Добавил:
ivanov666
Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз:
Предмет:
Файл:Проблемы финансового моделирования с позиций экономической безопасности. Монография
.pdf
131
Ключевой целью перевода клиентов в «цифровую среду» является
повышение доступности, скорости и удобства обслуживания при
одновременном снижении расходов на персонал, ранее обслуживающий
клиентов в традиционных офлайн-каналах.
Бесконтактные платежи, интернет вещей (IoT) и геолокация
В современных условиях одним из ключевых трендов развития в
банковском бизнесе стало внедрение инновационной технологии
бесконтактного проведения платежей − Near Field Communication (NFC),
позволяющей пользоваться сматрфоном вместо банковской карты.
Разработчики пробуют соединить идеи интернета вещей (IoT) и
технологий бесконтактных платежей. Сегодня можно расплачиваться, снимать
деньги с банкоматов, а также вносить наличные деньги в банкоматы с помощью
браслетов, колец, «умных» часов, смартфонов и иных устройств, на которых
реализована технология бесконтактного платежа. Современная технология
позволяет встроить привязанный к счету клиента специальный чип с
технологией NFC в любой предмет одежды либо аксессуара, например, в брелок,
что дает возможность осуществления покупок при отсутствии с собой денег,
карт и даже смартфона, используя для оплаты покупок браслет на руке или
кулон.
Под «интернетом вещей» понимают увеличение числа физических
объектов (приборов, автомобилей, домов, носимых электронных устройств), в
которых содержатся сенсоры или программное обеспечение и у которых есть
возможность обмена информацией.
Собранная через мобильные устройства информация позволяет составлять
точные портреты пользователей. Благодаря мобильности устройства и функции
геолокации (большинство смартфонов находятся рядом с пользователем в
момент его передвижений), мобильные приложения активно собирают
информацию о посещенных человеком местах. Эта информация помогает
владельцам приложений зарабатывать деньги на таргетированном предложении
продуктов и услуг, а также на рекламе. Задачу по сбору информации о своих
пользователях банкам, как и мобильным операторам, упрощает
законодательство: находясь в России, невозможно начать пользоваться услугами
банковского обслуживания и связи без предоставления личных данных.
Благодаря системному анализу транзакций, вкупе с функциями геолокации
доступа к интернету и мобильному приложению, банки в состоянии составить
детальный портрет своих клиентов: сколько зарабатывает, сколько тратит в
каждой из платежных категорий, где снимает деньги, где завтракает, обедает и
132
ужинает, где отдыхает и т.п. Это позволяет, в том числе, осуществлять анализ
платежеспособности (кредитный скоринг) и своевременно доводить до клиентов
предодобренные персональные предложения.
С помощью геолокации и искусственного интеллекта контент становится
динамическим − система распознает клиента и его месторасположение,
адаптируя для него содержание персональных предложений.
Облачные технологии, омниканальность и открытый программный код (API)
Достижения в области вычислительной мощности наряду с падением цен
делают проекты с большими объемами данных более технически
осуществимыми и экономичными. В частности, появление облачных
вычислений ставит стоимость большого анализа данных в пределах
досягаемости многих небольших фирм, которые теперь не нуждаются в
значительных капиталовложениях в свою собственную вычислительную
инфраструктуру [162].
Облачные вычисления дают возможность банкам и финансовым компани-
ям снизить расходы на инфраструктуру (например, избежать авансовых расходов
на приобретение серверов). Концентрация усилий банков и финансовых
компаний на основном бизнесе способствует более быстрому запуску продуктов
и IT-приложений c минимизаций издержек на компьютерную инфраструктуру,
включая ее развертывание и обслуживание. Сами же разработчики
информационных технологий при этом быстрее адаптируют собственные
ресурсы для удовлетворения спроса бизнес-заказчиков [143].
Облачные технологии в финансовых услугах оптимизируют бизнес- и
технологические процессы, обеспечивая эффективное межведомственное
сотрудничество или сотрудничество между банковским (финансовым) бизнесом
и третьими сторонами [141].
Финансовые учреждения в первую очередь используют облачные
приложения для таких бизнес-процессов, как управление персоналом,
бухгалтерский и управленческий учет. По мере того как персоналу и
руководству становится удобно с приложением, оно интегрируется с основными
банковскими системами. В облачных приложениях легко масштабировать
данные для таких функций, как кредитный скоринг, платежи и транзакции,
формирование выписок и счетов для основных функций бухучета.
