Лариса Малькова и Ирина Одинаева (Accenture): «„Аналитика как сервис” — эффективнее для среднего банка» - «Финансы»

Accenture[/b] Лариса Малькова, руководитель практики Digital, и Ирина Одинаева, управляющий директор практики услуг для финансового рынка, рассказали порталу «Финансы и Банки» о новом актуальном направлении «аналитика как сервис» (Analytic-as-a-Service), которое позволяет банкам качественно улучшить работу с данными, повысить скорость внедрения и избежать капитальных затрат.

— Мы встретились с вами, чтобы поговорить о таком относительно новом для России предложении как «аналитика как сервис». Но давайте начнем с более общих вопросов. Что такое для вас дигитализация? Чем это отличается от того, что IT компании делали уже в течение десятилетий?

— В последнее время мы все меньше говорим об информационных технологиях и автоматизации процессов и все больше о Digital. Почему? Не потому, что ИТ куда-то вдруг «исчезло».

Процессы не просто автоматизируются, они становятся интеллектуальными

Просто корпоративные информационные технологии очень заметно эволюционировали. Раньше IT-подразделения занимались автоматизацией, то есть внедрением разнообразных систем, автоматизирующих те или иные процессы. Сегодня же процессы не просто автоматизируются, они становятся интеллектуальными (Intelligent Processes). Это означает: почти везде внутри встроена некая аналитика, которая позволяет процессу адаптироваться «по ходу событий», в зависимости от условий. Например, точно понимать, какого типа клиент зашел на твой сайт, и предлагать то, что нужно именно ему и именно в этот момент и т. п.

Мы в Accenture структурируем Digital по четырем направлениям:

•
Digital Analytics (цифровая аналитика),

•
Digital Mobility (мобильные решения и цифровые каналы),

•
Digital Interactive (цифровой маркетинг, пользовательский опыт и т. п.),

•
Internet of Things (интернет вещей).

— Почему именно так?

— Analytics делает из просто автоматизированного процесса процесс интеллектуальный. Mobility позволяет работать с клиентом или партнером по самым разным каналам. Interactive помогает сделать довольно сложный процесс интуитивно понятным, удобным и естественным для человека. А при помощи интернета вещей во все это информационное поле (помимо людей и ИТ-систем) включаются различные устройства, машины и пр., которые генерируют свои данные и взаимодействуют с нами и друг с другом как полноправные участники.

— Количество данных в мире растет в какой-то геометрической прогрессии. Как меняется роль аналитики при этом?

— Да, потоки и разнообразие данных растут стремительно. По оценкам Google, например, человечество произвело на свет уже около 300 экзабайт информации (это 300 с 18 нулями). А всего четыре-пять лет назад количество всей существующей информации оценивалось в 30 экзабайт.

Важнейшей задачей становится отделение действительно значимой информации от информационного шума

Получается, что за последние годы мы произвели больше информации, чем за всю историю человечества. Теперь нам приходится каждый день обрабатывать в пять раз больше данных, чем 25–30 лет назад.

И теперь важнейшей задачей становится отделение действительно значимой информации от всего этого информационного шума. То есть выделение той информации, влияющей на бизнес, которая должна вызывать какое-то действие. Именно поэтому возрастает роль аналитики. Она становится критически важной.

— Но компании всегда анализировали данные. Что же изменилось сегодня?

— Во-первых, помимо необходимости анализа драматически выросшего объема и разнообразия данных, изменился характер самой аналитики. Раньше компании анализировали информацию постфактум.

Происходит переход от описательной аналитики к аналитике прогнозной

Это то, что называется дескриптивной или описательной аналитикой. Такая аналитика говорит нам о прошлом, о том, что уже произошло и на что мы не можем уже повлиять. Теперь же мы стараемся смоделировать будущее — как те или иные действия, которые мы еще не предприняли, могут повлиять на наш бизнес. И выбрать из имеющихся вариантов наилучший сценарий. Происходит переход от описательной аналитики к аналитике прогнозной (предиктивной). Во-вторых, изменились и сами данные. Ранее компания анализировала только внутренние данные. По некоторым оценкам, в будущем такая внутренняя информация будет составлять только 10% от того, что должна будет анализировать и учитывать компании в цифровом мире. Остальные 90% — это внешняя информация о том, что происходит с ее клиентами и партнерами вне точек взаимодействия с компанией.

