Операционализация аналитики: 4 способа, с помощью которых банки преодолевают печально известную «последнюю милю»

Банковская индустрия наиболее быстрыми темпами развивается в аналитике , чем большинство, в зависимости от аналитического моделирования для оценки кредитного и портфельного риска, соответствуя государственным нормативным актам, определяя, какие финансовые продукты предложить и многое другое. И еще перед банками стоит проблема осознания всех преимуществ их инвестиций в моделирование, особенно, когда речь идет о «последней миле» аналитики - разрыве между аналитическим результатом и фактическим извлечением из него ценности.

Причина номер один, чтобы упустить потенциал новых моделей - отсутствие воспроизводимого процесса, который быстро переводит модели в производство и отслеживает производительность с течением времени, для операционализации аналитики. По данным Gartner, менее 50% лучших моделей развертываются, а развертывание 90% моделей занимает более трех месяцев. Это разочаровывает аналитиков: ценные данные ничего не приносят и важные стратегические решения ставятся под вопрос.

Решение представляет собой единую аналитическую стратегию, которая встраивает аналитику во все сферы деятельности организации для стимулирования процесса принятия решений. Вот четыре примера в банковской индустрии, которые показывают, как ведущие компании следовали по четко определенному пути, чтобы применить аналитику в действии для решения конкретных бизнес-задач, а также результаты, которых они достигли.

1. Задача: соответствие МСФО 9

Международный стандарт финансовой отчетности 9 (МСФО 9) создал дополнительную работу и сложность для банков, требуя модели создания оценочных резервов и прогнозирующие все финансовые активы, которые не оцениваются по справедливой стоимости через прибыль или убыток.

Один из крупнейших многонациональных банков в мире пришел к SAS, чтобы разработать комплексное стратегическое решение для создания, развертывания и управления более чем 200 моделями в соответствии с требованиями МСФО 9 и внедрения механизмов отчетности для обработки огромных объемов данных по всем его глобальным операциям.

Что они сделали:

Банк начал внедрять платформу SAS® для поддержки развертывания моделей, которые строились параллельно.

Хотя развертывание SAS и запуск программы банка по МСФО 9 были сложными и требовали исходных данных от 60 до 70 систем и моделей, охватывающих все финансовые активы банка, в течение двух месяцев банк уже начал внедрять модели и компоненты на платформе SAS.

В течение трех месяцев банк внедрил гибкий процесс внедрения для доставки новых моделей каждые две недели с поддержкой SAS в конфигурации.

Полученные результаты:

• Банк получил централизованную, гибкую и высокопроизводительную среду для решения задач моделирования ожидаемых убытков при одновременном совершенствовании управления рисками и финансовой отчетности.
• На 17% более эффективное развертывание модели в поддержку МСФО 9.
• На 60% более эффективное техобслуживание и управление моделью.

2. Задача: цифровая трансформация

Как и многие банки, этот канадский финансовый институт хотел преобразоваться в цифровую организацию, чтобы не только создавать новые каналы для охвата клиентов, но и общаться с клиентами в их предпочтительных каналах. Здесь проблема заключается в отдельных аналитических инструментах и фрагментированном аналитическом ландшафте.

Что они сделали:

Они сотрудничали с SAS для создания единой и гибкой комплексной платформы для обработки данных, развернутой в облаке, чтобы можно было легко добавлять новые возможности. Перейдя к озеру данных, организация минимизировала дорогостоящее и неэффективное перемещение и репликацию данных.

Полученные результаты:

• Теперь финансовый институт, оснащенный модернизированной и гибкой инфраструктурой SAS Viya в облаке Google, может быстро моделировать и анализировать большие данные, чтобы повысить качество обслуживания клиентов и улучшить бизнес-результат.
• Благодаря обработке в памяти и в базе данных они сократили время обработки в два раза.
• Все пользователи, независимо от предпочтений языка программирования, могут визуализировать аналитику.
• Банк стал цифровым предприятием, которое обеспечивает первоклассное, последовательное обслуживание клиентов по всем каналам.

3. Задача: Точная оценка рисков и анализ

Три региональных банка в Европе находились под угрозой понижения со стороны регуляторов и рейтинговых компаний, потому что у них не было надежного процесса управления кредитным риском. Каждый из них боролся с длительным выходом на рынок при смене скоринговых моделей. Процесс жизненного цикла аналитики для кредитных скоринговых моделей занял больше года, что повлияло на риск в портфеле. Кроме того, процессы сбора данных, аналитики и отчетности были очень ручными - уменьшали контроль каждого банка над портфелями.

Что они сделали:

Банки внедрили решения SAS, чтобы ускорить время выхода на рынок для скоринговых моделей, создать процесс эффективного управления кредитным риском и отслеживать изменения в этом процессе.

Полученные результаты:

• Процессы прекомпилированного управления данными помогли банкам сократить время выхода на рынок моделям кредитного риска и достичь более точных оценок риска для клиентов.
• Усовершенствованное управление кредитным риском, более точные оценки рисков для клиентов и гибкое ценообразование улучшили способность банков быстро внедрять новые продукты.
• Повышение точности и согласованности аналитики кредитного риска - с использованием расширенных данных - принесло пользу каждому банку.

• Значительно сократилось время ввода новых вариантов использования аналитики.
• Экономия более 125 миллионов долларов благодаря консолидации ИТ-инфраструктуры в новой среде с открытым исходным кодом.
• Повышение эффективности аналитиков на 30-40%.
• Помощь во влиянии на чистый новый доход в размере 1 млрд долларов.
  

Покорение «последней мили»

Последняя миля всегда самая трудная, но эти банки преуспели там, где многие терпят неудачу, потому что они внедрили структурированные процессы для координации ресурсов между аналитиками, ИТ и бизнесом. Они быстро развернули лучшие решения, быстро внедрили модели в производство и интегрировали аналитику по всему бизнесу, помогая всей организации быстрее принимать правильные решения. И если они это сделали, вы тоже так можете.