fb
IT Systems 11/2018 AI a Business Intelligence Banky a finanční organizace 10. 12. 2018 8:30

Tři hlavní oblasti využití prediktivních aplikací v bankách

11-acrea-01Dnešní doba, a v bankovním sektoru obzvlášť, je charakteristická uchováváním a zpracováváním velkého množství dat. Ať už v elektronické nebo bohužel ještě i papírové podobě. Vzhledem k exponenciálnímu nárůstu údajů a nákladů spojených s jejich uchováváním vznikla potřeba využívat a zpracovávat tato data způsobem, který by měl pro firmu další přidanou hodnotu. Ze začátku byly prediktivní aplikace na trhu konkurenční výhodou, dnes jsou však nezbytností. Proto se dále zaměřím na v současnosti tři hlavní oblasti prediktivních aplikací, které bankám dokážou ušetřit čas, peníze a některé i generovat další příjmy.

Riziko

Riziko je nejrozsáhlejší a nejpoužívanější oblast prediktivních aplikací pro banky. Rizik, kterým je banka vystavená je mnoho. Jedním z nich je i kreditní (úvěrové) riziko. Je to riziko, že klient (dlužník) nebude schopen nebo ochoten splácet své závazky. Typicky se jedná o hypoteční nebo spotřební úvěry. Předtím než je úvěr klientovi poskytnut, předchází mu proces schvalování. Jeho součástí bývá i skóringový model, jehož úlohou je předpovídat budoucí problémy klienta se splácením. Zjišťuje se tak rizikovost klienta. Jedná se o tzv. aplikační skóring.

To, že byl úvěr poskytnut, tedy prošel procesem schvalování, ještě neznamená, že bude i doopravdy řádně včas splacen. Proto si banka pro očekávané ztráty z poskytnutých úvěrů vytváří opravné položky. Je to jeden z regulatorních požadavků národní banky. Od roku 2018 platí nový mezinárodní standard finančního výkaznictví finančních nástrojů IFRS 9, který kromě jiného popisuje požadavky standardu pro stanovení opravných položek. V této velmi komplexní aplikaci se odhaduje vícero rizikových parametrů, mezi které patří i expozice při selhání (Exposure At Default, EAD), pravděpodobnost selhání (Probability of Default, PD), míra ztráty při selhání (Loss Given Default, LGD) případně pravděpodobnost předčasného splacení (Probability of Early Repaiment, PER).

Marketing

Pro oblast marketingu se v průběhu životního cyklu klienta dají realizovat tři základní aplikace. První je akvizice nových klientů, kde se aplikace snaží předpovídat potenciální zákazníky pro obchodní nabídky tak, aby se stali klienty banky. Oproti tradičním postupům dochází v této prvotní fázi životního cyklu klienta ke snížení nákladů a tedy i k menší ztrátě na začátku.

Druhou aplikací je cross-sell nebo up-sell. Jedná se o výběr produktů pro existující klienty a jejich cílené oslovení. I když portfolio produktů bank není tak bohaté jako jiných společností, svůj potenciál má. Je to i výzva pro zaměstnance bank k vymýšlení atraktivních produktů (balíčků) pro své klienty i na základě společně kupovaných produktů. Jako příklad si můžeme uvést, že určité přesně specifikované skupině klientů s běžným účtem a platební kartou, poskytneme také cestovní pojištění.

Po čase, kdy má klient v bance více produktů, roste i jeho hodnota. Kdyby se však banka uspokojila a nebyla proaktivní, může se velmi lehko stát, že svého klienta ztratí. Například vlivem nespokojenosti, vysoké ceny, konkurence atd. Zde přichází na řadu třetí aplikace v průběhu životního cyklu zákazníka, kterou je identifikace klientů, kteří chtějí odejít. Když se nám je podaří identifikovat, budeme mít možnost je přesvědčit, aby od nás neodešli. Výsledkem pak bude dlouhotrvající vztah s klientem a vyšší zisk pro banku.

