Сайт Информационных Технологий

Каталог >> Базы Данных >> Data Mining >> DATA MINING в банках: перспектива или реальность?

DATA MINING в банках: перспектива или реальность?

С каждым годом вопрос применения технологии Data Mining (интеллектуального анализа данных) в банковской сфере становится все более актуальным. Этот тезис подтверждается рядом факторов, имеющих место в России: накоплением банками больших объемов информации, ужесточением конкурентной борьбы, увеличением количества случаев мошенничества и невозврата кредитов.

Успешное развитие и процветание банка напрямую зависит от его способности адекватно и оперативно реагировать на изменения внешней среды, а также уметь прогнозировать результаты тех или иных воздействий. Так, в отчете Ассоциации американских банкиров (ABA) отмечается, что 45 из 100 крупнейших банков США уже внедрили у себя системы интеллектуального анализа данных, и еще около 50 банков запустили пилотные проекты или планируют это сделать в ближайшее время.

Рассмотрим основные задачи, которые успешно решаются с использованием инструментов Data Mining.

 Анализ кредитного риска

Анализ кредитного риска заключается, прежде всего, в оценке кредитоспособности заемщика. Эта задача решается на основе анализа накопленной информации, то есть кредитной истории «прошлых» клиентов. С помощью инструментов Data Mining (деревья решений, кластерный анализ, нейронные сети и др.) банк может получить «профили» добросовестных и неблагонадежных заемщиков. Кроме того, возможно классифицировать заемщика по группам риска, то есть не только решить вопрос о возможности кредитования, но и установить лимит кредита, проценты по нему и срок возврата.

Привлечение новых клиентов

Осуществив средствами Data Mining сегментацию клиентов, банк может найти «профиль» наиболее выгодных из них и далее акцентировать свою маркетинговую политику на привлечение клиентов, соответствующих найденному «профилю». Помимо этого, можно установить, какие группы клиентов предпочитают те или иные банковские услуги, и проводить рекламные и маркетинговые мероприятия более целенаправленно и эффективно.

Прогнозирование изменений клиентской базы

Прогнозирование изменений клиентской базы направлено не только на удержание наиболее прибыльных клиентов, но также и на планирование акций по удержанию потенциально прибыльных клиентов. На основе «профиля» наиболее выгодных клиентов инструменты Data Mining создают модель ценности клиентов, в которой отражаются общие черты важных клиентов, которыми они обладали несколько лет назад. Затем выявляются клиенты банка, имеющие эти черты сегодня, и уже на них банк ориентирует специальные программы удержания клиентов.

Обнаружение совокупностей приобретаемых клиентами услуг

Технология Data Mining позволяет строить различные модели классификации на основе исторических данных. Так, анализируя все факты приобретения банковских услуг и продуктов, можно определить их устойчивые совокупности с целью увеличения прибыли за счет организации кросс-продаж.

Прогнозирование остатка на счетах клиентов

Исходной информацией для прогнозирования остатка на счете клиента являются данные об ежедневных остатках на этом счете за определенный промежуток времени, а также информация о динамике изменения остатков на других счетах за тот же период. Применяя поэтапную статистическую обработку временного ряда с использованием различных алгоритмов Data Mining, возможно получить прогноз остатка на счетах на определенный период в будущем. Результаты прогнозирования могут использоваться для оценки ликвидности банка и управления его активами.

Управление портфелем ценных бумаг

На основе ряда показателей, характеризующих ценные бумаги (цена, объем, финансовые показатели деятельности компании-эмиссионера, хроника новостей), с помощью технологии Data Mining возможно спрогнозировать их тренд (будущее движение цены – рост, падение, флэт) и его силу (сильный, умеренный, слабый). Прогноз направления тренда и его силы позволяет банку сформировать портфель из нескольких финансовых инструментов, исходя из своих предпочтений по уровню риска, ожидаемой доходности и т.д.

Выявление случаев мошенничества с кредитными карточками

Мошенничество с кредитными карточками представляет собой серьезную проблему, так как убытки от него измеряются миллионами долларов ежегодно, а ежегодный рост количества мошеннических операций составляет, по оценкам экспертов, от 15 до 25 процентов.

В борьбе с мошенничеством технология Data Mining использует стереотипы подозрительных операций, созданные в результате анализа огромного количества транзакций – как законных, так и неправомерных. Исследуется не только отдельно взятая операция, но и совокупность последовательных во времени транзакций. Кроме того, имеющиеся в составе data mining-продуктов алгоритмы и модели (например, нейронные сети) способны тестироваться и самообучаться. При попытке совершения подозрительной операции средства интеллектуального анализа данных оперативно выдают предупреждение об этом, что позволяет банку предотвратить незаконные действия, а не устранять их последствия. Использование технологии Data Mining позволяет сократить число нарушений на 20-30 процентов.

Оценка прибыльности инвестиционных проектов

Data Mining позволяет оценить инвестиционные проекты и идеи по развитию бизнеса, риски различных бизнес-планов и их прибыльность. При ведении инвестиционной деятельности банк прибегает к услугам экспертов по инвестициям, однако далеко не всегда оценки экспертов являются объективными. Кроме того, возможности человека ограничены, и даже самый профессиональный аналитик не в состоянии обработать очень большой объем информации. В этом случае на помощь приходят инструменты Data Mining, предлагая аналитику свое видение проблемы. Тем самым создается разумный баланс между человеческим и искусственным интеллектом, за счет чего повышается эффективность принимаемого решения.

Оценка интенсивности конкуренции и ближайших конкурентов

Анализ внешней среды как элемент стратегического анализа является наиболее важным в деятельности любого банка. Использование инструментов Data Mining для оценки уровня конкуренции и ближайших конкурентов заключается в обнаружении групп банков со схожими характеристиками, выявлении стратегических позиций банков-конкурентов, представлении общей структуры банковской среды в разрезе образовавшихся групп конкуренции.

Профилирование наилучших достижений

Профилирование наилучших достижений средствами Data Mining заключается в выявлении основных характеристик наиболее успешных регионов, филиалов и т.п.

Анализируя полученные данные, можно вывести «правила успеха» и затем распространить их на остальные структурные единицы банка. Кроме того, модель профилирования наилучших достижений можно рассматривать относительно наиболее успешных клиентов, чтобы определить составляющие их успеха и использовать эту информацию при дальнейшем планировании деятельности банка.

Повышение качества архивной финансовой информации

Средства Data Mining в процессе анализа данных способны выявить скрытые закономерности в архивных финансовых документах. Эти закономерности в виде правил можно в дальнейшем использовать при построении различных моделей прогнозирования, а также в системах поддержки принятия решений.

Верификация данных по курсам валют

Оперативно поступающая в банк информация (например, о курсах валют) не исключает возможности ошибки, что может сильно осложнить работу банка в течение определенного времени. Инструменты Data Mining позволяют строить прогнозы о значении того или иного показателя. Слишком сильные отклонения поступающих данных от прогнозной величины рассматриваются как возможные ошибки. Таким образом, практически полностью исключается возможность возникновения проблем из-за случайных ошибок операционистов или сбоев техники.

109028, г. Москва, Яузский бульвар, д.13, стр. 3.
Тел.: 956-94-46, 956-94-47
datamining@ksema.ru
www.ksema.ru

Site of Information Technologies
Designed by  inftech@webservis.ru.