Вот уже чуть больше года как многие из нас перешли в онлайн: заказ продуктов и лекарств, покупка одежды и обуви, а также сервисы по покупке автомобилей и жилья. Не отстают и банки: карту привезет специалист в любую точку страны и даже подарит маску индивидуальной защиты с логотипом банка. Крупные игроки финансового рынка рапортовали о завершении цифровой трансформации, а кто‑то на финишной прямой или в середине процесса. Банки собирают огромные массивы данных, на основе которых создают экосистемы, платформы, комплексные продукты, анализируют поведение клиентов, рассчитывают риски, регулярно предлагают услуги и сервисы в e-mail, SMS-рассыл‑ках. Для большинства клиентов предложение о рефинансировании по ставке выше текущей или карта с накоплением миль на авиаперелеты в месяцы закрытия границ будет спамом. Несколько банков уже пошли по пути индивидуальной работы с розничным клиентом, перейдя от классических портфелей к анализу конкретного человека. Регулятор также за индивидуальный расчет риска, долговой нагрузки, прогнозирование потерь.
Индивидуальный подход в розничных финансах – непривычное сочетание, требующее существенных изменений подходов к анализу клиента в маркетинге, рисках, безопасности. Потребуется собрать множество данных. Big Data и Customer 360° View уже несколько лет назад внедрялись в большинстве банков. ML- и AI-подразделения для поиска взаимосвязей поведенческих факторов, выявления аномалий, формирования предложений и рекомендаций укомплектованы практически у всех банков. Эксперты, которые смогут интерпретировать результаты моделирования в понятные действия, лимиты и ставки, а также опытные продуктологи, маркетологи и даже CVM-специалисты уже есть в штате. Дело за малым – внедрить результаты аналитики и работы моделей с корректировками экспертов в коммуникации с клиентом, в сервисы и услуги, в продукты и тарифы. И тут, на этапе внедрения, чаще всего возникают сложности.
Переход к индивидуальному анализу клиента, индивидуальным продуктам и услугам требует изменения мировоззрения всех участников процессов, от ИТ-аналитиков и разработчиков до специалистов по обслуживанию клиентов. Основное – готовность к изменениям, понимание, что постоянное обновление является нормой. Недопустимо взаимодействовать с клиентом, используя сведения о его профиле недельной или месячной давности, а также рискованно не реагировать быстро на изменение его платежной дисциплины в других банках или не знать об открытом вчера в офисе банка продукте или направленной заявке через сайт. Актуальность информации, оперативность появления данных в системах банка, их быстрый анализ и немедленная реакция – необходимые факторы для реализации принципов индивидуального подхода к клиенту.
В бизнес-процессах необходимо предусмотреть постоянную актуализацию информации. Специалисты должны быть готовы к изменению продуктовых условий, тарифных планов, скриптов разговоров, шаблонов уведомлений, а инфраструктура и программное обеспечение призваны обеспечить полную поддержку работы в условиях постоянных обновлений и пересчетов. Ландшафт потоковой обработки данных сегодня является уже стандартом отрасли: технологически сложный, но устойчиво развивающийся, с бенчмарками, стандартами разработки и сопровождения. Непрерывность изменений поддерживают практики DevOps, автоматизирующие доставку обновлений программного обеспечения на среды тестирования, а затем и промышленного применения. Внедрение DevOps не только потребует пересмотра стандартов разработки, тестирования и сопровождения в банке, но и обеспечит контроль кода на всех этапах, мониторинг работы приложений. Кроме того, это гарантия высокой скорости внедрения новой функциональности, а термин time-to-market особенно актуален в период массового перехода банковских услуг в онлайн.
Работа с данными, пилотирование новых источников, формирование витрин для целей аналитики и моделирования становятся критически важным этапом в выстраивании индивидуального подхода к клиенту. Здесь многие ИТ-подразделения сталкиваются с нехваткой специалистов, умеющих работать с неструктурированными источниками данных, с видео- и аудиозаписями, а также потоковыми данными. Дефицит «универсальных» специалистов может преодолеть практика переквалификации разработчиков ПО в дата-инженеров, которые отлично разбираются в информационных системах, технологиях разработки программного обеспечения, распределенных системах и облачных сервисах. Кроме того, они являются экспертами по работе с базами данных, занимаются проектированием, эксплуатацией и устранением неисправностей, а также проектированием экспериментов для определения надежности и производительности.
