Сюзан Чишти - Финтех

Лидером австрийского рынка инноваций в онлайн-банкинге является ERSTE Group, которая недавно запустила свой сервис онлайн-банкинга George и предлагает широчайший диапазон возможностей. Вдобавок банки экспериментируют с многоканальными услугами, такими как открытие счета по электронной почте и телефону или предоставление финансовых консультаций по видеосвязи (см. таблицу 1).

В сложившейся ситуации важно прогнозировать движение денежных средств текущих счетов частных клиентов. Прогнозы будут делаться при помощи алгоритмов прогнозирования и основываться на статистических данных об операциях, которые хранятся в банке. Прогноз генерируется без участия пользователя и является частью профиля клиента в системе онлайн-банкинга. Планируется, что прогнозы будут предоставляться в качестве «программного обеспечения как услуги» и внедряться как white-label решение [продукт или услуга, производимые одной компанией (производителем) и продающиеся другой компанией под другим брендом (специалистами по маркетингу)].

Группировка операций находится в самом ядре таких прогнозов. Каждая группа может моделироваться по-разному, а все модели групп вместе могут быть объединены, чтобы агрегировать оценки. Группы формируются на основании различных параметров, например:

• контрагент;

• признак (доход или расход);

• категория (зарплата, квартплата, еда, образование, досуг и т. д.);

• тип (точка продаж, кредитная карта, распоряжение о постоянных платежах и т. д.);

• геолокация.

Динамическая группировка (см. рис. 1) также может основываться на неоднородности показателей [137], но данные об операциях обычно имеют достаточно характерную структуру, чтобы удовлетворять указанным параметрам.

Стандартная модель генерирует серединное значение и значения, соответствующие 0,05/0,25/0,75/0,95.

Как правило, группы, используемые в качестве выборки, слишком малы, чтобы предоставлять точную статистику, поэтому принимается непрерывная выборка и используется квантильная интерполяция. Наша модель основывается на средних значениях вместо серединных значений и/или рассчитывает взвешенную оценку, где основной акцент делается на базе новой информации.

Существует множество различных техник, применимых к динамическим рядам, например:

• симуляция списания средств ATM по скрытой модели Маркова;

• иерархические динамические ряды (например, вложенные категории операций, формирующие иерархию);

• копула (связка) для симуляции влияния события на многочисленные группы и межгрупповые зависимости.

В 2010 г. компания SAP выпустила свой продукт HANA, который является высокопроизводительной системой управления реляционной базой данных, загруженной в оперативную память. Платформа HANA поставляется с инструментами прогнозирования, включающими многочисленные алгоритмы и R-интеграцию. Она может быть интересной альтернативой разработке системы с нуля [138]. Oracle предлагает похожие платформы и решения, например колоночные прогнозы и концепции автоматизированного анализа данных [139].

Тестирование в настоящее время осуществляется на двух разных реальных наборах данных. Первый включает 3741 операцию, охватывающую семь лет одного текущего счета, а второй – 434 операций, полученных из статистики трехлетнего текущего счета. В рамках наборов данных можно взять последовательность, включающую информацию за два года в качестве входных данных, и сравнить результаты с существующими данными (см. рис. 2).

Алгоритмы прогнозирования тестировались на семилетних статистических данных. Было обработано пошаговое введение двухлетних данных, и финальные прогнозы сравнивались с реальными данными. Результат, показанный на рис. 2, получен из расчета стандартной модели (порядковая статистика). Видно, что прогнозы переоценивают негативные и позитивные тенденции, что может быть в дальнейшем скорректировано при помощи взвешенных оценок. Когда используются взвешенные оценки, разница между результатами тестирования на исторических данных и реальными данными может потребоваться, чтобы запустить на используемых весах алгоритм оптимизации. Таким образом можно задать оптимальный вес для каждого отдельного пользователя, но остается риск новых данных, которые должны учитываться и доминировать над старыми данными.

Интеграция с онлайн-банкингом может быть многообразной, как показывает структура ценообразования на рис. 3. Прогноз движения денежных средств, например, может стать источником для интеллектуальной семантической поисковой машины. Он также может быть частью серверных продуктов и так называемых частных финансовых управляющих (ЧФУ).

Структура ценообразования, указанная в таблице 2 [140], может следовать обычным моделям «ПО как услуга»:

• предварительная плата взимается за установку системы. Благодаря требованиям к защите данных систему придется развертывать в центрах обработки данных с высокими требованиями безопасности или непосредственно в помещении банка. Также необходима высокая степень адаптации;

• ежемесячная или ежеквартальная комиссия за предоставление ресурсов может быть достаточно низкой и обеспечивать базовый уровень услуг и затрат на инфраструктуру. Если контракт предполагает автоматическое обновление возможностей, комиссия может оказаться выше;

• в конечном счете цены за проведение операций учитывают все запросы, направляемые на сервер прогнозирования, и постоянно выставляют счета, например, за тысячу запросов.

Согласно ряду интервью с руководителями МСБ, бухгалтерами по налогообложению, а также с управляющими банками и менеджерами по работе с клиентами, всем им нужна прогнозная аналитика. С одной стороны, она поможет принимать лучшие решения, с другой – поможет в борьбе с финансовой неграмотностью и предоставит владельцам и менеджерам наглядную визуализацию и понимание зависимостей и уровня сложности, а также позволит планировать будущие сценарии денежных операций.