. Когнитивные
технологии также обеспечивают создание диалоговых интерфейсов для
размещения запросов клиентов и ответа на них. Чат-боты являются лучшим
примером цифровых помощников на базе искусственного интеллекта,
разработанных для этих целей.
Банки при помощи инструментов работы с большими данными собирают
о своих клиентах маркетинговую информацию (дни рождения, праздники,
хобби, семейное положение и др. информация из досье клиентов в CRM, от
поисковиков и социальных сетей), составляют транзакционные профили
клиентов (история операций, состояние счетов), а также отслеживают историю
взаимодействия (действия потребителей на сайте, история запросов, переписка,
статистика ответов на предложения банка). Искусственный интеллект дает
возможность банкам и клиентам автоматизировать отправку и получение
денежных переводов, заполнение документов, оплату счетов, анализ финансовой
и иной отчетности и иные финансовые транзакции и операции. Многих
пользователей раздражают нецелевые или не вовремя пришедшие сообщения. У
124
банков и финансовых компаний больше шансов продать свои услуги, отправляя
клиенту предложения с максимально релевантной информацией.
Помимо обнаружения аномалий, передовое аналитическое программное
обеспечение может помочь в сборе, очистке и анализе необработанных данных.
С внедрением больших данных и других инструментов машинного обучения в
области финансов стало проще прогнозировать и планировать бюджет, а также
более оперативно формировать управленческую отчётность. Благодаря новым
технологиям работы с данными сотрудники банков и финансовых компаний
могут гораздо больше времени и внимания уделять анализу данных, чем сбору и
обработке этих данных.
Данные расширенной или прогнозной аналитики с использованием
технологий искусственного интеллекта могут быть эффективно использованы
для анализа и прогнозирования поведения клиентов. Также расширенная
прогнозная аналитика помогает финансовым учреждениям оптимизировать свои
процессы, тем самым снижая затраты.
Сочетание человеческого суждения с автоматизацией обработки
информации и передовой аналитикой обеспечивает многоуровневый контроль
банковского бизнеса.
С помощью передовых инструментов визуализации значительно
упрощается интерфейс поиска и анализа необходимой информации. Панель
инструментов самообслуживания с применением технологий визуализации и
искусственного интеллекта (ИИ) встраивается в технологии управления бизнеспроцессами, которые в свою очередь обеспечивают функции обслуживания
клиентов, предупреждения о рисках и формирования отчетности, составления
профилей клиентов, прогнозирования их поведения, обнаруживая аномалии и
выявляя неочевидные взаимосвязи.
Процессная роботизация, визуализация данных и видеоконтент
Финансовые учреждения, как правило, одновременно работают в
нескольких технологических системах, а процессная робототехника помогает
автоматизировать обработку транзакций и обмен данными между различными
системами.
Процессная робототехника решает ключевые проблемы финансового
сектора и может быть эффективно использована для таких «рутинных»
операций, как [141]:
- биллинг и получение счетов;
- коллекторские операции;
- учет, распределение и корректировка внутрибанковских транзакций;
125
- формирование внешней финансовой и внутренней управленческой
отчетности;
- бюджетирование, планирование и прогнозирование;
- управление ликвидностью и иные казначейские процессы.
Автоматизированная визуализация данных значительно повышает уровень
их эффективного восприятия менеджерами и аналитиками. С помощью
визуализации данных аналитики могут объяснить сложные данные, отследить
пересечения информации и наглядно проиллюстрировать подробности на основе
визуального анализа, который помогает в мониторинге и прогнозировании
эффективности банка. По оценкам, более 65% людей являются «визуалами», т.е.
лучше всего воспринимают информацию с помощью зрительного канала.
Техника визуализации данных предоставляет менеджерам и аналитикам
визуальные иллюстрации данных, чтобы они могли понимать аналитику с
помощью визуальных средств, принимая обоснованные решения. На практике
визуализация данных используется банками финансовыми компаниями для
мониторинга, планирования и прогнозирования ключевых показателей
результативности (KPI), как финансовых, так и нефинансовых. Визуальные
«панели» прогнозных аналитических отчетов также информируют менеджеров
об аномалиях в данных отчетности и транзакций.