— А где можно взять такую информацию?

— Уже сейчас есть много агрегаторов данных, бирж данных, на которых продаются данные различного рода.

— Для чего это нужно именно банкам? Где в банке это может использоваться?

— По сути, это необходимо для любого функционального подразделения банка. Прежде всего это продающие подразделения и подразделения, управляющие отношениями с клиентами, CRM.

Такая информация нужна, например, для департамента управления рисками — для улучшения скоринга

В инновационных лабораториях Accenture в последнее время даже появился специальный термин «цифровой геном клиента». Этот «геном» (как и ДНК) описывает, полную картину (насколько это в принципе возможно) в том числе, где клиент бывает в интернете, чем он интересуется, что и как он покупает, но не просто как набор фактов, но еще и производную информацию — некоторые выводы, «флажки», например, а что влияет на его выбор, на что клиент более отзывчив, а на что менее. Такая информация нужна, например, для департамента управления рисками — для улучшения скоринга. Она позволяет создать практически полный портрет клиента. Сегодня классический банк часто знает о своем клиенте лишь то, как он пользуется теми или иными банковскими продуктами. Но это не дает подлинного знания о клиенте, о его потребностях, поведении и т. п. Чтобы узнать это, необходимо собирать самые разные данные и создавать тот самый «цифровой геном» клиента.

Теперь посмотрим на тех, кто создает банковские продукты. Все банки сегодня так или иначе занимаются сегментацией своей клиентской базы и пытаются создавать продукты для отдельных сегментов. Но на деле это не всегда хорошо работает. Например, все банки заинтересованы в развитии премиального клиентского сегмента, которому можно предлагать премиальные продукты. Но как сегодня выделить именно премиального клиента? Пока часто пытаются выделить таких клиентов чисто по финансовым показателям. Хорошим признаком также являются траты клиента за границей. Но подобных признаков часто совершенно недостаточно для понимания, кто сегодня может являться премиальным клиентом.

Из глубокого же анализа данных можно вывести такие закономерности, которые не лежат на поверхности. Например, премиальные клиенты не совершают частых покупок в супермаркетах на небольшие суммы, они не оплачивают коммунальные услуги в банкоматах. Эти и другие тонкости становятся понятны, когда есть не просто набор фактов, а возможность эти факты анализировать и понимать, что такие клиенты делают и чего не делают.

Мы разработали для банка новую систему оценки поведения клиентов на основе «важных событий жизни» (life events)

Все это — не теория: мы знаем об этом по опыту многих наших проектов развития аналитической функции у клиентов в самых разных индустриях (в том числе и в России). Недавний пример: новая система аналитики для одного из наших клиентов. После нескольких слияний и поглощений клиенту было необходимо улучшить эффективность своих кампаний и увеличить лояльность розничных клиентов по всей совокупной клиентской базе. Клиенту было очевидно: поскольку поведение его клиентов в последние годы заметно изменилось, необходим совершенно новый уровень знания о них. Раньше банк собирал лишь данные о типовом «банковском» поведении клиента — транзакции, запросы и т. п. Но для достижения новых целей этого было совершенно недостаточно. И мы разработали для банка новую систему оценки поведения клиентов на основе «важных событий жизни» (life events), например рождение ребенка, свадьба, приобретение автомобиля и т. п. Выяснилось, что эти «события жизни» серьезно коррелируют с банковским поведением клиента. Мы разработали необходимые метрики, предиктивные алгоритмы анализа и создали систему, ежедневно анализирующую около 200 возможных «событий жизни» у каждого клиента. На основе результатов системы было внедрено новое сегментирование клиентов банка и создана новая стратегия работы с клиентами маркетинга и продаж.

— У российских компаний даже во внутренних данных изрядный беспорядок, как мне кажется. Им бы с этим разобраться…

— Мы знаем ситуацию не понаслышке, поскольку оказываем крупным российским компаниям услуги по внедрению корпоративных хранилищ данных. Действительно, по нашему опыту, около 80% усилий тратятся не на анализ данных, а на их подготовку. Работа с данными требует больших усилий, инвестиций и весьма разноплановых компетенций.