Высокая скорость облачных вычислений защищает критически важные
данные, цифровые финансовые активы и информацию о пользователях, повышая
при этом производительность труда сотрудников.
133
Облачные технологии помогают в устранении разрозненности данных
между каналами взаимодействия с клиентами и поставщиками маркетинговых
услуг, компании часто отмечают, что это снижает уровень фрагментации и в
целом затраты на обслуживание ИТ. Одним из факторов, определяющих
тенденцию использования публичного облака в качестве доминирующей
инфраструктуры, является меньшая стоимость этой модели по сравнению с
сохранением традиционной физической инфраструктуры [163].
Опирающаяся на DLT концепция «открытого банковского обслуживания»
(Open banking) предполагает, что третьи стороны должны иметь доступ к
банковским данным для создания приложений, которые создают подключенную
сеть финансовых учреждений к информационным ресурсам и приложениям
других разработчиков.
Термин Application Programming Interface (API), придуманный
программистами, переводится как «интерфейс программирования приложений».
API представляет собой набор функций получения доступа к функциональности
программного компонента: программам, библиотекам и другим
информационным ресурсам. С 2017 года в Европейском союзе (ЕС) применяется
вторая версия «Директивы о платежных услугах» (Payment Services Directive 2),
которая устанавливает правила и ограничения для всех участников на
территории ЕС, регулируя работу всего финансового сектора. Помимо
различных нововведений, «директива» обязывает банки открывать свои API
третьим (внешним по отношению к банку) сторонам, позволяя их внешним
приложениям обращаться к информационным системам внутри самого банка
либо финансовой компании [158].
Открытые программные коды (API) во многих странах уже пройденный
этап. Обмен финансовой информацией клиентов между банками и внешними
сервисами, открытый программный код позволяют осуществлять быстрый и
«бесшовный» обмен финансовой информацией клиентов между банками и
внешними сервисами.
Если вопросом клиента занимается несколько сотрудников, ему (клиенту)
иногда приходится рассказывать о своей проблеме несколько раз. Банк может
повысить лояльность потребителей, если избавит их от этой необходимости. У
каждого нового оператора, который подключается к разговору с клиентом,
должна быть вся информация о вопросе потребителя. При этом важно,
чтобы колл-центры и разные подразделения банка работали как единый
омникаканальный инструмент взаимодействия с клиентом.
134
ГЛАВА 3. Проблемы безопасности, стабильности, неопределенности в
новых финансовых технологиях
3.1. Технологии обеспечения кибербезопасности
Финансовые услуги являются одними из самых жестко регулируемых
секторов в мире. Автоматизация процессов и оцифровка данных делают банки и
финтех-системы уязвимыми для атак хакеров [160]. Получив доступ к
банковским системам, злоумышленники могут нанести непоправимый ущерб
как банку, так и обслуживаемым им клиентам. Наиболее важным вопросом в
таких случаях является вопрос определения ответственности за такие атаки, а
также за несанкционированное использование персональной клиентской
информации и важных финансовых данных.
Кибербезопасность – основная проблема на пути распространения
технологии «интернета вещей», ввиду того что недостаточно защищенные
интерфейсы значительно повышают риск несанкционированного доступа к
персональным данным клиентов и иной защищаемой информации.
Поведенческая аналитика, важной частью которой является
искусственный интеллект, работа с BigData, машинное обучение, технология
контроля защищенности устройств клиентов, биометрия, мониторинг
транзакций и технология управления данных позволяют [134]:
- собирать данные об особенностях поведения пользователей в сети и
использовать этих данные для анализа проводимых транзакций;
- выполнять мониторинг и анализ проводимых операций в режиме
реального времени.
- вводить антиспуфинг (верификация сообщений пользователей во
избежание мошеннических действий со стороны злоумышленников);
- использовать антифрод (оценка «легитимности» транзакций);
- обнаруживать фальшивые документы, в том числе те, которые
обработаны при помощи Adobe Photoshop.
Ниже приводятся некоторые угрозы, которые вызывают особую
обеспокоенность [155]:
- поверхность атаки. Хакеры могут получить доступ к корпоративной
сети через устройство «интернета вещей»;
- периметральная система безопасности. В технологии «интернета
вещей» используются облачные сервисы, поэтому внедрение эффективной
защиты периметра будет затруднено;
135
- вопросы конфиденциальности. Глубина проникновения сбора
данных в «интернете вещей» в сочетании с передовыми аналитическими
возможностями может привести к нарушению конфиденциальности личных
данных потребителей;
- управление устройствами. Многие устройства «интернета вещей» в
настоящее время не поддерживают внедрение строгих мер безопасности, а с
распространением устройств «интернета вещей» обеспечивать базовый уровень
защиты будет все сложнее.