В современной экономике банки все больше ориентируются на «цифровой
контент», с акцентом на фото- и видеоформат, который дает возможность весьма
наглядно «донести до клиентов» ключевые возможности продаваемых
продуктов и сервисов [154].
Алгоритмическая торговля, робо-эдвайзинг и автоматизированное
управление активами
Искусственный интеллект уже играет значительную роль в сегменте
рынков капитала, его распространение началось с алгоритмических триггеров в
высокоскоростной торговле. Следующее поколение алгоритмических торговых
систем уже переходит из фазы описаний и прогнозов на этап предписывающей
аналитики, повышая возможности прогнозирования и реагирования на
возникающие тенденции. Ранее использование алгоритмических торговых
программ было ограничено хедж-фондами и институциональными инвесторами,
но сейчас они становятся доступными и частным инвесторам [155].
Такие финансовые учреждения, как рынки капитала, инвестиционные
фонды и другие финансовые институты, используют большие данные и
инструменты автоматизации для анализа данных и высокопроизводительных
вычислений для оперативного отслеживания огромного числа транзакций.
126
Хедж-фондам технологии анализа больших данных дают возможность
определения оптимальных «точек входа в рынок», а также грамотного
«управления позициями».
Задача анализа данных в режиме реального времени о котировках ценных
бумаг и иных активов, транзакциях, о рыночных новостях обусловлена высокой
скоростью изменений рыночной среды при крайне высоком уровне
конкурентной среды. Современные технологии и платформы вычислений «inmemory» (в оперативной памяти компьютеров) предлагают пользователям
«торговую» и новостную информацию и вычисления максимально оперативно.
Информация хранится в основной оперативной памяти специализированных
серверов, что устраняет задержку при получении данных с серверов. Робосоветники используют вышеописанную технологию когнитивных вычислений с
использованием алгоритмов машинного обучения чтения данных с
формированием наилучшего предложения.
Используя сложные алгоритмы, управляемые искусственным интеллектом
(AI, ИИ), автоматизированные советники (боты) могут рассчитать и предложить
клиентам лучшие инвестиционные возможности, лучшие процентные ставки и
лучших кредитных провайдеров, чем традиционные инвестиционные
консультанты.
С помощью ИИ и машинного обучения уже сейчас активно производится
консультирование клиентов через «голосовых помощников», «диалоговые
системы» (в т.ч. выполненные в виде роботов-андроидов), чат-боты, онлайнконсультантов и другие сервисы рекомендаций. Такие робо-советники могут
самостоятельно вести диалог с клиентом, распознавая его голосовые команды.
«Обучающие» приложения не только изучают привычки пользователей,
часто скрытые ими от самих себя, но и вовлекают их в обучающие игры, чтобы
улучшить свои продукты, процессы и технологии.
Регуляторный комплаенс
Когнитивная технология работает аналогично человеческому мышлению,
но считается ключом к построению эффективной системы обеспечения
безопасности банков. На основе аналитики больших данных и методов
машинного обучения разрабатываются технологии регуляторного комплаенса,
которые, в силу их значимости, можно выделить в отдельное организационнотехнологическое направление.
Использование данных потребителей для производства цифровых
продуктов привело к тому, что регулирующие органы выразили
обеспокоенность в связи с необходимостью принятия большего количества
127
законов об использовании и распространении конфиденциальности данных.
Сочетание большего количества нормативных мер и законов с сектором, в
значительной степени зависящим от технологий, привело к необходимости
применения регуляторных технологий (Regtech). В связи со сложностью
законодательной базы и обилием нормативно-правовых актов в финансовом
секторе плохое знание политики в области регуляторного комплаенса может
затруднить обслуживание клиентов. С помощью когнитивной технологии
работы с данными производится актуализация в режиме реального времени
всего комплекса требуемых для соблюдения правил и документов.
