? повышение степени лояльности клиентов за счет увеличения качества оказываемых банковских услуг, а также возможность измерения уровня лояльности;
? ускорение процесса взаимодействия с клиентами и контрагентами.
Таким образом, можно сделать следующий вывод. В настоящее время банковский сектор находится на новом этапе своего развития, который характеризуется изменениями в поведении потребителей, технологий и государственного регулирования. Одной из наиболее значимых тенденций современного развития является повсеместное внедрение цифровой экономики, которая в банковском секторе ведет к увеличению количества и качества оказываемых услуг. В таких условиях становится необходимым анализ тех данных, которые имеют банковские организации. Раньше для этого использовались традиционные базы данных, однако они имеют существенные некоторые ограничения. Именно поэтому в настоящее время банки все чаще прибегают к использованию технологий больших данных.
1.2 Технологии больших данных и критерии оценки эффективности использования больших данных
Как уже было отмечено, технологии больших данных выступают в качестве двигателя развития применения информационно-коммуникационных технологий в банковской сфере.
Сегодня в научной литературе существует множество определений технологий больших данных. Так, согласно одному из них, под ними понимается «серия подходов, инструментов и методов обработки структурированных и неструктурированных данных огромных объёмов и значительного многообразия для получения воспринимаемых человеком результатов, эффективных в условиях непрерывного прироста, распределения по многочисленным узлам вычислительной сети» [15].
Согласно другому определению, технологии больших данных - это «своего рода описание больших по объему и разнообразных по составу характеристик, практик, технических приемов, этических проблем и последствий, которые связаны с данными» [12].
Основной характеристикой применения технологий больших данных является «четыре V»: объем, разнообразие, изменчивость и скорость [8]. Рассмотрим их подробнее для того, чтобы сформировать картину особенностей технологий больших данных.
Во-первых, применение технологий больших данных объясняется их объемом (англ. volume), который можно охарактеризовать как использование большого объема информации, который копится в базах данных и который сложно обрабатывать и хранить при помощи традиционных средств управления данными. В результате это вызывает необходимость в разработке более технологичных методов.
Во-вторых, применение технологий больших данных характеризуется тем, что существует большое разнообразие данных (англ. variety). Так, в базы данных поступают большие массивы данных из различных источников и в различной форме, при этом имеющие разный характер структурированности. Отсюда возникает необходимость в разработке технологии, позволяющей осуществлять управление такими данными.
В-третьих, технологии больших данных целесообразны в условиях изменчивости (англ. variability) информации. В качестве примера можно привести данные, поступающие от датчиков устройств, интернета. Эти данные имеют высокую степень значимости для анализа, прогнозирования и процесса принятия решений.
В-четвертых, использование больших данных объясняется наличием высокой скорости (англ. velocity) накопления и обработки данных. Этот признак говорит о том, что в настоящее время благодаря этому появляется возможность в обработке информации в режиме реального времени.
В настоящее время к стандартным «четыре V» (объем, разнообразие, изменчивость и скорость) добавляется еще два, а именно достоверность и ценность. Так, под достоверностью (англ. veracity) данных понимается их свойство, которое определяет правдивость и правильность данных в целях облегчения их анализа и интерпретации.
В свою очередь, ценность накопленных данных (англ. value) представляет собой полезность и выгодность данных, например, они должны помогать компании в совершенствовании бизнес-процессов и оптимизации расходов [8].
Таким образом, данные признаки технологии больших данных обуславливают их особенности:
? возможность использования больших объемов данных в разной форме;
? широкие технологические возможности сбора, обработки, хранения и анализа данных;
? способность их последовательного анализа в условиях постоянного увеличения количества данных.
Технологии больших данных бывают различных видов, что определяется большим разнообразием данных. В основе их классификации лежат следующие признаки: источник данных, формат контента, вид хранения данных, постановка данных, а также их обработка. На рисунке (рис. 1) представлена классификация технологий больших данных.
Рисунок 1 - Классификация технологий больших данных
Источник: составлено автором на основе анализа литературы [14].
Как показывает рисунок, существует несколько источников данных для технологий больших данных. По прогнозам исследователей, повсеместное использование таких источников приводит к проникновению больших данных в научно-исследовательскую деятельность, в коммерческий сектор, а также в государственное управление.
На рисунке (рис. 2) представлена классификация источников данных в технологиях больших данных.
В настоящее время выделяется несколько основных видов технологий больших данных, к числу которых можно отнести [30]:
? массивы необработанных данных Big Data, основной задачей которых является хранение и управление большими объемами постоянно увеличивающейся информации;
? Data Mining, под которым понимается обработка и структуризация данных, а также их аналитика с целью выявления скрытых и неочевидных взаимосвязей между данными;
? Machine Learning - процесс машинного обучения, в основе которого лежат связи, обнаруженные в ходе анализа.
Рисунок 2 - Источники данных технологий больших данных
Источник: составлено автором на основе анализа литературы [30].
Особое внимание необходимо уделить критериям оценки эффективности использования больших данных. К их числу относятся латентность, ориентированность на поддержку больших объемов данных и масштабируемость. Рассмотрим их подробнее.
