Facebook | Город Алматы 
Выберите город
А
  • Актау
  • Актобе
  • Алматы
  • Аральск
  • Аркалык
  • Астана
  • Атбасар
  • Атырау
Б
  • Байконыр
Ж
  • Жезказган
  • Житикара
З
  • Зыряновск
К
  • Капчагай
  • Караганда
  • Кокшетау
  • Костанай
  • Кызылорда
Л
  • Лисаковск
П
  • Павлодар
  • Петропавловск
Р
  • Риддер
С
  • Семей
Т
  • Талдыкорган
  • Тараз
  • Темиртау
  • Туркестан
У
  • Урал
  • Уральск
  • Усть-Каменогорск
Ф
  • Форт Шевченко
Ч
  • Чимбулак
Ш
  • Шымкент
Щ
  • Щучинск
Э
  • Экибастуз

Казахстанские банки начали продавать большие данные

Дата: 14 мая 2018 в 14:01 Категория: Новости экономики

Взять много и подешевле, отдать мало и подороже – это грубая модель классического банка. Она давно уже перестала быть самодостаточной и отчаянно нуждается в модернизации. Банки сообразили, что «сидят» на больших данных, которые, при определенной сноровке, можно трансформировать в прибыль.

О том, как можно монетизировать Big Data, рассказывает CDO (Chief data officer) ДБ АО «Альфа-Банк» Максат Нуриденулы.

F: Максат, сегодня большие данные (Big Data) – как снежный человек: слышали и обсуждают многие, но никто ни разу не видел. Вы – банкир. Что для вас значит Big Data?

— Термины Big Data, «машинное обучение», «нейронные сети» часто встречаются в выступлениях топ-менеджмента всех сфер деятельности, начиная от организаций государственного сектора, заканчивая представителями малого бизнеса. Наибольший интерес проявляют компании финансового сектора, ретейла и телекома. Все «бегут» за новыми источниками данных, соревнуясь в их объёме, количестве и способах монетизации. Кто не «бежит», тот «идёт», «ползёт», а отстающие компании «смотрят» в направлении данных. Но мало кто оставляет без внимания это направление.

Рынок аналитики и Data Science (наука о данных) меняется настолько стремительно и быстро, что, думаю, никто не может точно обозначить, что нас ждет завтра. Вытеснит ли человеческие ресурсы искусственный интеллект? Будет ли так же популярна специальность Data Scientist? В одном я уверен точно: ценность данных будет расти. Все большее количество задач можно будет решить, обработав массив данных. Однако вакантным останется место инициатора гипотез. Собрать и хранить данные могут различные сервисы и инструменты, посчитать данные и сделать прогноз может программный код, но постановка задач всегда останется за человеком. Задача топ-менеджмента в сфере Data Science как раз и состоит в том, чтоб воспитать в своих специалистах таких «генераторов идей».

F: Многие эту цифровую мантру уже давно транслируют, как вы сами отметили, по всем каналам. Лично вам удалось «приручить» большие данные?

— Расскажу на своем опыте, вряд ли кто-то из казахстанских банкиров пустит вас на свою цифровую кухню.

Итак, учитывая растущую клиентскую базу, для нас было важно правильно настроить поток и хранение данных: клиенты ходят по магазинам, ресторанам, ездят в такси, покупают билеты и совершают ещё много разных финансовых операций. Это одновременные потоки данных от сотен тысяч человек. Поэтому год назад нашим первым шагом стало создание хранилища внутренних данных (DWH, Data Warehouse). Звучит, возможно, странно, но это так. За все время существования Альфы на рынке, вплоть до начала прошлого года, хранилище «существовало», а не «жило». Данные беспорядочно сливались в DWH из всех IT-систем, не создавая при этом для нас никакой ценности.

Так вот, стартом развития нашей Big Data стала работа именно со своими внутренними данными. На внутренних данных мы, как и другие БВУ, строили скоринговые модели, анализировали транзакционную активность клиентов, рассчитывали и упаковывали для каждого клиента персональные предложения. Это массовый подход, так все развивают клиентскую аналитику.

Мы экспериментировали и решили пойти дальше, но не по маршруту стандартного моделирования. Мы решили пробовать себя в новых сферах. Идея такова: почему банк не может заниматься «небанковской деятельностью», разумеется, в рамках закона? Я говорю про совместную аналитику и помощь в развитии бизнеса наших партнеров.

F: Во что трансформировались ваши Big Data?

— Для нашего партнера – это аналитика по своему бизнесу, рекомендации по ключевым направлениям развития. Альфа-Банк ориентирован на сегмент розничного и малого бизнеса, поэтому мы видим рынок в целом и каждую компанию в отдельности, мы можем анализировать конкурентную среду и понимаем, что необходимо не только нашим клиентам, но и клиентам компаний других отраслей.

Во-первых, для анализа мы привлекаем не только внутренние данные, но и внешние. Различные интернет-ресурсы позволяют получать данные из многочисленных справочников, социальных сетей, сайтов с отзывами и рейтингами компаний. Мы настроили работу с данными источниками и научились выявлять значимую информацию. Всё это в рамках законов РК и не нарушает политику персональных данных. Во-вторых, мы можем служить связывающим звеном между компанией, поставляющей какие-либо услуги, будь то салон красоты или сеть заправочных станций, и конечным потребителем. Мы не продаем данные о наших клиентах. Мы на основе этих данных понимаем, какому клиенту какие услуги нужны и в каком клиенте нуждается каждая компания.

F: Альфа уходит от классического банкинга в сторону консалтинговой модели?

— Мы не планируем отделяться и полностью уходить в консалтинговую деятельность, однако мы заинтересованы развиваться в данном направлении. Возможно, Альфа-Банк перейдет на уровень сервисной компании. Финансовые услуги предоставляют все банки, а мы сможем выступить технологической платформой не только финансовых услуг, но и консалтинга.

F: В чем ваш профит?

— Для нас подобное партнёрство – это способ монетизации данных. Схема простая: мы владеем данными, анализируем бизнес-кейсы – помогаем партнёрам/клиентам — бизнес партнёра/клиента растет – прибыль растет. Как результат, мы получаем дополнительный доход от увеличения активности партнёра/клиента, роста его оборотов и от наших консалтинговых услуг.  

F: Хватит ли компетенций?

— Хватит. Обращу внимание, что огромную популярность сегодня получает аналитика с применением программирования на языках R, Python. Многие высшие учебные заведения готовят подобных специалистов, мы продолжаем их развивать. В целом, считаю позитивным текущий тренд «ухода» компаний от сложных вендорских решений в сторону гибких сред программирования с открытым исходным кодом. Благодаря подобным решениям, достаточно правильно поставить команде аналитиков бизнес-цель, предоставить доступные инструменты разработки и на выходе получаем неординарные математические решения и интересную интерпретацию бизнес-кейсов.

F: Зачем изобретать велосипед, когда есть готовые решения глобальных игроков?

— К нам часто приходят консалтинговые компании с предложением «внедрить то, без чего сейчас ни один банк не сможет эффективно работать», будь то новая платформа аналитического CRM либо суперточная предиктивная модель. Так вот, мы на несколько шагов впереди многих таких компаний. Путь от этапа, когда клиентскую базу разбирают на сегменты для целевой работы, до персонального таргетирования предложений мы прошли буквально за год. Наши аналитики способны решать задачи не только банковской сферы, но и многих смежных — ретейла, телекома.

По сообщению сайта Banker.kz