Те же самые технологии работы с большими данными, делающие
информационные сети уязвимыми для внешних атак, могут использоваться для
обеспечения максимальной защиты информации, проводя высокоэффективный
мониторинг возможных угроз кибербезопасности, оперативно реагируя на
инциденты.
Широкое практическое распространение технологий биометрической
идентификации в связи с массовым распространением смартфонов и коллцентров также дало банкам возможность использования этих технологий для
идентификации клиентов по чертам лица, голосу и отпечаткам пальцев для
повышения безопасности удаленного обслуживания.
Специализированное программное обеспечение помогает банкам и
финансовым учреждениям анализировать большие наборы данных транзакций и
данных, связанных с кибербезопасностью, с использованием алгоритмов
машинного обучения для определения закономерностей в данных для сетей,
которые указывают их «нормальные» характеристики. Эти модели соотносятся
с «базой операций» из периодов данных, когда банк не сталкивается ни с какими
событиями кибербезопасности. В течение короткого периода обучения с
использованием людей-аналитиков, программное обеспечение учится выявлять
ненормальные характеристики сети, которые могут указывать на угрозу
кибербезопасности. Программное обеспечение также создает ежедневный
список «угроз», в котором указываются шаблоны данных, которые могут
указывать на будущие попытки вторжения.
В результате платформы обеспечения кибербезопасности предоставляют
информационную панель, показывающую уровень угрозы для каждого
потенциального события кибербезопасности с картой выделенных хосткомпьютеров, которые могут анализироваться аналитиками безопасности в
банке или финансовом учреждении. Программное обеспечение также генерирует
отчет по основным результатам с резюме для руководителей службы
безопасности в клиентской фирме.
136
Примером одного из востребованных решений в области обеспечения
кибербезопасности посредством работы с большими данными является
платформа Versive Security Engine компании eSentire (Versive). Услугами IT-
решения пользуются Thomson Reuters, Komatsu, Riaz Invest Limited и Deutsche
Telekom [139].
Высокотехнологичный сервис Feedzai применяет аналитику больших
данных для оперативного выявления мошенничества. Еще один сервис Digital
Reasoning применяется инвестбанкирами в Goldman Sachs, а также на бирже
Nasdaq, которые используют его «для выявления и пресечения попыток
манипуляций на фондовом рынке» [164].
Современные высокотехнологичные решения с алгоритмами, машинным
обучением, цифровыми советниками и улучшением кибербезопасности
оказывают положительное влияние как на банковский, так и на клиентский
бизнес в части управления финансами.
По данным Международного института стратегических исследований,
размер ежегодных убытков от киберпреступлений в мире составляет более 400
млрд долларов США, в т.ч. в России «около 200 млрд рублей, не включая суммы,
потраченные на устранения последствий кибератак» [165].
3.2. Анализ мировой практики внедрения и использования новых
цифровых технологий в финансовой сфере
Большинство новых технологий в финансовой сфере разработаны с учетом
изменения внешних рыночных условий в области дигитализации,
стандартизации, роботизации при необходимости постоянной оптимизации
издержек.
Высокотехнологичные стартапы предлагают банкам и финансовым
компаниям различные современные сервисы [166] по кастомизации клиентских
предложений, а также быстрому запуску «пилотных проектов» для
идентификации целевых микросегментов и проведению для них
специализированных маркетинговых акций (Insigt & Target и Optimove),
автоматической идентификации клиентов, звонящих в колл-центр и
автоматической переадресации клиентов между ответственными клиентскими
менеджерами (Uniken и Bpm online), реализации дешевых технологий
мобильного эквайринга путем использования смартфона в качестве POS-
терминала (Jiffee), по снижению рисков проведения трансграничных денежных
переводов при одновременном уменьшении их стоимости (Nanopay),
137
распределению рабочих задач между сотрудниками с одновременной оценкой их
потенциала (Relationscip Planner), внедрению технологий омниканальности
(SaleMove).
