Дипломная работа: Ключевые факторы успеха при освоении технологий работы с большими данными в банковских организациях

Для небольших компаний компания предлагает инструмент Power BI, который входит в пакет услуг Office 365 и встроен в программу Excel. Сервис включает корпоративный и публичный каталоги данных, инструмента для поиска данных и широкие возможности для совместной работы.

Обрабатывать информацию в режиме реального времени позволяет сервис Microsoft Stream Analytics, управлять и извлекать потоки данных позволяет Azure Data Factory, также у компании есть сервис, позволяющий составлять бизнес-прогнозы с помощью машинного обучения - Azure Machine Learning. На рынке больших данных также есть и российские компании. Так, компания Yandex осуществляет свою деятельность в сфере разработки алгоритмов, позволяющих извлекать ценность из больших данных. Компания предоставляет свои технологические разработки для внешних заказчиков с 2012 года. Для работы в этом направлении компания открыла международное подразделение, которое получило название Yandex Dara Factory. С момента выхода на рынок больших данных, компания успела поработать с такими компаниями, как «Роснефть» и норвежской нефтяной компанией «Statoil», помимо этого компания работала с неназванным телеком-оператором и просчитывала выгодные маршруты для авиаперелетов. Yandex Data Factory специализируется на обработке больших данных для крупных компаний.

Компания Yandex Data Factory успела поработать в банковском секторе, предоставляла услуги в сфере телекоммуникаций, работала с ритейлом и промышленными предприятиями.

Компании «Форс» и «Крок» являются системными интеграторами, анализирующими большие данные, использующие мощности клиентов.

Компания «Форс» разрабатывает и внедряет аналитические системы в таких областях, как: ритейл, телеком, в банковском секторе, здравоохранении, сотрудничает с госорганами и муниципальными службами. Помимо этого, компания предлагает своим клиентам программное обеспечение для анализа аудитории с помощью открытых данных, размещенных в соцсетях (ForSMedia) и занимается формирование досье контрагента. «Форс» является официальным дистрибьютором и платиновым партнером компании «Oracle».

Компания «Крок» тесно сотрудничает с такими компаниями, как ЕМС, НР, Oracle и Microsoft. Известно, что компания занималась построением модели по уменьшению оттока абонентов для крупного телеком-оператора, который пожелал остаться инкогнито, компания сотрудничала с «Центральной пригородной пассажирской компанией» - прогнозировала пассажиропоток.

К разработчикам готовых сервисов на основе больших данных также относятся отечественные компании - компании Mail.ru Group и «Рамблер».

С помощью обработки больших данных Mail.ru фильтрует спам, таргетирует рекламу, оптимизирует поисковые функции, ускоряет работу сервисов технической поддержки, анализирует действие пользователей при работе со своими онлайн сервисами, формирует на основе их интересов контакты и подписки.

Для обработки данных вне сети интернет компания использует сервис Hadoop, для обработки онлайн информации собственные сервисы - NoSQL СУБД Tarantool.

Компания «Рамблер» применяет технологии больших данных для таргетирования рекламы, персонализации предлагаемого пользователям контента, вычисления и блокировки спама и ботов, обработке письменной речи. Компания использует такие платформы для обработки больших данных, как Hadoop, Mahout, Spark, а также Python Scipy и Scikit-learn. Компания активно работает над улучшением рекламных технологий и персонализацией контента для пользователей своих сервисов.

Как показывает табл. 7, наибольшую стоимость имеет хранение и переработка данных, приблизительная стоимость которых может достигать 1 млн. долл. США. В данном случае можно привести пример технологии Teradata, используемой ПАО «Сбербанк» в своей деятельности в области работы с данными.

При выборе наиболее подходящих технологий от основных производителей инфраструктурных решений необходимо обращать внимание на два основных аспекта:

? важно четко сформулировать задачу анализа данных и, в соответствии с ней, выбрать технологию для использования на основе анализа сильных и слабых сторон. Неправильный выбор технологии может повлиять на производительность работы системы, что в результате повлечет за собой снижение эффективности бизнес-процессов;

? нужно осуществлять определенные доработки платформ больших данных при помощи самописных компонентов, что позволяет снижать стоимость и время разработки решений в области внедрения Big Data.

Также автором исследования предлагается внедрение методов расчета эффективности использования технологий больших данных в банковском секторе. Поскольку информационные технологии не дают прямого эффекта, но позволяют получить косвенную выгоду (например, в виде экономии финансовых ресурсов), для более корректной оценки эффективности использования больших данных можно сопоставить выручку от услуг с использованием больших данных со следующими показателями:

? первоначальные инвестиции в технологии больших данных;

? ежегодные затраты на технологии больших данных;

? затраты на содержание штата аналитиков (Data Scientists);

? ежегодные затраты на аналитика;

? средний экономический результат от успешного проекта и пр.

Пятой рекомендацией по повышению эффективности внедрения технологии больших данных в банковских организациях выступает повышение кибербезопасности в рамках требований финансовых регуляторов. Особенно данная рекомендация актуальна для небольших банков, которые не имеют достаточно возможностей по обеспечению безопасности и конфиденциальности данных своих клиентов.