Regtech − это управление регулирующими процессами в финансовой
индустрии с помощью методов работы с большими данными, с использованием
технологии облачных вычислений и программного обеспечения (ПО) SaaS
(software-as-a-service). Также Regtech помогает банкам и финансовым
обеспечить соответствие требованиям государственных регуляторов, в первую
очередь в Великобритании и США, то есть в юрисдикциях с крайне жестким
регулированием и высоким уровнем конкуренции. Принятые в этих странах
законодательные нормы, такие как платежная директива Евросоюза PSD2 и
регламент о защите данных (General Data Protection Regulation, GDPR),
позволяют банкам активно расширять сотрудничество с Regтech-стартапами. В
частности, вышеуказанными нормативными документами регламентируются
процедуры идентификации клиентов финансовых компаний, риск-менеджмента,
выявления подозрительных операций, предотвращения мошенничества и
формирования финансовой и регуляторной отчетности.
Благодаря использованию технологии больших данных и машинного
обучения Regtech снижает риск для комплаенс-отдела банка (финансовой)
компании, предлагая данные о деятельности по отмыванию денег, проводимой в
режиме онлайн-действий, к которым собственные банковские комплаенсслужбы могут не иметь доступ из-за роста масштаба деятельности подпольных
торговых площадок в интернете. Инструменты Regtech позволяют отслеживать
транзакции в режиме реального времени, выявляя проблемы или нарушения в
сфере цифровых платежей. Любые отклонения от типовых моделей и процессов
передаются в финансовое учреждение для анализа и определения того,
происходит ли мошенническая деятельность. Те финансовые учреждения,
которые на ранней стадии выявляют потенциальные угрозы финансовой
безопасности, способны минимизировать риски и затраты, связанные с
финансовыми потерями и утечкой информации [156]. Комплексно анализируя
данные банковских операций в сопоставлении с выявленными ранее
128
прецедентами нарушения регуляторных процессов, Regtech-компании
оперативно предоставляют банкам и финансовым компаниям рекомендации о
необходимости сосредоточиться на определенных областях потенциального
риска для целей соблюдения требований регуляторного комплаенса. Regtech
также может быть использован для быстрой генерации отчетов. Он также может
быть использован в целях интеграции различных программных технологий для
запуска решений за короткий промежуток времени.
SupTech (надзорные технологии) использует машинное обучение,
облачные технологии и аналитику больших данных для совершенствования
системы надзора за финансовым рынком. В России с их помощью
предполагается выявлять связанность групп заемщиков, оценивать финансовую
устойчивость кредитных организаций, выявлять случаи мошенничества,
проводить оперативный анализ данных (в режиме онлайн) и даже
прогнозировать спрос на денежную наличность.
Биометрия и удаленная идентификация
Современные технологии дают возможность использовать способы
аутентификации и идентификации, которые ранее были недостижимы. Одной из
ключевых проблем современной финансовой отрасли до недавнего времени
являлась необходимость очной идентификации клиента для предоставления
финансовых услуг. Для ее решения разрабатываются и уже активно внедряются
при поддержке финансовых регуляторов технологии идентификации клиентов
путем распознавания лиц, голоса и отпечатков пальцев.
В России при поддержке Правительства и госрегулятора с конца июня 2018
года уже запущена платформа удаленной идентификации, которая позволяет
оказывать услуги банковским клиентам без их личного присутствия.
Впоследствии по биометрии предлагается оказывать услуги и в других сферах −
здравоохранении, образовании и т.д.
Сканеры отпечатков пальцев по технологии TouchID, а также «автофото»
в режиме «селфи» все активнее применяются в процессе идентификации
клиентов при приобретении и использовании финансовых продуктов и сервисов.
Цифровой профиль клиента − унифицированная база данных, которая
позволяет людям управлять своими электронными согласиями, а компаниям
получать информацию от государства и других компаний. Крупнейший банк
России − ПАО Сбербанк − также создает собственную биометрическую базу, до
последнего отказываясь подключаться к общестрановой системе, в т.ч. из-за
соображений недопущения утечки персональных данных своих многочисленных
клиентов.
129
Мобильный банкинг
Онлайн-коммерция уже превзошла традиционную по популярности, а
мобильность и социальные медиа привели к демократизации торговли и сферы
услуг. В условиях унификации и стандартизации финансовых продуктов
ведущую роль стали играть отличия в сервисном наполнении и сопровождении,
а также клиентский опыт [157].