Даже у крупных банков, которые имеют возможность создать такую компетенцию внутри себя, возникает много проблем с возможностью обеспечить быструю доступность больших объемов качественных данных. Эту функцию внутри банка невозможно расширять до бесконечности эффективным образом, есть граница роста, после которой она становится слабо управляемой.

— Кто сейчас отвечает за обработку данных? Блок IT? Раньше данные были «нелюбимым ребенком», никто ими не хотел заниматься внутри банка.

— Такие центры компетенций в первую очередь складываются в розничных подразделениях, в других функциональных блоках, очень часто в финансах. IT, как правило, отвечает за инфраструктуру в широком смысле, то есть за сбор, хранение и интеграцию данных. Анализ же данных в большинстве случав уже компетенция бизнес- и функциональных подразделений.

Банки дозрели до понимания того, что данные не могут быть «ничьими»

Сейчас ситуация с данными меняется. За последние пару лет многие банки задумались об улучшении функции работы с данными. А также о выделении позиции Сhief Data Officer (CDO) как отдельного руководителя в банке. Банки дозрели до понимания того, что данные не могут быть «ничьими». Это такой же актив, как и любой другой, и ими нужно управлять как активом, кто-то должен за них отвечать. В США, например, эта тенденция проявилась еще в кризис 2008 года, надо сказать не без давления регуляторов.

— Сейчас появилось такое понятие как data scientist, «ученый по данным». Само название подчеркивает, что для работы с данными нужны особые, глубокие компетенции. Откуда наши банки могут взять таких специалистов? Разве их у нас кто-то готовит?

— Работа с данными требует прежде всего владения статистическим и математическим инструментарием. В России традиционно сильное математическое образование, много специалистов, знающих и математику, и статистику. Команда, которая работает с данными, должна обладать совокупностью разных знаний и компетенций, они должны очень хорошо понимать бизнес компании, знать его драйверы. И, конечно, у них должны быть глубокие технические навыки управления данными, их интеграции.

— Обработка и анализ данных требует и особых компетенций, и специального дорогого программного обеспечения. Такое впечатление, что все это сейчас «не по карману» и мелким, и даже средним банкам. Как они могут решить эту проблему?

— Действительно, это может стать серьезной проблемой для средних банков. Даже задача сбора данных и подготовки их к анализу требует заметных ресурсов. Не говоря уже о глубоком анализе или использовании результатов анализа, например в маркетинговых кампаниях. При этом собственных ресурсов у банков часто недостаточно. Именно для них мы предлагаем новую для России услугу — «Аналитику как сервис» (Analytics-as-a-Service, AaaS). Здесь мы берем на себя всю работу с данными, а банки получают практически готовый результат.

— Как это работает?

— Мы получаем от клиента обезличенные данные, такие какие они есть в исходных системах, обрабатываем их на нашей собственной платформе, в которую инвестировали на протяжении многих лет, которая объединяет наиболее серьезные аналитические методологии и технологии (в том числе, наши собственные, проприетарные). Обработкой и анализом этих данных занимаются наши квалифицированные аналитики. После чего клиент получает от нас тот или иной практически готовый результат: результаты анализа (инсайды, закономерности, рекомендации, сами модели); данные, полностью подготовленные к проведению той или иной кампании; или же осуществление самих кампаний для клиента в различных каналах. При этом совершенно не идет речь о приобретении банком какого-либо аналитического программного продукта.

Для средних банков пользоваться аналитикой как сервисом гораздо эффективнее, нежели строить такую функцию внутри

Такая модель работы, когда что-либо предоставляется как сервис, уже получила признание во многих областях на развитых рынках. Как нам кажется, Россия тоже уже созревает для этого, хотя исторически здесь все привыкли вести «натуральное хозяйство», то есть иметь все свое и внутри себя. Но для средних банков пользоваться аналитикой как сервисом гораздо эффективнее, нежели строить такую функцию внутри. Ведь провайдер таких услуг представляет собой еще и своего рода shared service center, где затраты на платформу делятся между всеми участниками экосистемы, которые ей пользуются. Это намного дешевле, чем выращивать все это внутри.

— Что же мешает российским банкам переходить на AaaS-модель? С какими возражениями вы сталкиваетесь?