Согласно исследованию KPMG, самыми популярными технологиями в
банках являются искусственный интеллект (72%), Big Data и предиктивная
аналитика (61%), роботы (56%), чат-боты (56%) и оптическое распознавание
(44%), а 81% банков − участников опроса KPMG рассчитывают, что
цифровизация повысит операционную эффективность и сократит издержки
[167]. Так, например, по мнению экспертов, бесплатным является «повторное
использование знаний, накопленных в результате выполнения консалтинговых
проектов и однажды разработанных аналитических алгоритмов для оценки
текущего состояния компании-клиента», а для оказания «облачных» цифровых
банковских услуг не нужна «физическая» филиальная сеть, а нужна только
интернет-платформа [168]. 89% современных компаний считают, что те, у кого
нет стратегии анализа больших данных, рискуют потерять конкурентное
преимущество на рынке [169].
Ключевыми задачами, решаемыми посредством использования новых
цифровых технологий работы с большими данными и искусственным
интеллектом, являются:
- бизнес-аналитика;
- обеспечение кибербезопасности;
- алгоритмическая торговля;
- инвестиционное консультированное с помощью робо-советников;
- обеспечение требований регуляторного комплаенса.
IT-решения с помощью искусственного интеллекта (AI) для обеспечения
соответствия требованиям и автоматизации обнаружения мошенничества имеют
наибольшую популярность. Поскольку конфиденциальность данных становится
критично важной темой, финансовые учреждения вынуждены в срочном порядке
модернизировать свои модели и технологии обеспечения кибербезопасности во
избежание утечек данных.
В настоящее время в структуре российского рынка финтех самой большой
составляющей (с долей в 31%) являются агрегаторы банковских и финансовых
продуктов, реализующие принцип доступа в режиме «одного окна» для
существующих электронных услуг банков, т.е. подбирая для клиентов
потенциально интересные им продукты, а также предлагая понятный и простой
способ взаимодействия с банками и финансовыми компаниями [150].
138
Технологии распределенных реестров, аналитика больших данных,
искусственный интеллект (ИИ) и бизнес-аналитика
Многие FinTech-стартапы тесно связаны с блокчейном и криптовалютами.
Технологии распределенного реестра используются в бизнесе для быстрого и
эффективного заключения сделок, отслеживания эмиссии акций, проведения
трансграничных платежей, формирования отчетности и обмена валют и
криптовалют. Из числа известных блокчейн и криптовалютных стартапов,
отмеченных Forbes, стоит выделить Bitfury Group, которая занимается
разработкой программного обеспечения для внедрения блокчейна в
правительственные системы, цепочки поставок и страхование. Активно на рынке
работает компания Chain, предоставляющая блокчейн-платформу и решения
финансовым организациям. Она помогает формировать балансовые отчетности
fintech и ecommerce-компаниям с использованием блокчейна. Компанию
заметили и заключили с ней договоры такие гиганты финансового и
инвестиционного рынков, как Nasdaq и Citigroup. Еще один проект Symbiont
использует блокчейн для создания системы, позволяющей отслеживать эмиссию
акций и владение ценными бумагами [134].
Известным работающим решением среди стартапов в России в области
технологии DLT для финансовой сферы является децентрализованная биржа
Waves, которая дает возможность осуществлять торговлю финансовыми
инструментами и краудфандинг на блокчейн-платформе [150].
Активное практическое внедрение технологий Big Data на современном
рынке началось как раз после того, как ими стали пользоваться всемирно
известные компании, имеющие клиентов практически в каждой точке земного
шара. Это такие социальные гиганты, как Facebook и Google, IBM., а также
финансовые структуры вроде Master Card, VISA и Bank of America. Так,
компания VISA использует аналитику Big Data, отслеживая мошеннические
попытки произвести ту или иную операцию. Благодаря этому ежегодно они
спасают от утечки более 2 млрд долларов США [171].
Сервис эстонских разработчиков TransferWise, представляющий собой
приложение для p2p-переводов, выступает серьезным конкурентом для
традиционных систем банковских и финансовых переводов, так как
осуществляет операции по переводам в 8 раз дешевле, чем традиционные
британские банки. Такие высокотехнологичные сервисы, как Blend и Better
Mortgage, предлагают заемщикам весь спектр услуг по операциям с
недвижимостью, начиная от оценки недвижимости и возможности получения
определенной суммы ипотечного кредита исходя из данных скоринга и доходов
139
заемщика и до непосредственного оформления ипотечного займа. Среди
сервисов, предоставляющих займы для бизнеса, выделяется платформа Upstart,
которая за пять лет «натренировала» свои алгоритмы для оценки надежности
заемщика так, что у него теперь одни из самых низких на рынке показатели
по дефолтам. При помощи высокотехнологичного скоринга сервис Credit Carma
рассчитывает шансы клиента на получение того или иного кредитного продукта,
предоставляя клиентам список клиентов с наибольшей вероятностью получения
кредита [165].
