УДК 330.88 BIG DATA: ИСПОЛЬЗОВАНИЕ ВОЗМОЖНОСТЕЙ ОПЕРАЦИОННОЙ АНАЛИТИКИ В ПРОЦЕССЕ ОЦЕНКИ БАНКОВСКИХ РИСКОВ Реутов Р.В., начальник юридического отдела Екатеринбургского филиала ПАО Банк «ФК Открытие», магистрант кафедры финансовых рынков и банковского дела Уральского государственного экономического университета, Куваева Ю.В., к.э.н., доцент кафедры финансовых рынков и банковского дела Уральского государственного экономического университета, Серебренникова А.И., к.э.н., доцент кафедры финансовых […]
УДК: 336.221 Каширина Марина Валентиновна доцент Департамента налоговой политики и таможенно-тарифного регулирования Финансового университета при Правительстве Российской Федерации Россия, г. Москва Идрисова Мана Ахмедовна Студентка 3 курса факультета «Налоги и налогообложение» Финансового университета при Правительстве Российской Федерации Россия, г. Москва Kashirina Marina Valentinovna associate Professor, The Department of tax policy and customs tariff regulation Financial […]
УДК 339.13 Плотников Андрей Викторович, кандидат экономических наук доцент кафедры менеджмента ФГБОУ ВО «Пермский государственный аграрно-технологический университет имени академика Д.Н. Прянишникова», г. Пермь Plotnikov A.V. andreiplotnikovwork@gmail.com МАТРИЦА БОСТОНСКОЙ КОНСАЛТИНГОВОЙ ГРУППЫ: МЕТОДИКА, КВАДРАНТЫ И ОГРАНИЧЕНИЯ THE BOSTON CONSULTING GROUP MATRIX: METHODOLOGY, QUADRANTS AND LIMITATIONS Аннотация В работе рассматривается построение Матрицы Бостонской Консалтинговой Группы (МБКГ), ее элементы, […]
УДК 339.13 Плотников Андрей Викторович, кандидат экономических наук доцент кафедры менеджмента Черданцев Вадим Петрович, доктор экономических наук, профессор, профессор кафедры менеджмента Черникова Светлана Александровна, Кандидат экономических наук, доцент зав. кафедрой менеджмента ФГБОУ ВО «Пермский государственный аграрно-технологический университет имени академика Д.Н. Прянишникова», г. Пермь Plotnikov A.V. andreiplotnikovwork@gmail.com Chernikova S.A. schernikova2014@yandex.ru Cherdantsev V.P. cherdantsev.vadim@yandex.ru АНАЛИЗ ЗАПРОСОВ И […]
УДК 336.115+65.011.2 Гусев Владислав Борисович к.ф.-м.н., в.н.с. ИПУ РАН, г. Москва, Е-mail: gusvbr@ipu.ru Исаева Наталья Александровна ктн, с.н.с. ИПУ РАН, г. Москва, Е-mail: nat_i@ipu.ru Vladislav Gusev, Natalya Isaeva Анализ факторов взаимодействия экономической системы с внешним окружением Analysis of the interaction factors of economic system with the external environment Аннотация: Рассматривается экспертная модель экономической системы, взаимодействующей […]
УДК 330.326 : 338.43 (470.342) Давыдова Юлия Владимировна , кандидат экономических наук, старший преподаватель, Вятская государственная сельскохозяйственная академия, г. Киров Davydova Ju. V. , candidate of economic Sciences, senior lecturer, Vyatka state agricultural Academy, Kirov СОБСТВЕННЫЕ ИНВЕСТИЦИОННЫЕ РЕСУРСЫ СЕЛЬСКОХОЗЯЙСТВЕННЫХ ОРГАНИЗАЦИЙ КИРОВСКОЙ ОБЛАСТИ OWN INVESTMENT RESOURCES OF THE AGRICULTURAL ORGANIZATIONS OF THE KIROV REGION Аннотация: в […]
УДК 339.13.017 ПРОБЛЕМЫ И ПЕРСПЕКТИВЫ РАЗВИТИЯ РЫНКА ТВОРОГА В НИЖНЕМ НОВГОРОДЕ С.В. Булганина, Т.Е. Лебедева, Д.С. Иванова, К.О. Сытько, А.А. Рябова В статье представлены результаты исследования и перспективы развития рынка творога в России и в г. Нижний Новгород. Исследование проведено с последующей целью использования его результатов при определении системы формирования спроса и стимулирования сбыта; формировании […]
УДК 332.21 Жаворонкова Наталья Сергеевна, кандидат экономических наук, доцент ФГБОУ ВО «Елецкий государственный университет имени И.А. Бунина», Zhavoronkova Natalia Sergeevna, Candidate of Economy Science, Associate Professor Federal State Budgetary Educational Institution of Higher Education “Bunin Yelets State University” Аграрные отношения в контексте реализации прав собственности на землю AGRARIAN RELATIONS IN THE CONTEXT OF THE IMPLEMENTATION THE […]