Произведем расчет эффективности предлагаемых мер по повышению эффективности внедрения технологии больших данных в банковских организациях. Для того чтобы рассчитать экономический эффект от реализации этих мер, необходимо соотнести расходы и потенциальные доходы, которые банковские организации получат в результате внедрения этих мер в процессе использования больших данных.

Таблица 8 - Смета расходов на реализацию предлагаемых мероприятий, руб.

Источник: составлено автором на основе анализа официальных сайтов компаний, продающих ПО или оказывающих услуги в сфере внедрения больших данных.

В таблице представлена примерная смета расходов гипотетического банка с выручкой 800 млн. руб. на реализацию таких мер, как создание специальной ИТ-архитектуры, приспособленной к работе с технологиями больших данных; выбор наиболее подходящих технологий от основных производителей инфраструктурных решений; внедрение методов расчета эффективности использования технологий больших данных в банковском секторе; повышение кибербезопасности в рамках требований финансовых регуляторов. Как показывает таблица, затраты на внедрение технологий больших данных оцениваются в 3,1 млн. руб. Из них большую долю составляют затраты на покупку программных продуктов и создание специальной ИТ-архитектуры, приспособленной к работе с технологиями больших данных. Далее необходимо проанализировать потенциальные чистые доходы, которые получат банковские организации за счет внедрения рассмотренных мер на примере банка, показатели выручки которого составляют 800 млн. руб.

Таблица 9 - Примерные доходы от реализации предлагаемых мероприятий, руб.

Источник: составлено автором на основе анализа научной литературы [28].

Как показывает таблица, в настоящее время чистые доходы банковской организации составляют 800 млн. руб., а после реализации мер, направленных на внедрение технологий больших данных в деятельность, составят 960 млн. руб. То есть эффект от предложенных рекомендаций отразится на доходах банка, которые увеличатся на 160 млн. руб.

Схематическое представление разницы между вышеназванными величинами представлено на рис. 11.

Рисунок 11 - Эффективность реализации мер по внедрению технологии больших данных в банковских организациях, млн. руб.

Источник: составлено автором на основе расчетов и данных банка.

Теперь соотнесем доходы и расходы на реализацию предложенных мер по повышению эффективности внедрения технологии больших данных в банковских организациях:

Общий эффект от предлагаемых к внедрению мер = доход от реализации предложенных мер - расходы на ее реализацию

Как показывают расчеты, экономическая эффективность предложенных автором мер позволит банковским организациям улучшить показатели деятельности, в том числе повысить выручку за счет внедрения технологий больших данных, а общий эффект от реализации предложенных мер составит около 160 млн. руб.

Кроме того, оценка экономического эффекта предложенных мер показала, что данные меры результативны и могут помочь банковским организациям в совершенствовании своей деятельности через технологии больших данных.

Таким образом, можно сделать следующий вывод. В целях повышения эффективности внедрения технологии больших данных в банковских организациях, уже осуществляющих попытки по внедрению Big Data, автором настоящего исследования предлагается реализация следующих мер: четкое выполнение этапов внедрения технологий больших данных; создание специальной ИТ-архитектуры, приспособленной к работе с технологиями больших данных; выбор наиболее подходящих технологий от основных производителей инфраструктурных решений; внедрение методов расчета эффективности использования технологий больших данных в банковском секторе; повышение кибербезопасности в рамках требований финансовых регуляторов.

Предложенные меры по повышению эффективности внедрения технологии больших данных в банковских организациях.

Расчет расходов на реализацию мер показал, что данная величина составляет 3,1 млн. руб. Как показывают расчеты, экономический эффект от предложенных автором мер позволит банковским организациям улучшить показатели своей деятельности, повысить выручку, увеличить число клиентов, а общий эффект от реализации предложенных мер будет положительным.

Заключение

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 экономике, 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 некоторые ограничения. Именно поэтому в настоящее время банки все чаще прибегают к использованию технологий больших данных.

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.

Процесс освоения технологий работы больших данных в банковском секторе является сложным и требует наличия определенных базовых компонентов, таких как прототип, источники информации и алгоритмы. На их основе происходит внедрение технологии, которое предполагает последовательное выполнение следующих этапов: определение требований, проверка поставленных гипотез о достижении результата, выработка конечных критериев функционирования платформы, проектирование и разработка технологии, тестирование технологии и ее функционирование.

Особенности внедрения технологий больший данных были рассмотрены на примере ПАО «Сбербанк» и ПАО «Альфа Банк». На сегодняшний день ПАО «Сбербанк» и ПАО «Альфа-Банк» являются системно значимыми банками в национальной экономике. По состоянию на март 2019 годы в рейтинге банков по объему активов ПАО «Сбербанк» занимает первое место, а ПАО «Альфа-Банк» - шестое, что говорит о высокой значимости данных банков для финансовой системы России. Исследуемые банки имею большое число клиентов по всей стране, реализуют большое число направлений деятельности и оказывают широкий спектр банковских услуг. Особое место в деятельности банков занимает КСО.