Помимо этого, они владеют SQL, Python, Java, Scala. В компании «Неофлекс» таких экспертов готовят из опытных разработчиков и DevOps-инженеров, которые выпол‑няют на проектах наших заказчиков самые сложные задачи по обеспечению данными экспертов Data Science.
В условиях перехода от портфельного анализа клиентской базы к индивидуальной оценке риска и формированию предложений к экспертам Data Science предъявляются новые требования. Необходимо учитывать огромное количество данных, пилотировать новые источники, оставляя те, которые дают наибольший эффект в моделях. Количество моделей растет пропорционально количеству процессов, где необходим индивидуальный подход. Теперь модели не только считают вероятность дефолта по кредиту, а также наилучшее следующее предложение, но и определяют нефинансовые метрики, такие как склонность к продукту, услуге, профиль активности и многое другое, что маркетинг и CVM используют в своих процессах. Разработав модель и внедрив ее в процесс принятия решения, важно следить за постоянно меняющейся ситуацией, чтобы калибровать модель, перестраивать, заменять на новую. Многие заказчики «Неофлекса» видят способ оптимизации работы подразделений Data Sсience в создании инфраструктуры для Auto ML, когда работающая модель автоматически переобучается на обновленном срезе данных. И здесь снова запрос к датаинженерам – организовать загрузку и обработку данных таким образом, чтобы переобучение проходило без сбоев, несмотря на меняющиеся форматы данных в системах-источниках, как внутренних, так и внешних.
Внедрение моделей машинного обучения в процессы банка является отдельным, технологически сложным процессом. Зачастую системы, которые должны применять результаты моделей, не могут обратиться к модели как к сервису и требуют, например, программирования логики модели внутри стратегии принятия решения кредитного конвейера. От специалистов банка потребуется существенно переработать логику принятия решения, практически «выпилить» элементы, которые могут быть закрыты моделями. Часто такая переработка сложна и требует отвлечения ресурсов от текущих процессов развития и поддержки, поскольку за время эксплуатации стратегии обрастают огромным количеством логики, не всегда документированной и понятной. Но игра стоит свеч. Оставив в стратегии минимальный набор правил, заменив моделями остальную логику, банк получит гораздо более гибкий процесс принятия решений в любой области. Заменить модель в виде сервиса или функции гораздо быстрее, чем править код стратегии, тестировать, ждать очередного релиза системы. А выстроенный сборочный конвейер для моделей машинного обучения, который упакует модель в сервис, аккуратно перенесет со среды разработки на тестовое, а затем, после всех необходимых тестов и согласований, на продукционное окружение, а также минимизирует риск ошибок в связи с ручным переносом. MLOps-пайплайны, контейнеризация моделей в инфраструктуре Kubernetes позволяют осуще‑ ствлять мониторинг работы моделей, управлять производительностью, а при увеличении потока запросов – «поднимать» новые экземпляры сервиса с моделью.
Многое в анализе клиента будет базироваться на моделях машинного обучения. Специализированное ПО для отслеживания инициатив по разработке модели, контроля за процессом Data Science, маршрутизации задач на датаинженера или валидатора, с возможностью посмотреть карточку модели или реестр всех моделей банка со статусами – все это должно появиться в каждой организации с ростом количества ML-моделей. А информационные панели и отчетность позволят оценить, в каких процессах уже используются модели машинного обучения и каков эффект от их применения.
В идеальной картине мира специалистам банка всегда должны быть доступны актуальные данные по каждому клиенту. Давайте попробуем описать этот идеальный мир, в котором преобладает
индивидуальный подход к клиенту в розничном банкинге:
• Системы банка, принимающие решения о выдаче продуктов, изменении параметров услуг и сервиса или о способах коммуникации, используют результаты машинного обучения;
• Модели ML актуализируются, пересматриваются регулярно, в том числе автоматически, и создаются новые на расширенных объемах и новых данных;
• Организована среда для беспрепятственного и быстрого внедрения новых версий моделей в процессы банка;
• Данные для аналитики собираются из разных источников, сохраняются в полном объеме, в случае если те или иные сведения потребуются экспертам Data Science;
• Дата-инженеры организуют загрузку, обработку и хранение данных из различных источников, обеспечивая запросы моделистов на проверку гипотез;
• Потоковая обработка данных – сведений о клиентских транзакциях, заявках и обращениях, триггеры из БКИ, данные об активности на сайте и др. – позволит быстро реагировать на изменения в платежной дисциплине, финансовое состояние, да и просто на предпочтения каждого конкретного клиента.
С таким ИТ-ландшафтом и специалистами банка можно реализовать индивидуальный подход к каждому клиенту.