Финтех: Путеводитель по новейшим финансовым технологиям Барберис Янош
Такая история вопроса заставляет банки в ускоренном режиме трансформировать свои бизнес-модели и находить новые формы источников доходов. Теперь мы обратим более внимательный взгляд на два наших первоначальных наблюдения.
Финансовая грамотность рассматривалась как гарантия того, что розничные клиенты будут пользоваться услугами и продуктами банков и не станут полагаться на другие возможности финансирования (например, взаимное кредитование между физическими лицами). Существовало общее мнение, что образование и опыт банковских менеджеров по работе с клиентами позволят им знать и понимать потребности и окружение своих клиентов, подбирать правильные продукты и, соответственно, быть доступными в важные моменты жизни. Выходило, что единственный выбор розничных клиентов – доверие своим банковским консультантам.
Сегодня, тем не менее, клиенты могут помочь себе, получая информацию на различных онлайн-форумах и сайтах сравнения. Часто клиенты приходят в отделение банка с готовыми распечатками о том, сколько они могут заработать на конкуренции. И все же именно финансовая неграмотность – одна из причин просроченных кредитов (ПК). Большое количество банкротств малых и средних предприятий (МСБ) вызвано слабой финансовой грамотностью. Как следует из годовых отчетов крупных банков, нестабильные курсы обмена валюты и проблемная экономика увеличивают процент ПК практически на всех рынках.
Пример | Онлайн-банкинг в Австрии
Австрия сравнительно хорошо развита, если говорить о банковских услугах, и статистика онлайн-банкинга похожа на показатели большинства рынков Центральной и Западной Европы. Например, крупнейший банк Австрии из состава Raiffeisen Banking Group обслуживает 1,6 млн клиентов, пользующихся онлайн-банкингом. Из 700–800 000 ежедневных операций, которые уже обрабатывает банк, 25 % осуществляются с мобильных устройств[134].
Из 507 млн граждан Европейского Союза 85 % являются банковскими клиентами[135], 44 % из которых пользуются онлайн-банкингом[136]. Согласно интервью с представителями банков, примерно 10 % пользователей онлайн-банкинга – продвинутые пользователи, которые регулярно осваивают передовые возможности и действуют как первопроходцы. Взяв таких клиентов в качестве целевой группы для инноваций онлайн-банкинга, насчитаем 20-миллионную целевую аудиторию в 28 странах – участниках ЕС.
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).
Прогнозы движения денежных средств частных клиентов
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].
Исследования и тестирование
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.
Размышления о бизнесе и интеграции
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.
Использование прогнозной аналитики в МСБ
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.
Было бы интересно прогнозировать следующие цифры:
• движение денежных средств;
• влияние колебания обменного курса;
• спрос на специальные продукты, например количество возобновляемых кредитных линий, деривативные/хеджевые инструменты для специальных продуктов или валют.
Платформа прогнозирования должна быть обеспечена высокопроизводительным интерфейсом взаимодействия с внешними источниками данных.
• Макроэкономические данные. Пользователей системы могут попросить предоставить дополнительные данные, такие как геолокация, размер (доход, количество сотрудников), отрасль, обычное местоположение, а также отрасль производителей и клиентов. Эти исходные данные могут сформировать основание для загрузки приблизительных внешних макроэкономических данных в прогнозы.
• Системы хранения данных/бухгалтерские/ERP/CRM-системы. В зависимости от размера и отрасли компании должна применяться одна из этих систем. Их данные могут использоваться непосредственно в качестве необработанных входных данных для алгоритмов прогнозирования или – будучи агрегированными или результатом прогноза – формировать факторы при планировании сценариев.
• Дополнительные банки. Как только компания достигает определенного размера, высока вероятность того, что ей потребуются связи с другими банками, например договор аренды или ссуда под недвижимость в другом финансовом учреждении. Это даже может быть синдицированный банковский кредит или более крупные денежные средства. Стандарты отрасли и финтех-компании, такие как FIGO, предлагают связываться с этими банками и получать их транзакционные данные, возможно даже в режиме реального времени.
Прорывной характер таких методов может быть довольно широкомасштабным. Он оказывает немедленное влияние на консультантов, бухгалтеров по налогообложению и сотрудников компании. Банки, которые располагают такими данными, могут изменить цену финансовых инструментов и, в конечном счете, даже котировки риска.
Выводы
Алгоритмы прогнозирования – очень перспективная и интересная сфера для исследований. Кроме того, уже есть первые очевидные и доступные результаты, вокруг которых можно выстроить надежные бизнес-модели, как показано на примере денежных потоков частных клиентов.
Модное словечко «казна как услуга» подводит итог паре интересных возможностей по дальнейшей реализации. В частности, использование алгоритмов прогнозирования в сочетании с онлайн-банкингом и банковскими данными – может, даже в сочетании с внешними источниками – очень перспективно. В конечном счете это может привнести новую функциональность в пользовательский сегмент микрокорпораций.
Однако существует еще ряд препятствий, которые необходимо преодолеть. Статистические методы могут предлагать непроверенные результаты и методологически неправильные модели. Также банковские серверные решения иногда еще не способны предоставлять необходимые данные в нужное время или качество данных может быть неподходящим. И, в конце концов, всегда есть риск того, что пользователи не проявят интереса к результатам работы алгоритма или окажутся неспособны с ними работать.
