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