УДК 339.13 Плотников Андрей Викторович, кандидат экономических наук доцент кафедры менеджмента ФГБОУ ВО «Пермский государственный аграрно-технологический университет имени академика Д.Н. Прянишникова», г. Пермь Plotnikov A.V. andreiplotnikovwork@gmail.com ТРЕНДЫ ИНТЕРНЕТ–МАРКЕТИНГА 2018 Г. TRENDS IN INTERNET MARKETING IN 2018 Аннотация В статье рассмотрены тренды интернет-маркетинга наступающего 2018 года, в качестве трендов рассмотрены следующие технологии: нативная (естественная) реклама, чат-боты, […]
УДК 339.13 Плотников Андрей Викторович, кандидат экономических наук доцент кафедры менеджмента ФГБОУ ВО «Пермский государственный аграрно-технологический университет имени академика Д.Н. Прянишникова», г. Пермь Plotnikov A.V. andreiplotnikovwork@gmail.com ПОНЯТИЕ И КЛАССИФИКАЦИЯ СОЦИАЛЬНЫХ СЕТЕЙ CONCEPT AND CLASSIFICATION OF SOCIAL NETWORKS Аннотация В работе раскрываются теоретические аспекты социальных сетей, приводятся этапы эволюции (с простейшим функционалом, функционал базового взаимодействия, проблемно-ориентированного […]
BIGDATA: ИСПОЛЬЗОВАНИЕ ВОЗМОЖНОСТЕЙ ОПЕРАЦИОННОЙ АНАЛИТИКИ В ПРОЦЕССЕ ОЦЕНКИ БАНКОВСКИХ РИСКОВ
Реутов Р.В., начальник юридического отдела Екатеринбургского филиала ПАО Банк «ФК Открытие», магистрант кафедры финансовых рынков и банковского дела Уральского государственного экономического университета, Куваева Ю.В., к.э.н., доцент кафедры финансовых рынков и банковского дела Уральского государственного экономического университета, Серебренникова А.И., к.э.н., доцент кафедры финансовых рынков и банковского дела Уральского государственного экономического университета
Аннотация: данная статья посвящена описанию возможностей применения инструментов, технологий и навыков использования больших данных в банковской сфере, в частности при выполнении такой базовой функции банка, как оценка кредитоспособности клиентов при решении вопросов об их кредитовании. Описаны основные характеристики Big Data и принципы работы кредитных организаций с большими объемами данных, сделана попытка определения принципов прикладного применения данной технологии в банке.
Ключевые слова: big data, большие данные, традиционная аналитика, операционная аналитика, банковские риски.
Объемы информации, накапливаемой в мире, постоянно увеличиваются и в 2020 году составят, по оценкам Gartner, ведущей мировой исследовательской и консультационной компанией, и IDC, 44 зеттабайта данных (44 трлн. гигабайт). Для сравнения представим, что весь объем данных, подлежащих хранению сотовыми операторами по «закону Яровой», достигает 157,5 эксабайта [1], что составляет 0,1575 зеттабайта. При этом, проведенное провайдером инфраструктурных решений ЕМС и Institute for the Future исследование Information Generation показало: 52% компаний из разных стран и отраслей признают, что-либо не используют доступные им данные эффективно, либо тонут в объемах информации [2].
В наиболее общем виде термин «big data» определяют в современном мире как совокупность подходов, инструментов и методов обработки структурированных и неструктурированных данных огромных объемов и значительного многообразия для получения восприимчивых человеком результатов, эффективных в условиях непрерывного прироста, распределения по многочисленным узлам вычислительной сети, сформировавшихся в конце 2000-х годов, альтернативных традиционным системам управления базами данных и решениями класса Business Intelligence [3]. В более ранних публикациях авторы уже предлагали несколько модифицировать указанное определение и рассматривать «big data» как различные инструменты, подходы, методы обработки и использования данных, которые позволяют автоматизировать и масштабировать процессы в разных отраслях человеческой деятельности, увеличивая их скорость в пределах «времени принятия решений».В еще более упрощенном варианте можно рассматривать Big Data как совокупность инструментов, методов обработки структурированных и неструктурированных данных значительного объема для получения воспринимаемых человеком результатов [4, с. 63].
