Не-ту Da-tы? Вы-шел вон! Top-30 мировых банков в Data Science решениях
При помощи детской считалки теперь нетрудно определить, какие мировые и отечественные банки будут доминировать на рынке уже в ближайшем будущем, благодаря использованию цифровых данных. Какие изменения в образе мышления топ-менеджеров произошли для этих преобразований, и что необходимо сделать, чтобы не остаться за бортом?
О терминологии

За терминами AI, Big Data, Data Science стоит свод дисциплин, отвечающих за принятие оптимальных решений на основе данных. За этой непрозрачной формулировкой находятся вполне понятные ценности:

  • Более лояльные клиенты, благодаря персональному финансовому менеджменту и релевантным предложениям продуктов на основе сегментирования аудитории;
  • Сильная система безопасности, которая способна выявить и пресечь любой вид мошенничества, как внешнего, так и внутреннего;
  • Экономия на большей эффективности операционных процессов, например, в обслуживании банкоматов, благодаря предсказанию и оптимизации наличности в сети терминалов;
  • Сохранение наиболее важных и доходных клиентов, благодаря предсказанию оттока и других важных паттернов поведения клиентов;
  • Эффективное управление рисками, благодаря интеллектуальному кредитному скорингу;
  • Разумные инвестиции в кадры, когда речь идет о предсказании продолжительности работы кандидата или уровне его «токсичности» в коллективе;
  • И еще довольно длинный перечень возможного применения «умных данных».
Если попытаться обобщить мотив крупных банков участвовать в гонке данных, то все сводится к двум фундаментальным истинам: 1) банки хотят быть клиентоориентированными и 2) банки стремятся быть эффективными.

А это хорошо согласуется со словами Джека Уэлча: «Если перемены вне вашей компании происходят быстрее, чем внутри, то конец близок».

С 2016 года наблюдается устойчивый рост тренда, однако в новом качестве. Решения стали давать прогнозируемый и повторяемый результат
О терминологии

Говоря о мировом тренде Data Science в банках, речь идет о волне решений, которая зародилась в 2013 году и иссякла в 2015 на спаде интереса — из-за завышенных ожиданий к технологии. С 2016 года наблюдается устойчивый рост тренда, однако в новом качестве. Решения стали давать прогнозируемый и повторяемый результат. С этого же момента стала заметна активизация отечественных банков: набираются специалисты, на сцене профильных конференций с первыми пилотами в Data Science появляются первые сторонники диджитализации, а публичные заявления официальных лиц по вопросу Big Data начинают носить не только PR характер.

Впрочем, если следовать инновационной кривой, то речь идет об активности ранних последователей и инноваторов, чего нельзя сказать об инертном раннем большинстве.

Есть несколько объяснений этому. С одной стороны, топ-менеджменту не очевидна целесообразность инвестиций в эту сферу. Ведь зачастую под терминами Data Science и Big Data каждый понимает свое, да и отсутствие открытых отраслевых кейсов на рынке решительности не добавляет. И это понятно: раннее большинство банков не готово инвестировать в то, что не проверено временем. Возможно, сориентироваться в этой сложной теме и ответить на вопрос «пора или нет?» поможет мировой рейтинг банков, которые уже активно инвестируют в развитие Data Science инфраструктуры.

Критерии рейтинга

В рейтинге выделяются следующие пункты:

  • Количество выступлений на профильных конференциях с кейсами;
  • Наличие должности или профильного отдела;
  • Количество размещенных вакансий специалистов;
  • Официальные отчеты и публикации;
  • Масштабируются ли наработки на другие регионы и страны, или эксперименты пока локальны;
  • Насколько глубоко проработано дерево специализации отдела в банке.
Для рейтинга мы выбрали самые крупные по капитализациибанки из шорт-листа World's Largest Banks 2017, а также решили посчитать индекс отечественных банков, которые были замечены в работе с Big Data.