При помощи детской считалки теперь нетрудно определить, какие мировые и отечественные банки будут доминировать на рынке уже в ближайшем будущем, благодаря использованию цифровых данных. Какие изменения в образе мышления топ-менеджеров произошли для этих преобразований, и что необходимо сделать, чтобы не остаться за бортом?
О терминологии
За терминами AI, Big Data, Data Science стоит свод дисциплин, отвечающих за принятие оптимальных решений на основе данных. За этой непрозрачной формулировкой находятся вполне понятные ценности:
- Более лояльные клиенты, благодаря персональному финансовому менеджменту и релевантным предложениям продуктов на основе сегментирования аудитории;
- Сильная система безопасности, которая способна выявить и пресечь любой вид мошенничества, как внешнего, так и внутреннего;
- Экономия на большей эффективности операционных процессов, например, в обслуживании банкоматов, благодаря предсказанию и оптимизации наличности в сети терминалов;
- Сохранение наиболее важных и доходных клиентов, благодаря предсказанию оттока и других важных паттернов поведения клиентов;
- Эффективное управление рисками, благодаря интеллектуальному кредитному скорингу;
- Разумные инвестиции в кадры, когда речь идет о предсказании продолжительности работы кандидата или уровне его «токсичности» в коллективе;
- И еще довольно длинный перечень возможного применения «умных данных».
Если попытаться обобщить мотив крупных банков участвовать в гонке данных, то все сводится к двум фундаментальным истинам: 1) банки хотят быть клиентоориентированными и 2) банки стремятся быть эффективными.
А это хорошо согласуется со словами Джека Уэлча: «Если перемены вне вашей компании происходят быстрее, чем внутри, то конец близок».
Историческая справка
С 2016 года наблюдается устойчивый рост тренда, однако в новом качестве. Решения стали давать прогнозируемый и повторяемый результат
Говоря о мировом тренде Data Science в банках, речь идет о волне решений, которая зародилась в 2013 году и иссякла в 2015 на спаде интереса — из-за завышенных ожиданий к технологии. С 2016 года наблюдается устойчивый рост тренда, однако в новом качестве. Решения стали давать прогнозируемый и повторяемый результат. С этого же момента стала заметна активизация отечественных банков: набираются специалисты, на сцене профильных конференций с первыми пилотами в Data Science появляются первые сторонники диджитализации, а публичные заявления официальных лиц по вопросу Big Data начинают носить не только PR характер.
Впрочем, если следовать инновационной кривой, то речь идет об активности ранних последователей и инноваторов, чего нельзя сказать об инертном раннем большинстве.
Есть несколько объяснений этому. С одной стороны, топ-менеджменту не очевидна целесообразность инвестиций в эту сферу. Ведь зачастую под терминами Data Science и Big Data каждый понимает свое, да и отсутствие открытых отраслевых кейсов на рынке решительности не добавляет. И это понятно: раннее большинство банков не готово инвестировать в то, что не проверено временем. Возможно, сориентироваться в этой сложной теме и ответить на вопрос «пора или нет?» поможет мировой рейтинг банков, которые уже активно инвестируют в развитие Data Science инфраструктуры.
Критерии рейтинга
В рейтинге выделяются следующие пункты:
- Количество выступлений на профильных конференциях с кейсами;
- Наличие должности или профильного отдела;
- Количество размещенных вакансий специалистов;
- Официальные отчеты и публикации;
- Масштабируются ли наработки на другие регионы и страны, или эксперименты пока локальны;
- Насколько глубоко проработано дерево специализации отдела в банке.
Для рейтинга мы выбрали самые крупные по капитализации банки из шорт-листа World’s Largest Banks 2017, а также решили посчитать индекс отечественных банков, которые были замечены в работе с Big Data.
Топ 30 мировых банков в Data Science решениях
1
USA
Capital One
49
2
USA
JPMorgan Chase
40
3
France
BNP Paribas
40
4
Switzerland
UBS
39
5
France
Credit Agricole
38
6
France
Societe Generale
33
7
USA
Citi Bank
33
8
Switzerland
Credit Suisse
32
9
USA
Wells Fargo
29
10
Netherlands
ING
29
11
USA
Morgan Stanley
25
12
Canada
RBC Royal Bank
23
13
Germany
Deutsche Bank
23
14
UK
Barclays
23
15
USA
Bank of America
23
16
USA
BNY Mellon
21
17
Russia
Sberbank
19
18
Australia
Commonwealth Bank of Australia
19
19
Canada
Toronto-Dominion Bank
14
20
USA
US-Bank
12
21
Russia
Tinkoff Bank
11
22
UK
Royal Bank of Scotland Group
11
23
UK
HSBC
11
24
Spain
Santander
10
25
Australia
Westpac
9
26
Russia
Alfa-Bank
9
27
UK
Lloyds
8
28
Spain
BBVA
8
29
Italy
UniCredit
7
30
Australia
NAB
7
Среди 30 банков-лидеров 8 позиций занимает США.