Так, под латентностью технологий больших данных понимается скорость, которая необходима для обработки данных. В специальной литературе латентностью называют время, которое затрачивают программное обеспечение (ПО) и устройства сети на подготовку к передаче информации по каналу. Полная латентность складывается из программной и аппаратной части передачи данных [29].
О высокой эффективности использования больших данных говорит низкий уровень латентности технологии больших данных. В свою очередь, высокая степень латентности показывает, что при обработке и анализе данных присутствуют большие задержки. Это означает, что для повышения эффективности технологий больших данных компаниям необходимо снижать время, которое затрачивает ПО на подготовку к передаче данных.
Ориентированность на поддержку больших объемов данных является еще одним критерием оценки эффективности использования больших данных. Она предполагает наличие средств мониторинга (средств агрегированного контроля работы системы), контроля на основе анализа процессов, а также управления.
Кроме того, в качестве критерия оценки эффективности использования больших данных используется масштабируемость, под которой понимается способность системы к расширению, то сеть пропорциональное увеличение числа используемых процессоров с ростом объема задач. Это означает, что, если объем данных увеличивается в два раза, то необходимо увеличить количество серверов также в два раза.
Часто данный критерий называют принципом горизонтальной масштабируемости технологий больших данных [33]. Также такой критерий, как масштабируемость, предполагает масштабирование при параллельной обработке данных, то есть возможность технологии больших данных увеличивать число процессоров и задач с одновременной обработкой данных в аналитических средах.
Стоит отметить, что компании довольно часто вынуждены решать проблемы, связанные с разнородностью данных, именно поэтому масштабируемость технологии по горизонтали и вертикали имеет важное значение в современных условиях, поскольку позволяет значительно экономить средства на ИТ-ресурсы.
Наравне с указанными критериями оценки эффективности использования больших данных существует критерий отказоустойчивости. Он предполагает обеспечение стабильности в работе всех систем технологий больших данных, которая необходима в случае возникновения сбоев на каких-либо серверах, а также для минимизации последствий сбоев [18].
Также на эффективность использования больших данных влияет локальность, то есть выполнение требования, согласно которому данные обрабатываются на том же сервере, на котором находятся эти данные. Это говорит о рациональности использования расходов на передачу данных в конкретной организации.
Таким образом, можно утверждать, что эффективное применение технологии больших данных на основе критериев латентности, ориентированности на поддержку больших объемов данных, масштабируемости, отказоустойчивости и локальности позволяет компаниям в полной мере получать выгоды от внедрения данных технологий. Однако, несмотря на очевидные преимущества, такие технологии имеют некоторые ограничения.
В таблице (табл. 2) представлены факторы роста использования и ограничения технологии больших данных.
Таблица 2 - Технологии больших данных: преимущества и недостатки
|
Факторы роста использования |
Ограничения |
|
|
? высокий спрос на технологии с целью повышения конкурентоспособности; ? государственные программы; ? развитие методов обработки медиафайлов |
? необходимость постоянного обеспечения безопасности и конфиденциальности данных; ? дефицит квалифицированных кадров; ? сложность внедрения в информационные системы компаний; ? высокая стоимость технологий |
Источник: составлено автором на основе анализа литературы.
Таким образом, можно сделать следующий вывод. В настоящее время технологии больших данных являются драйвером развития банковского сектора. Под ними понимается серия подходов, инструментов и методов обработки данных больших объемов для получения определенного результата.
Эффективное применение технологии больших данных обусловлено выполнением критериев латентности, ориентированности на поддержку больших объемов данных, масштабируемости, отказоустойчивости и локальности. Это позволяет компаниям в полной мере получать выгоды от внедрения технологий больших данных.
1.3 Подходы к освоению технологий работы больших данных в банковском секторе
В рамках настоящего исследования особенный интерес представляет внедрение технологий больших данных в банковской сфере. Рассмотрим основные подходы к освоению технологий работы больших данных в банковском секторе. Чаще всего в процессе внедрения технологий больших данных в организации банковской сферы необходимо наличие таких компонентов, как [26]:
? прототип для обработки гипотез;
? арендуемые аппаратные мощности или собственные платформы, например, облачные ресурсы;
? источники данных (как внутренние, так и внешние);
? алгоритмы обработки и/или ПО для обработки и анализа данных;
? интеграционная составляющая;
? средства визуализации информации.
Стоит отметить, что среди названных компонентов наиболее критически важное значение имеют прототип, алгоритмы и источники данных. Прототип является ключевым компонентом, поскольку именно на основе него определяется конечный список требований и функциональные возможности решения. В свою очередь, алгоритмы и источники данных определяют затраты труда на достижение конечного результата.
Процесс освоения технологий работы больших данных в банковском секторе имеет несколько основных этапов, которые должны выполняться постепенно. На рисунке (рис. 3) представлены данные этапы.
Рисунок 3 - Этапы освоения технологий работы больших данных в банковском секторе
Источник: составлено автором на основе анализа литературы [26].
Рассмотрим вышеназванные этапы более подробно.
Первым этапом освоения технологий работы больших данных в банковском секторе является определение требований к результатам, возможностям и функциональности. Данные требования могут касаться надежности, производительности решений больших данных и тестируемости технологии. Чаще всего сюда включаются [3]: