Операционализация аналитики: 4 способа эффективного прохождения банками «последней мили»
Энн-Линдсей Белл, редактор SAS Insights
Банковская индустрия находится в авангарде развития аналитической практики, применяя машинное обучение для оценки кредитного и портфельного риска в соответствии с регуляторными требованиями, формируя наиболее эффективные предложения для своих клиентов и решая многие другие задачи. Вместе с тем, перед банками зачастую встает вопрос оценки отдачи от их инвестиций в аналитику, в частности, когда речь заходит о «последней миле» аналитики – отрезке жизненного цикла аналитической модели после ее разработки и до фактического получения ценности от ее использования в бизнесе.
Главная причина, по которой бизнес упускает часть потенциальной выгоды, – отсутствие стандартизованного процесса операционализации аналитики, в рамках которого модели своевременно внедряются в эксплуатацию и непрерывно отслеживаются на предмет качества работы для того, чтобы своевременно реагировать на возможные изменения. По данным исследования Gartner, менее половины разработанных моделей впоследствии внедряются в бизнес-окружение, а внедрение 90% моделей занимает более трех месяцев. Нельзя назвать приемлемой ситуацию, при которой наработки аналитиков так и не применяются в бизнесе и не помогают принимать важные решения.
Правильный выход из такой ситуации – создание единой аналитической стратегии, которая охватывает все сферы деятельности организации для обеспечения принятия точных и своевременных решений. Ниже представлены четыре примера из банковской индустрии, которые иллюстрируют, как ведущие компании следовали по четко определенному пути использования аналитики для решения конкретных бизнес-задач, а также результаты, которых они достигли.
Получите максимальную отдачу от инвестиций в ИИ за счет операционализации аналитики
Скачайте этот бесплатный документ, чтобы узнать, как подход ModelOps обеспечивает максимальную отдачу от аналитики в бизнесе, автоматизирует регулярные задачи, выстраивает взаимодействие между всеми задействованными в процессе сотрудниками и интегрирует аналитику в процессы принятия решений.
1. Задача: соответствие МСФО 9
Реализация международного стандарта финансовой отчетности 9 (МСФО 9) потребовала дополнительных усилий для банков. Стандарт, в частности, касается вопросов точности и прозрачности оценки моделей, прогнозирующих любые финансовые активы.
Один из крупнейших международных банков в мире обратился к SAS, чтобы разработать комплексное стратегическое решение для создания, внедрения и управления более чем 200 моделями в соответствии с требованиями МСФО 9 и реализации механизмов отчетности, работая с огромным объемом данных по всем операциям в глобальном масштабе.
Что они сделали:
Банк начал внедрять платформу SAS® для эффективной интеграции моделей, которые создавались в параллельном режиме.
Развертывание платформы SAS и запуск программы банка по МСФО 9 были трудоемкими: потребовалась интеграция с 60 - 70 системами, содержащими исходные данные, и большим количеством уже созданных моделей, которые охватывали все направления деятельности банка. Несмотря на это, в течение двух месяцев банк уже начал внедрять новые модели на платформе SAS.
Спустя три месяца банк реализовал гибкий процесс интеграции новых моделей, в рамках которого каждые две недели с помощью SAS производится их оценка и реконфигурация.
Полученные результаты:
- Банк получил централизованную, гибкую и высокопроизводительную среду для решения задач моделирования ожидаемых убытков. При этом повысилось качество управления рисками и финансовой отчетности.
- На 17% возросла эффективность внедрения моделей в бизнес в рамках стандарта МСФО 9.
- Процесс управления и сопровождения аналитических моделей стал на 60% более эффективным.
Менее половины разработанных моделей впоследствии внедряются в бизнес-окружение, а внедрение 90% моделей занимает более трех месяцев. Нельзя назвать приемлемой ситуацию, при которой наработки аналитиков так и не применяются в бизнесе и не помогают принимать важные решения.
2. Задача: цифровая трансформация
Как и многие банки, эта канадская финансовая организация планировала осуществить цифровую трансформацию своего бизнеса, чтобы не только создавать новые каналы для коммуникации с клиентами, но и взаимодействовать с клиентами, учитывая их индивидуальные предпочтения. В случае данной компании, проблема заключалась в разрозненности аналитических инструментов и фрагментированном аналитическом ландшафте.