В России Альфа-Банком предлагается решение в сфере P2P/P2B
кредитования «Альфа-Поток», представляющее собой краудлендинг-платформу
для кредитования бизнеса частными лицами. Предоставление кредита при этом
производится не банком или МФО, а пользователями сайта Поток. Для клиентов
− физических лиц это решение является хорошей альтернативой вкладу, для
компаний оно предоставляет возможность быстрого получения финансирования
по упрощенной по сравнению со стандартной банковской процедуре [150].
Согласно исследованию Глобального института McKinsey (MGI),
финансовый сектор наряду с телекоммуникациями и хайтеком – наиболее
перспективная площадка для внедрения искусственного интеллекта (ИИ).
Причина – значительный экономический эффект в работе с клиентами, рискменеджменте, повышении эффективности. ИИ в финансовой сфере уже
разрабатывает продукты для перекрестных и дополнительных продаж,
оптимизирует ценообразование, сокращает отток клиентов, идентифицирует их
по голосу или лицу, оценивает кредитные риски, выявляет мошенников,
прогнозирует спрос. По данным McKinsey, уже сегодня более 80% крупных
банков применяют эти технологии. В России тенденция та же – проекты по
внедрению ИИ входят в повестку дня руководителей 50% российских банков.
Достаточно сказать, что один из крупнейших российских банков, по признанию
его руководителя, сейчас зарабатывает на внедрении искусственного интеллекта
более $2 млрд. Характерный пример применения ИИ – кредитный скоринг,
сокращающий убытки крупнейшим игрокам на рынке автокредитования США
за счет более точной оценки риска заемщика на 23–25%. В свою очередь, один
из крупнейших банков в мире использует искусственный интеллект для найма
персонала, получая эффект от более точного выбора оптимального кандидата. В
России один из банков «большой тройки» принимает 98% решений о выдаче
кредитов физическим лицам с использованием искусственного интеллекта [172].
Исследование McKinsey показывает, что у кредитных институтов, которые
внедряют ИИ в масштабе всей организации, показатель cost-to-income
140
(отношение операционных расходов к доходам) на 12 процентных пунктов ниже,
чем в среднем по рынку.
В настоящее время в США ряд крупных банков тестирует технологии
применения ИИ не только для консультаций, но и для всего цикла
взаимоотношений с клиентами путем обеспечения доступа к централизованным
базам данных и базам знаний о клиентах, предлагаемых банком продуктах,
истории контактов с клиентами, нормативных документах и т.д.
На первоначальном этапе предлагаемые IT-решения по бизнес-аналитике
позволяют банкам и финансовым учреждениям создать хранилище больших
данных на специальной аналитической платформе, а затем получать из него
информацию о бизнес-аналитике, например, определить, какие из их продуктов
продаются не очень хорошо, или моделировать сценарии «что если» для
различных бизнес-событий с использованием аналитики больших данных и
современных инструментов визуализации. Источниками информации для
централизованного хранилища (или, как говорят, «озера данных») являются
данные автоматизированных банковских систем (АБС) о клиентах, продуктах и
операциях, информация с сайта банка (компании), а также, при необходимости,
данные социальных сетей и «внешних» справочно-информационных систем.
Интуитивно понятный интерфейс решений в области бизнес-аналитики
(удобные панели поиска и мониторинга) позволяет работать в ней большинству
сотрудников банков (компаний), в т.ч. не обладающих специальными знаниями
и навыками программирования.
Примером одного из современных решений в области бизнес-аналитики
является Qlik Analytics Platform компании Qlik. Услугами компании пользуются
Citigroup, Westpac and Teachers Mutual Bank, ANZ [139], в России − Банк «СанктПетербург».
Международная платежная система MasterCard использует аналитику
больших данных о транзакциях своих клиентов (1,5 миллиарда держателей карт
в более чем 210 странах) для целей оценки и прогнозирования рыночных
тенденций, связанных с платежным спросом и его структурой – весьма ценной
информации в современном информационном мире [173].
JPMorgan Chase использует аналитику больших данных для определения
приемлемых продажных цен для домов и коммерческой недвижимости, которые
были получены банком в виде «отступных» по дефолтным ипотечным кредитам.
Если эти рекомендуемые цены продажи установлены точно, сбои на местном
рынке недвижимости от дефолта, возврата и продажи банком теоретически
должны быть сведены к минимуму. Кроме того, период, в течение которого банк
Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]