При определении понятия Big Data принято говорить о четырех V: Volume (большой объем данных, который постоянно увеличивается; Variety (разнообразность хранимых и обрабатываемых данных, наличие или отсутствие их структуры); Velocity (скорость работы с подобными данными, т.е. скорость их поступления и обработки); Value (ценность информации). Также, возможно дополнить данный перечень такой характеристикой, как Veracity (неопределенность данных) [5]. Таким образом, большие данные часто представляют собой особый тип данных с принципиально иной структурой, и такая структура требует применения специальных способов обработки для включения их в аналитический процесс. В этом контексте суть концепции Big Data, по мнению авторов, сводится к анализу неоднородной и быстро поступающей информации с использованием не только классической, описательной, но прогностической аналитики. Если в классической бизнес- аналитике внимание сосредотачивается на анализе произошедшего с описательной точки зрения, например, определение объема продаж по каждому региону, доли своевременных поставок… то цель прогностической аналитики, наоборот, состоит в предсказании того, что произойдет в будущем. Как увеличить долю своевременных поставок? При этом, новые аналитические процессы должны быть автоматизированы, существенно масштабированы и осуществляться с молниеносной скоростью [6, с. 39-40]. Все это, по мнению авторов, следует относить к особенностям операционной аналитики больших данных. В данном случае сам анализ данных позволяет увидеть определённые и незаметные закономерности, которые не может увидеть человек. Это позволяет оптимизировать все сферы нашей жизни – от государственного управления до производства и телекоммуникаций [7].
Признавая важность этих отраслей экономики, особый интерес вызывает применение концепции больших данных в банковской сфере. Любой банк в своей деятельности сталкивается с огромным количеством рисков, необходимостью их минимизации и диверсификации. В этой связи – управление рисками – это одна из благодатных сфер применения больших данных в банковском деле. Управление любым видом рисков – операционных, рыночных, кредитных, правовых – зависит от полноты, объективности и своевременности оценки информации, которую получают риск-менеджеры. Инструменты и технологии big data помогут нарисовать всеобъемлющую картину на любом уровне, будь то благонадежность заемщика или экономическая ситуация в отдельном регионе страны [8].
До сих пор банки оценивали риски, исходя из текущих данных, как правило, предоставляемых самими клиентами и применяя при этом традиционную аналитику. Операционная же аналитика сосредоточена на обработке данных и принятии решений в режиме реального времени, и как правило, применяется к конкретному клиенту именно в тот момент, когда это необходимо. По этой причине, система оценки рисков, основанная на операционном подходе применительно к анализу больших данных, расскажет о клиенте (действующем или потенциальном) куда больше и сделает это гораздо объективнее. Такая система оценки учитывает не только кредитную историю клиента, но и активность в соцсетях, тональность его комментариев, предпочтения в покупках и, если надо, поведение в сетевых играх [8]. На основе анализа больших данных банк также может корректировать свою инвестиционную стратегию в зависимости от выявления и оценки рисков в конкретной отрасли и регионе.
Справедливости ради следует отметить, что внедрение отдельных элементов Big Data в оценке рисков достаточно давно происходит в банковской среде. Так, в отношении частных заемщиков используется «скорринг-система», которая представляет собой компьютерную программу, использующую разные математические и статистические приемы обработки ответов заемщика в заявке на кредит, которую он предоставляет в банк [9]. В данном случае анализируются анкетные и паспортные данные, поведенческие данные, которыми обладают банки в силу тех услуг, которые они оказывают. Также могут использоваться открытые данные, прежде всего из социальных сетей. В отношении корпоративных клиентов ситуация немного иная. Применение программных методов оценки кредитоспособности осложняется ее сложностью и многоаспектностью.
По общему правилу, в американской и в отечественной практике используется метод балльной оценки ссудозаемщиков, основанный на «правиле пяти си» [10, с. 178-179]:
С – Capacity – финансовая способность вернуть долг;
С – Character – репутация заемщика (честность, порядочность, прилежание);
С – Capital – капитал или имущество;
С – Collateral – наличие обеспечения, залога;
С – Conditions – экономическая конъюнктура и ее перспективы.
Методика пяти «С» дополняется анализом системы финансовых коэффициентов и денежного потока. Система финансовых коэффициентов включает в себя 5 групп коэффициентов: ликвидность, эффективность (оборачиваемость), финансовый рычаг (леверидж), прибыльность, обслуживание долга. Бальная оценка проводится кредитными экспертами (аналитиками) на основании полученных от клиентов информации, отчетов кредитных агентств, фактических отчетных данных баланса и других финансовых отчетов с использованием данных за ряд последних лет. Проблематика такого анализа состоит в том, что присутствует определенная доля субъективизма в восприятии и анализе информации сотрудником банка, существует вероятность ошибки как человеческий фактор, а также зачастую возникают проблемы с достоверностью предоставляемых клиентами сведений и информации.
Специфической чертой такого анализа является недооценка макроэкономических показателей состояния отрасли и региона, конкурентоспособности клиента, его положения в указанной отрасли, занимаемой доли рынка, состоянию конкурентов и партнеров анализируемой компании. В целом, ввиду недостаточности информации у кредитного эксперта, этим аспектам уделяется мало внимания, хотя общепризнана необходимость исследования и анализа данных факторов при оценке кредитоспособности клиента. Также, в рамках применения традиционной, пакетной аналитики, при оценке банковских рисков наблюдается явный перекос в сторону финансового анализа, который, как уже говорилось выше, может проводиться как на основе системы финансовых коэффициентов (показателей), так и путем анализа денежных потоков, т.е. сопоставления притока и оттока денежных средств предприятия-заемщика (исследование портфеля контрактов и динамики кредиторской / дебиторской задолженности). Реализация на практике концепции Big Data с применением операционной аналитики в деятельности банков позволит, по мнению авторов, существенно повысить результативность использования соответствующей информации в интересах банка.
Оценку ответственности руководства компании (Character), качества управления (менеджмента), деловой репутации руководителей потенциального заемщика можно провести на основе данных, полученных из социальных сетей. Анализируя профиль поведения руководителя / менеджера (то, какую информацию он о себе публикует и в какой форме, как он общается, как выглядит круг его контактов), можно сделать достаточно много ценных выводов и комплексных оценок различных показателей [5]. Также выявлению и анализу подлежит информация об участии руководителей компании в различных конференциях, профессиональных симпозиумах, выступлениях в СМИ, публикациях, интервью, обсуждениях компании на различных форумах в соцсетях и т.д. Также через социальные сети, используя специальные инструменты, технологии и навыки, можно выявить часто скрываемую информацию о конечных бенефициарах («истинных» владельцах) и контролирующих лицах компании. Данный алгоритм может включать сбор и анализ частоты, периода времени общения в соцсетях лиц, связанных с компанией, фактов присутствия в офисе, недалеко от офиса (через камеры видеонаблюдения), фактов обращения лица на сайт компании, информации на других ресурсах, где клиент мог бы оставить свои актуальные данные. Например, выявленный в сети факт поздравления лица с днем рождения компании, либо выражения благодарности лицу, не являющемуся партнером компании или его сотрудником, может свидетельствовать об «особых» отношениях лица и анализируемого предприятия.
При анализе элемента Capacity (финансовая способность вернуть долг) кредитоспособности клиента прежде всего анализируется способность компании производить и реализовывать продукцию, а также информация о соблюдении компанией обязательств перед контрагентами. В данном случае, используя инструменты и технологии анализа больших данных, по аналогии с маркетинговыми исследованиями соцсетей, эффективности рекламных компаний, сведений о продажах, отзывов и критики услуг / товаров потребителями, публикациях в СМИ, банк может оценить спрос и удовлетворенность клиентов продукцией компании – заемщика, рынок сбыта, а также прогнозировать изменение спроса ввиду сезонности, моды и иных предпочтений.
Наибольшая эффективность применения технологии Big Data может быть достигнута при анализе Conditions (экономическая конъюнктура и ее перспективы), т.е. в процессе изучения макроэкономических условий в стране, определяющих деловой климат в отрасли и регионе присутствия заемщика и его контрагентов, особенностей развития бизнеса в различных секторах и регионах, оказывающих влияние на банк и заемщика. Это достаточно объемный пласт как структурированной, так и не структурированной информации, включающей в себя статистическую информацию, данные из новостной ленты, биржевых сводок, интервью и публикаций на сайтах учебных заведений, информацию из зарубежных источников и т.д. В рамках традиционной аналитики этому блоку так же уделяется недостаточно внимания, тогда как модели и методы операционной аналитики позволяют создавать и использовать особые критериальные модели, разрабатываемые под определенного клиента и желательно в режиме реального времени. В указанные модели включаются разнообразные критерии, такие как отрасль, срок функционирования фирмы, категория товара, макроэкономическая ситуация в регионе присутствия клиента и его контрагентов, является ли регион донором или дотационным, состояние конкурентной среды, транспортная доступность, состояние дорог, расходы на логистику и т.д. Поэтому, чем большее количество переменных будет включено в модель, тем достовернее будет полученный на выходе результат.