Что было сделано:
В рамках сотрудничества с SAS была создана единая и гибкая комплексная платформа для обработки данных, развернутая в облачной среде, где можно было оперативно реагировать на новые вводные. Перейдя к концепции data lake, организация оптимизировала дорогостоящие и неэффективные процессы перемещения и репликации данных.
Полученные результаты:
- Теперь банк, оснащенный модернизированной гибкой инфраструктурой SAS Viya в облаке Google, может быстро создавать модели и анализировать большие данные в целях повышения качества обслуживания клиентов и роста эффективности бизнеса.
- Благодаря обработке данных в памяти и на стороне баз данных среднее время обработки сократилось в два раза.
- Все пользователи, независимо от предпочтений языка программирования, могут визуализировать аналитику.
- Банк трансформировался в цифровую компанию, которая обеспечивает первоклассное, консистентное обслуживание клиентов по всем каналам.
3. Задача: Точная оценка рисков и аналитика
Три региональных банка в Европе находились под угрозой понижения со стороны регулятора и рейтинговых компаний из-за отсутствия надежного процесса управления кредитным риском. Каждый из них столкнулся с проблемой чрезмерно долгого внедрения в бизнес новых скоринговых моделей и при внесении в них изменений. Жизненный цикл аналитики для кредитных скоринговых моделей занимал больше года, что увеличивало портфельный риск. Кроме того, процессы сбора данных, аналитики и отчетности были не автоматизированы и очень трудоемкими. Они уменьшали контроль каждого банка над портфелем.
Что было сделано:
Банки внедрили решения SAS, чтобы ускорить время выхода в эксплуатацию скоринговых моделей, создать процесс эффективного управления кредитным риском и отслеживать изменения в этом процессе.
Полученные результаты:
- Встроенная функциональность управления данными помогла банкам сократить время вывода моделей по оценке кредитного риска в эксплуатацию.
- Усовершенствованное управление кредитным риском, более точное определение клиентских профилей для клиентов и гибкое ценообразование позволили банкам оперативно внедрять новые продукты.
- Повышение точности и консистентности аналитики для оценки кредитного риска с использованием большего объема входных данных принесло практическую пользу каждому банку.
4. Задача: снижение операционных расходов и повышение эффективности
В связи с уменьшением прибыли одному банку необходимо было найти новые способы роста доходов и сокращения операционных расходов на 5 млрд долларов в течение следующих 24 месяцев. Из-за отсутствия необходимой инфраструктуры по работе с данными и аналитикой банк не смог быстро отреагировать на новые тенденции рынка и нормативные требования.
Что было сделано:
Банк использовал решения SAS для перехода от своей прошлой децентрализованной системы к новым модернизированным дата-хабам, которые предоставили банку возможность анализа больших данных в рамках единого инструмента для всех отделений его глобальной организации. На новой платформе были внедрены отчеты и информационные панели для ряда проектов, такие как международный доход, клиентский LTV, отзывы клиентов, коллекторские отчеты, кредитный риск и многое другое.
Полученные результаты:
- Значительно сократилось время реализации аналитических проектов.
- Экономия более 125 миллионов долларов благодаря реорганизации ИТ-инфраструктуры.
- Повышение эффективности работы аналитиков на 30-40%.
- Решение способствовало росту совокупного дохода на 1 млрд долларов.
Покорение «последней мили»
Последняя миля всегда самая трудная. Там, где многие терпят неудачу, эти банки смогли эффективно справиться с вызовами, потому что они руководствовались системным подходом и синхронизовали работу аналитиков, ИТ и представителей бизнеса. Они своевременно встроили в бизнес новые разработки, оперативно внедрили модели в эксплуатацию и сделали аналитику полезной для каждого направления бизнеса, помогая банку быстрее принимать правильные решения. Достигнуть подобных успехов под силу и вашей компании.
Рекомендуем прочитать
- Public health infrastructure desperately needs modernizationPublic health agencies must flex to longitudinal health crises and acute emergencies – from natural disasters like hurricanes to events like a pandemic. To be prepared, public health infrastructure must be modernized to support connectivity, real-time data exchanges, analytics and visualization.
- Будущее банковского стресс-тестирования с аналитикой SAS в AzureУзнайте о вызовах, с которыми сталкиваются компании при стресс-тестировании, и о преимуществах перехода в облако.
- Маркетологи и конфиденциальностьКомпании, которые нарушают новые законы о конфиденциальности, подвергаются штрафам, но еще дороже им может стоить испорченная репутация.
Готовы подписаться на инсайты сейчас?