Выгодные данные: как коммерческие банки могут наращивать прибыль с помощью ИТ-технологий
Несмотря на различные геополитические и экономические потрясения, российские банки демонстрируют определенную устойчивость и способность адаптироваться к ситуации. Так, за первые 11 месяцев 2023 года, по данным портала Banki. ru, финансовый результат банковского сектора составил 2,8 трлн рублей (для сравнения, за весь 2022 год этот показатель не превысил 0,2 трлн рублей). За третий квартал 2023 года банковский сектор заработал около 1 трлн рублей, что выше результата второго квартала (0,8 трлн рублей), за счет активного роста кредитования при расширении процентной маржи, несмотря на повышение ставок. В том числе к таким результатам приводит и активная цифровизация финансовых учреждений.
Иван Данилов, старший аналитик департамента аналитических решений ГК «КОРУС Консалтинг», рассказал, как банки могут повышать свои доходы, используя данные для принятия стратегических решений, оптимизации бизнес-процессов и формирования персонализированных предложений.
Персонализация, оценка рисков и прогнозирование спроса
Согласно исследованию Высшей школы бизнеса НИУ ВШЭ, проведенного в июне-сентябре 2023 года, наиболее ярким ИТ-трендом в российской экономике является «обогащение и интеграция разнородных распределенных данных», – 53% российских компаний заявили, что такие технологии уже внедрены, еще 31% ведут исследования и планируют внедрение. В феврале 2023 года компания Gartner назвала пять ключевых стратегических инициатив в финансовой сфере для успешного развития бизнеса. В числе основных приоритетов: разработка и оптимизация стратегии данных и аналитики. В настоящее время эти тренды актуальны и для банков, поскольку именно данные стали для них одним из самых ценных ресурсов.
Основной целью деятельности банка, как и любой коммерческой организации, является извлечение прибыли. Роста прибыли можно добиться несколькими способами: увеличение выручки при сохранении уровня расходов, сокращение издержек на проведение операций и повышение эффективности использования собственного капитала.
Увеличение выручки и сокращение издержек может достигаться за счет улучшения клиентского опыта, оптимизации операционных процессов, а также создания новых продуктов и услуг. Вот несколько примеров, как банки работают с данными для достижения этой цели.
- Многие банки используют данные о своих клиентах, их предпочтениях, поведении и финансовом положении для создания персонализированных предложений. Например, банк может анализировать транзакционные данные клиента, чтобы понять его потребности и предложить ему подходящие кредитные или инвестиционные продукты. Банки собирают информацию о своих клиентах из различных внешних и внутренних источников, таких как транзакции, кредитная история, социальные сети и т.д.
- Банки используют данные для оценки рисков неплатежей и принятия решений о выдаче кредитов. Анализ финансовых (кредитная история, доходы, расходы, наличие сбережений и активов в собственности) и нефинансовых (пол, возраст, образование, семейное положение) показателей позволяет банкам прогнозировать вероятность возврата кредита и принимать решение о выдаче кредитов с заданным соотношением риска и доходности.
- Финансовые учреждения используют специальные алгоритмы и технологии для анализа транзакционных данных с целью выявления мошенничества. Например, при обнаружении необычной активности на счете, подозрительная операция может быть приостановлена до получения подтверждения от клиента. Эффективная борьба с мошенничеством повышает уровень доверия клиентов, снижает репутационные риски банка и прямые финансовые потери, связанные с возмещением средств.
- Прогнозирование спроса: некоторые банки используют данные о транзакциях и других финансовых показателях для прогнозирования спроса на свои продукты и услуги. Например, программа цифровой трансформации, реализованная одной из крупнейших финансовых групп Юго-Восточной Азии – OCBC Bank, включающая в себя принцип гиперперсонализации (релевантные предложения на основе данных предикативной аналитики), позволила повысить показатель кросс- и «допродаж» (продажи дополнительных продуктов или услуг) на 40%.
Управление собственным капиталом с помощью данных
Остановимся подробнее на еще одном нетривиальном способе увеличения прибыли банков: повышении эффективности использования собственного капитала. Деятельность коммерческих банков в России регулируется Центральным Банком. Он устанавливает ряд обязательных нормативов, в том числе норматив достаточности собственных средств (капитала), и представляет собой минимально допустимое соотношение величины капитала банка к объему активов с учетом уровня принимаемого риска. Данный норматив ограничивает максимально возможный объем выданных кредитов и других доходных активов при достигнутом на текущий момент уровне собственных средств.