На своем сольном выступлении на Startup Village 2017 Олег Тиньков назвал этот банк ориентиром в сфере банковских инноваций
Высшую строчку занимает Capital One. Характерно, что на своем сольном выступлении на Startup Village 2017 Олег Тиньков назвал этот банк ориентиром в сфере банковских инноваций. Capital One активно инвестирует в развитие инфраструктуры Data Science не только на территории США, но и в Европейском, Азиатском и Тихоокеанском регионах, с общим количеством открытых профильных вакансии 28 (данные с официального сайта Capital One на 28.05.17).
Второе место — JPmorgan Chase, обладает целой плеядой звезд в области Data Science, которые признаны одними из самых влиятельных специалистов в банковской сфере по версии efinancialcareers.com. (Afsheen Afshar - в должности Chief Data Scientist и Graham Gille - руководитель Data Science Research.)
Далее следуют Citi Bank (7), Wells Fargo (9), Morgan Stanley (11), Bank of America (15), BNY Mellon (16), US-Bank (20).
CDO Wells Fargo Чарльз Томас убежден, что у Data Science специалиста в банке нет шансов остаться без работы ни в настоящем ни в будущем.
Второе место в общем зачете стран - Франция.
BNP Paribas (3) является абсолютным лидером Европы по проникновению Data Science. Следом за ним - Credit Agricole (5) и группа Societe Generale (6).
Впрочем, Швейцария, занимающая третье место, не отстает, и на 4-м месте находится банк UBS, у которого в обойме Raghav Madhavan - Chief Data Scientist, которого относят к самым сильным специалистам в этой области.
А Credit Suisse занимает 32 место.
На четвертом месте — Великобритания, где наиболее активными банками стали: Barclays (14), Royal Bank of Scotland (22), HSBC (23) и Lloyds (27).
Россия в общем зачете находится на пятом месте. Сбербанк (17), Tinkoff Bank (21), Альфа-Банк (26). Кроме того, оценивались, но в шорт-лист не попали: Открытие, Райффайзен-банк, ВТБ24, Банк Хоум Кредит и банк «Юникредит».
Канада на шестом месте.
Единственный представитель тихоокеанского региона и седьмое место — Австралия и банки: Commonwealth (18), Westpac (25), NAB (30).
Замыкает список стран-лидеров Испания: Santander (24), BBVA (28).
А как же Азия?
Где китайские банки ICBC, China Construction Bank, China Merchants Bank, Agricultural Bank of China? Где Япония и SMFG, MUFG?
Специалисты одной из ведущих компаний по развитию Big Data в Азии «Global Tone» считают, что, несмотря на появления таких должностей, как Chief Data Officer в банках-лидерах, Data Science носит сейчас больше экспериментальный характер. Причем северо-американские представительства азиатских банков развиваются динамичнее в этом направлении, но проигрывают северо-американским лидерам шорт-листа. Возможно, что это временно, учитывая, что китайская школа данных одна из самых сильных в мире.
Рейтинг по странам
n (серый) — банков в рейтинге
n (желтый) — средний индекс проникновения Data Science.
Что значит для России положение в этой части рейтинга
Даже гиганты вынуждены двигаться быстрее, становиться клиентоориентированными и эффективными в вопросах принятия решений на основе больших данных
Несмотря на активный интерес со стороны крупных отечественных банков, в гонку они включились с задержкой в год-полтора. Это можно связать с тем, что американские банки испытывают куда большее конкурентное давление со стороны финтеха. Поэтому даже гиганты вынуждены двигаться быстрее, становиться клиентоориентированными и эффективными в вопросах принятия решений на основе больших данных.
У нас же эксперименты с автоматизацией процессов через машинное обучение и Data Science носят точечный характер. Отстроенной структуры Data Science отдела с налаженными функциями нет ни в одном отечественном банке, хотя этот этап уже пройден лидерами первой десятки.
Одним из первых потенциал больших данных оценил Сбербанк. С 2015 года этот банк стал инвестировать в инфраструктуру и отделы по работе с Big Data. Андрей Черток, руководитель академии технологий и данных в корпоративном университете Сбербанка, считает, что: «…в Сбербанке экспертиза Data Science становится одной из главенствующих, что предполагает развитие RnD направлений, связанных с анализом данных».
Первые последователи Data-driven парадигмы на отечественном рынке
Действительно, крупные банки более чувствительны к давлению со стороны финтеха, таких еще вчерашних стартапов, как Тинькофф-банк и Рокет-банк (группа «Открытие»). Тех банков, кто изначально был ориентирован на использование данных. Инертность большинства банков в вопросе диджитализации и переходе к так называемой Data-Driven парадигме весьма скоро сыграет с ними злую шутку. Клиенты предпочтут более гибких и комфортных конкурентов. Поэтому сейчас слова из считалочки касаются всех: «Не-ту Da-tы? Вы-шел вон!».