— Прежде всего банки опасаются по поводу конфиденциальности персональных данных: боятся, что эта информация куда-то утечет. Но на самом деле мы берем у банков деперсонифицированные, обезличенные данные. Для аналитики, для построения моделей нам совершенно не нужны персональные данные. Далее, многие банки считают, что аналитика это их ключевая компетенция, конкурентное преимущество, которое нужно иметь внутри банка. Но здесь возможны варианты косорсинга (co-sourcing), когда создается совместная команда, которая участвует в анализе данных. Это позволяет намного повысить и скорость работы, и пропускную способность (capacity).

Недостаточно проанализировать те данные, которые есть внутри организации, для построения эффективных моделей они должны быть «обогащены» внешними данными

То есть можно иметь ключевую компетенцию внутри банка. Но если у вас этим занимаются «полтора человека», это не будет работающим решением. В нашем случае клиент начинает получать результаты уже через несколько недель, а по прошествии времени, если банк хочет, мы постепенно передаем ему эту компетенцию. Более того, с самого начала это не «черный ящик»: банк имеет доступ к нашей среде, может видеть как сами модели, так и результаты непосредственно по ходу их создания. А при желании и активно участвовать в рамках единой команды во всех этапах.

Хотелось бы еще раз вернуться к важному тезису: сегодня часто недостаточно проанализировать те данные, которые есть внутри организации, для построения эффективных моделей они должны быть «обогащены» внешними данными. Для этого мы можем использовать данные ряда партнеров, с которыми сотрудничаем. Это могут быть и интернет-компании, и телекомы, и всевозможные маркетплейсы, и площадки частных объявлений или поиска работы. Сейчас есть и некоммерческие организации, которые собирают различную статистику, и они тоже готовы поделиться своими данными. Они могут даже собирать информацию непосредственно под наши задачи.

— Насколько «аналитика как сервис» доступна по стоимости для средних банков?

— Стоимость разработки одной модели не так уж и высока. У нас есть бизнес-кейсы, есть уже выполненные реальные проекты, которые подтверждают, что если у банка клиентская база более 300 тысяч человек, то он в течение года сможет гарантированно «отбить» эти инвестиции. Когда банк пытается выстроить эту компетенцию внутри, он несет серьезные капитальные затраты. В нашем же случае капитальных затрат нет, все затраты операционные. И можно строго регулировать свои затраты по принципу pay as you drink — платишь только за то, чем пользуешься. С нынешним снижением маржи в банкинге перед банками встает задача гораздо более серьезного подхода к эффективности затрат.

Кроме того, стоит помнить и о таком жизненно важном факторе, как скорость запуска аналитической функции. Если банк решит создавать такую компетенцию внутри, на это уйдет минимум год. У нас же первые маркетинговые кампании можно будет запускать уже через несколько недель. То есть если сейчас с этим дела обстоят неважно, то вы уже безнадежно отстали от конкурентов, и эволюционным путем преодолеть этот разрыв будет очень сложно, нужен партнер, который скачкообразно сможет эту ситуацию изменить, а это только готовый сервис.

— Есть уже кейсы использования «аналитики как сервиса» в России?

— В России есть несколько региональных банков, с которыми мы работаем по этой модели.

— Банки везде в мире вынуждены все больше тратить на комплаенс. Данные собираются не столько в целях бизнеса, в целях маркетинга, сколько в целях отчетности перед регулятором. Может здесь быть полезна модель «аналитики как сервиса»?

— Да, регуляторы сегодня требуют от банков все большего раскрытия информации. На Западе «аналитика как сервис» широко используется средними банками и в этой области.

Предложение «комплаенс как сервис» могло бы стать логичным шагом развития этой бизнес-модели в России в недалеком будущем

Европейские регуляторы сегодня тоже думают о такой модели, поскольку понимают, что регуляторные требования создают все большую нагрузку для средних банков. Поэтому там создание такого shared service center является частью стратегии регулятора. Наш регулятор сейчас тоже повышает требования по данным. Например, вводится новая «датацентричная» форма по портфелю кредитов корпоративных клиентов (ф.303), согласно которой банки должны собирать еще больше данных по клиентам. Даже крупные банки испытывают с этим трудности, не говоря уже о средних. Поэтому мы полагаем, что предложение «комплаенс как сервис» могло бы стать логичным шагом развития этой бизнес-модели в России в недалеком будущем, особенно если такой подход будет поддержан самим регулятором.