В этом случае работа с данными может повысить эффективность использования капитала за счет более точной оценки уровня риска, который используется при расчете норматива достаточности капитала:
- Анализ исторических данных о просроченных платежах клиентов, динамике финансовых показателей, финансовом положении и кредитоспособности, позволяет использовать продвинутый подход к расчету кредитного риска, основанный на работе с внутренними рейтингами. В отличие от стандартного подхода, когда уровень риска жестко определен нормативными документами, с помощью этого метода можно более точно оценивать необходимый объем средств для покрытия риска. В результате объем доходных активов может быть больше, что повышает отдачу на капитал (внутренние доходы от инвестиций).
- Анализ накопленных данных о событиях, связанных с операционным риском (риском нештатных ситуаций во внутренних банковских процессах), позволяет как улучшать бизнес-процессы, сокращая прямые издержки, так и повышать точность прогнозов уровня операционного риска. Это позволяет оптимизировать величину капитала, которую необходимо выделять на покрытие данного вида риска.
Как данные помогают принимать управленческие решения в банковской сфере
Помимо влияния работы с данными на прибыльность банка, следует упомянуть и об использовании данных на различных уровнях принятия решений. Всего можно выделить три уровня:
- Стратегический уровень – на этом уровне принимаются решения, связанные с общей стратегией развития банка, его позиционированием на рынке, расширением бизнеса, слияниями и поглощениями.
- Тактический уровень – здесь принимаются решения, связанные с разработкой новых продуктов и услуг, оптимизацией бизнес-процессов.
- Операционный уровень – на этом уровне принимаются решения, связанные с повседневной операционной деятельностью банка (продажа банковских продуктов, выдача кредитов, обслуживание клиентов).
Основной запрос на стратегическом уровне (общее собрание акционеров, совет директоров) связан с трансформацией данных в различные формы управленческой отчетности, которые используются для принятия сложных комплексных решений. Главные требования для данных на этом уровне – и лаконичность. Анализируются данные о доходах, расходах, эффективности по банку в целом и отдельным бизнес-направлениям, данные о рыночных тенденциях, конкурентной позиции, экономических показателях.
На тактическом уровне данные используются уже не только как источник информации и основа для формирования управленческой отчетности, но и как основа для построения различных рекомендательных систем, в том числе при разработке новых продуктов. Могут рекомендоваться стоимостные параметры, оцениваться рисковые характеристики и т.д. На первый план выходит оперативность данных – именно за счет «скорости» удается быстро отслеживать рыночные тенденции и реагировать на них, а также более эффективно управлять внутренними процессами «в моменте».
На операционном уровне данные используются, в первую очередь, для разработки систем помощи в принятии решения. В ряде случаев операционные решения, например, решения о выдаче кредита, могут приниматься полностью автоматически. На данном уровне основными требованиями к информационным системам становятся скорость обработки данных и точность рекомендации. За счет этого возможно снизить издержки на проведение операций и достичь оптимального соотношения рисков и доходности. Именно на операционном уровне широко распространены технологии машинного обучения, обработки больших данных и нейронные сети.
Например, по информации Евразийского Банка (Казахстан), использование технологий Data Science на этапе предодобрения кредита, позволило повысить эффективность выдачи кредита в три раза, а также эффективность маркетинговых коммуникаций – в 10 раз.
Таким образом, данные являются ключевым активом, который помогает банкам принимать более обоснованные решения, повышать эффективность, улучшать качество обслуживания клиентов и создавать новые инновационные продукты и услуги. Банки, стремящиеся к устойчивому развитию и повышению прибыльности в условиях жесткой конкуренции как между собой, так и с финтех-компаниями, не могут обойтись без использования данными. Интеграция стратегии работы с данными с бизнес-стратегией банка и ее распространение на все уровни принятия управленческих решений, ключевые факторы успеха в этом вопросе. Только таким образом банки могут добиться высокой рентабельности и оставаться конкурентоспособными.