В связи с ускорением жизненного ритма клиенты стали больше дорожить
своим временем, что в свою очередь породило спрос на дистанционное
обслуживание. В ответ на рыночные вызовы появились различные системы
удаленного взаимодействия банков со своими клиентами, объединенные общим
термином «система дистанционного банковского обслуживания (ДБО)». На
первоначальном этапе внедрения технологий ДБО, когда смартфоны и планшеты
были недоступны большинству пользователей, удаленное управление
банковским счетом происходило при помощи SMS либо технологий голосового
автоинформатора (Voice-информатора) по телефону (путем набора специального
номера-идентификатора на специально выделенном телефонном номере). С
развитием компьютеров, планшетов и смартфонов ДБО стало производиться
преимущественно через мобильный и интернет-банкинги [158].
В США в 80-е годы ХХ века ДБО зарождалось в виде системы home
banking, которая позволяла клиентам «видеть» свои банковские счета,
подключаясь к компьютеру банка сначала через стационарный, а затем через
мобильный телефон. В конце века (в 1999 году) в ряде европейских банков
предложили своим клиентам пользоваться ДБО при помощи мобильных
телефонов и SMS [164]. К началу ХХI века Bank of America предоставлял услуги
ДБО по переводу средств 1/5 части своих клиентов, которые за год провели
около 3 миллионов дистанционных транзакций на общую сумму более 1 млрд
долл. США. В 2010 г. услугами ДБО пользовались уже 46% взрослого населения
США, а в 2013 г. этот показатель увеличился до 51% [159]. С появлением
смартфонов мобильный банкинг стал массовым явлением. Удаленная
идентификация и создание единого цифрового пространства также служат базой
для создания технологии мобильных и быстрых розничных платежей − с их
помощью любой человек может перевести деньги другому человеку или
компании по выбранному универсальному идентификатору: номеру телефона,
e-mail или профилю соцсети (вместо полных реквизитов счета или номеру
банковской карты, как ранее).
Многие клиенты уже сейчас предпочитают использовать смартфон для
оплаты покупок в интернете и для бесконтактных платежей. Мобильные
130
устройства удобнее и безопаснее, чем пластиковые карты, многие из которых попрежнему содержат магнитные полосы. Кроме того, оплата в одно касание с
мобильного устройства может быть быстрее и проще обычных операций с
пластиковыми картами [155].
Все в финансовых услугах и банковском деле становится мобильным. В
современных условиях банки рассматривают свою «физическую» филиальную
сеть не как место ведения бизнеса, а, во многих случаях, как чисто накладные
расходы. Современные клиенты нередко вместо «красивых» офисов
предпочитают иметь круглосуточный доступ, простые в использовании (и без
сбоев) приложения и как можно меньше «человеческого контакта» (с
сотрудниками банка).
Согласно отчету BCG, «Глобальные рынки капитала: ускоряя
бионическую трансформацию», 30% российских клиентов предпочитают
общаться со своим банком онлайн, 64% готовы периодически посещать офис и
только 7% предпочитают личное общение с менеджерами банка. Эти данные
показывают, что у персонализации в розничном банкинге есть перспективы в
России [138].
В соответствии с «Основными направлениями развития финансовых
технологий на период 2018–2020 годов» национальный регулятор (Банк России)
активно внедряет платформу для удаленной идентификации, платежную систему
на основе единой платежной инфраструктуры, платформу быстрых платежей
(для платежей без привязки к банковским картам − по номеру мобильного
телефона или QR-коду), развивает системы национальных карт (НСПК) и
передачи финансовых сообщений (СПФС) и планирует создание сквозного
идентификатора клиента.
Система быстрых платежей (СБП) была запущена при поддержке Банка
России в начале 2019 года для денежных переводов между разными банками по
номеру телефона. В системе уже участвует 17 банков, в том числе ВТБ, Альфабанк, Тинькофф Банк, Промсвязьбанк, Райффайзенбанк, Росбанк, Совкомбанк и
др. Все системно значимые банки, в том числе Сбербанк, по закону должны
присоединиться к СБП с 1 октября 2019 года [160].
Страховые компании, как и банки, благодаря современным технологиям
ДБО предоставляют через интернет и мобильные приложения информацию о
компании и ее продуктах, обеспечивают для клиентов сбор и предоставление
документов, покупку страховых продуктов, проведение операций и
коммуникаций в режиме самообслуживания, производят учет проданных
продуктов и операций [161].
Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]