Podvody

Na první pohled by se mohlo zdát, že podvody se bank moc týkat nebudou. Ale vzhledem k tomu, že se jedná o finanční instituci, která spravuje peníze svých klientů, může docházet například k zneužití platebních karet jejich klientů. Včasná identifikace podvodu dokáže minimalizovat potenciálně další ztráty, které by klientovi mohly vzniknout a tím ho také ochránit. Je to jedna z nejkomplikovanějších aplikací, protože vzory chování podvodníků se v čase dynamicky mění. Jako příklad si můžeme uvést větší množství menších transakcí v krátkém čase z daného učtu z podezřelých míst. Ty budou vyhodnoceny jako neobvyklé a nemusí tak dojít k převedení finančních prostředků. Mohou být například dočasně zablokované a vlastník účtu je bude muset povolit.

Takových pravidel nebo kombinaci pravidel se sofistikovanějšími prediktivními algoritmy může a má banka několik. Monitorování transakcí a účtů má oporu i v zákoně, aby se zamezilo legalizování příjmů z trestné činnosti, financování terorismu nebo daňovým únikům.

Společné prvky prediktivních aplikací

I když z hlediska budování prediktivní aplikace se jedná vždy o jiný typ problému, všechny prediktivní aplikace mají něco společné. Konkrétně jsou vybudované nad historickými daty pomocí prediktivních algoritmů, případně i v kombinaci s expertně definovanými pravidly. Výsledkem skórování případu s jeho vstupními parametry je určité rozhodnutí. Rozhodnutí, které je automatizované a v reálném čase. Budování jakékoli prediktivní aplikace se neobejde bez kvalitního nástroje, softwaru. Potřebujeme nástroj, který bude schopen načítat data z různých datových zdrojů, připravovat a transformovat data, vytvářet nad nimi expertní pravidla a prediktivní modely. Následně musí být schopen toto vše nasadit do produkčního prostředí pro real-time skórování. Tato flexibilita je nevyhnutelná z více důvodů. Každá aplikace využívající prediktivních modelů nebo expertních pravidel časem zastará. Například v důsledku regulatorních změn, změn chování klientů, podmínek na trhu atd.. Přijde tak čas, kdy bude potřebné provést revizi a příslušné změny implementovat. V případě komplexního IT řešení s dopadem na celou banku, je vhodné při tvorbě prediktivní aplikace uplatňovat agilní projektové řízení. To se vyznačuje tím, že průběžně vytvářené prototypy se neustále upřesňují. Zpětná vazba od zadavatele je klíčová proto, aby finální aplikace splňovala jeho specifická kritéria a požadavky.

Kvalitních softwarů a firem, které dokážou pomoci a realizovat takto náročné projekty je několik. Většinou se v praxi nejedná o jednu firmu, která by zastřešila a realizovala tak náročné projekty sama. Samozřejmě je to závislé od komplexnosti celého řešení. Vhodnou kombinací je dvojice až trojice firem. Jedna firma zastřešuje oblast prediktivního modelování, druhá oblast integrace řešení a třetí, v případě potřeby, oblast kontroly a konzultace splnění regulatorních požadavků.

Výše uvedené oblasti prediktivních aplikací a konkrétní příklady nepředstavují konečný seznam aplikací, které by banky mohly aplikovat pro zefektivnění svých rutinních činností a procesů. Pokud začínáte s prediktivními aplikacemi, doporučujeme začít s takovou, která bude mít pro banku jednoduše měřitelný přínos a bude mít širší podporu v rámci banky. Po první úspěšné aplikaci se další budou prosazovat snadněji. V prvních realizacích doporučujeme využít know-how dataminingových a konzultačních společností s bohatými zkušenostmi z obdobných projektů.

Milan Machalec
Autor článku začal profesní kariéru nejdříve jako analytik, konzultant a lektor v ACREA CR v Praze. Po roční stáži se přesunul na Slovensko, kde pokrývá nyní také oblast technické a obchodní podpory. Má bohaté zkušenosti v oblasti statistických a dataminingových analýz. Aktuálně se specializuje na analytickou konzultační činnost a řešení významných dataminingových projektů pro velké společnosti včetně automatizace analytických procesů.

Kalendář akcí
Konference - Semináře - Školení
Časopis IT Systems/Speciál
Aktuální číslo časopisu IT Systems Aktuální číslo časopisu příloha #1
Archív časopisu IT Systems
IT Systems 7-8 IT Systems 6 IT Systems 5 IT Systems 4
Archív časopisu IT Systems Special
Aktuální číslo časopisu příloha #1 Aktuální číslo časopisu příloha #1 Aktuální číslo časopisu příloha #1 Aktuální číslo časopisu příloha #1