Основное внимание в кредитной аналитике уделяется коэффициентному анализу и исследованию обоснованности запрашиваемой потенциальным заемщиком суммы кредита; характеру кредитуемой сделки, проводимому в основном на основании представленных клиентом документов бухгалтерской и аналитической отчетности. И в этом случае инструменты и технологии анализа больших данных могут прийти на помощь банковскому работнику. Анализируя огромный массив данных по определенным критериям, система может выявить компании – аналоги со схожей бизнес – моделью, а также аналогичные инвестиционный проекты (не обязательно связанные с кредитованием, но с аналогичным риском, доходностью, схожими денежными потоками). При этом выявленная информация анализируется на предмет выявления определенных закономерностей и статистических подтверждений, формируется некоторая математическая / регрессионная модель на основе этих данных, которая экстраполируется на анализируемую компанию.
При использовании Big Data, действует общепринятый принцип: чем больше данных – тем больше точность анализа. Представляется интересным использование для анализа информации банков о расчетах (движении денежных средств) клиентов, а также данных о количестве, стоимости и сроках поставки / выполнения работ (услуг) компаний реального сектора экономики. Предположим, что данная информация в каком – либо виде размещается банками и компаниями в сети, при этом не возникает проблем с нарушением принципов банковской и коммерческой тайны, так как информация об операциях и поставках не привязана к конкретному плательщику, получателю средств, номеру счета, поставщику и покупателю, иными словами – обезличена. Персональные данные просто исключаются из размещаемой информации, так как для Big Data совершенно не важно, кто получатель, плательщик или покупатель, важной является информация об общих суммах платежей и поставок, какой товар поставляется, какой оплачивается, сроки и периодичность оплаты / поставки, в какие регионы осуществляются платежи и поставки, назначение платежа в платежных документах. Представляется, что данная информация была бы крайне важной для создания определенной модели и оценивания с ее помощью потенциального клиента банка.
Учитывая, что концепция Big Data и ее применение в банковских технологиях еще находится в стадии формирования, сложно рассчитать экономический эффект для банка от ее использования. Но в любом случае, снижение ошибок при анализе кредитоспособности клиента, минимизация банковских рисков будут непосредственно влиять на качество кредитного портфеля банка и делать его более «здоровым».
В заключении следует отметить, что условием полезного использования больших данных в деятельности банка является поддержка его руководством новых технологий анализа и обработки больших данных, наличие сильной команды аналитиков-рисковиков, а также отсутствие ярко выраженного желания быстрого подтверждения бизнес-эффекта для кредитной организации. Грамотное использование концепции Big Data в текущей деятельности банка (не только в области анализа кредитных рисков) станет существенным конкурентным его преимуществом и будет способствовать внедрению инновационных подходов и новых коммерческих направлений в банке.
Список литературы:
Мне не очень понятна необходимость хранения одних и тех же данных разными операторами // Коммерсант.ru [Электронный ресурс]. URL: https://www.kommersant.ru/doc/3385427 (дата обращения: 08.12.2017).
ВикипедиЯ Свободная энциклопедия // Wikipedia [Электронный ресурс]. URL: https://ru.wikipedia.org/ (дата обращения 09.11.2017).
Гобарева Я.Л., Городецкая О.Ю., Кочанова Е.Р. Возможности и технологии BIGDATA для повышения качества эксплуатации CRM-систем // Транспортное дело России. 2015. №5. С.62-63.
Фрэнкс Б. Революция в аналитике. Как в эпоху BIG DATA улучшить бизнес с помощью операционной аналитики. [Текст] / Билл Фрэнкс; Пер. с англ. – М.: Альпина Паблишер, 2017. – 316 с.
Что такое Big data: собрали всё самое важное о больших данных // RUSBASE [Электронный ресурс]. URL: https://rb.ru/howto/chto-takoe-big-data/ (дата обращения: 08.12.2017).
Что такое скоринг и как он работает? // Home Credit People [Электронный ресурс]. URL: http://hcpeople.ru/credit_scoring/ (дата обращения: 08.12.2017).
Банковское дело. Организация деятельности коммерческого банка: учебник и практикум для академического бакалавриата / Г. Н. Белоглазова [и др.]; под ред. Г. Н. Белоглазовой, Л. П. Кроливецкой. – 3-е изд., перераб. и доп. – М.: Издательство Юрайт, 2015. – 545 с.