Успешное внедрение прогнозов движения денежных средств частных клиентов – первый шаг на пути предоставления алгоритмов прогнозирования каждому клиенту банка.
Большие данные – краеугольный камень системы надзора за нормативно-правовым соответствием
Тьерри Дюшам (Thierry Duchamp),
учредитель и директор по производственным вопросам, Scaled Risk
Большинство финансовых учреждений адаптировали существующие информационные системы, чтобы соответствовать посткризисным нормативно-правовым актам. К сожалению, ограничения их устаревших технологий оказались огромными, и это не позволило им оправдать ожидания надзорных органов относительно того, что большие объемы данных за несколько лет, хранящиеся в банках, теперь могут быть доступны очень быстро, если не в режиме реального времени.
В этой главе говорится о том, как технологии работы с большими данными способны облегчить реализацию информационных систем управления рисками и обеспечить нормативно-правовое соответствие. Кроме того, здесь речь идет о том, как технологии превращают препятствия в деловые возможности. Если банки рассматривать в этом контексте как гигантские базы данных, тогда технология обработки больших баз данных предлагает возможность связать ранее разобщенные функции и работающие модели. Единая система работы с большими массивами данных может предложить универсальное аналитическое решение по нормативно-правовому соответствию.
Так как технология больших данных постоянно развивалась с момента появления в веб-отрасли, она начала использоваться для поддержки уникальных требований и задач финансовой сферы. Эта глава посвящена архитектуре и возможностям Scaled Risk, компании, которая предлагает финансовое ПО как программное решение и объясняет, почему эти компоненты являются обязательным требованием для внедрения технологии больших данных в финансовом контексте. Мы также проиллюстрируем на реальных примерах, как большие данные можно использовать для управления рисками и задачами нормативно-правового соответствия.
Внедрение технологии больших данных в банках проходило слишком медленно
С начала 2010-х гг. термин «большие данные» обычно использовался, чтобы описать новое поколение технологий и новые подходы к управлению данными.
Эта технология была создана крупными игроками веб-индустрии, потому что традиционные технологии не были способны адаптироваться к непредсказуемому количеству пользователей, быстро растущим объемам данных и увеличивающейся необходимости в вычислительных мощностях. Отрасли веб-разработки также требуется больший уровень гибкости и скорости адаптации, чтобы можно было быстро развивать приложения, не прерывая работу системы. Инновация «Больших данных» подтолкнула мощности информационных систем отрасли веб-разработки к самому высокому уровню гибкости, скорости и простоты использования.
Удивительно, что предприятия, включая банки, в большинстве своем упустили эту возможность – с очевидными последствиями. Инновации на предприятиях развивались крайне медленно по сравнению с Интернетом. В конце концов, обычные инструменты демонстрируют высокий уровень гибкости и удобства для пользователя, в то время как бизнес-инструменты остаются закостенелыми и трудны для обучения.
Могут ли большие данные из Интернета использоваться непосредственно в банках?
К сожалению, прямое использование не будет простым и ясным; тем не менее огромная часть отрасли программного обеспечения участвует в том, чтобы адаптировать технологии больших данных на предприятиях. Адаптация к нуждам предприятий неуклонно предлагает программное обеспечение для бизнеса с теми же уровнями гибкости и эргономики, которые уже существуют в интернет-отрасли.
Это началось вначале 2010-х гг. с заметного успеха Salesforce.com, но развитие идет медленно и занимает больше времени, чем планировалось, из-за влияния следующих факторов:
• архитектура больших данных – это радикальное изменение парадигмы, внедрение требует новых знаний и новых людей;
• варианты использования в интернет-отрасли значительно отличаются от использования на предприятиях;
• уровень достоверности технологии, используемой в мире Интернета, ниже (зачастую ошибочно), чем в любой другой отрасли, особенно в сфере банковских услуг.
Большинство банков внедрило технологию больших данных с разными результатами, зачастую зависящими от бизнес-процесса, для которого требовалась технология. Самые близкие к миру Интернета и самые простые для внедрения:
• маркетинг;
• знай своего клиента (ЗСК);
• выявления мошенничества.
Системы надзора за правовым соответствием выполняемых операций нуждаются как в целостности данных, так и в работе в режиме реального времени, чтобы отвечать действующему законодательству. Устаревшие технологии были способны управлять данными на основе системного подхода и в режиме реального времени на протяжении последних 30 лет – к сожалению, с сильными ограничениями. Технология больших данных не предоставляет готовую к использованию целостность данных, полученных в режиме реального времени, что и становится проблемой.
Как можно получить актуальные, целостные данные из технологии больших данных?
Совмещение актуальности и целостности данных для больших данных – задание для инженеров, которое было решено при помощи технологий Scaled Risk. Технологии больших данных как предложение новой архитектуры основывается на прорывных вычислениях с открытым подходом (т. е. распределенная система недопустима). Открытая парадигма – это цена, которую необходимо заплатить за почти неограниченную расширяемость системы, что означает неограниченность:
• хранилища;
• вычислительных мощностей;
• возможностей кэширования.
Синхронизация времени по всему кластеру – это секрет своевременного предоставления полностью открытой последовательности данных. Этот подход, во многом вдохновленный технологией Spanner от Google (http://research.google.com/archive/spanner.html), предоставляет информацию на любую дату, начиная с одной секунды, прошедшей с настоящего момента. Эта задержка может быть сокращена при помощи аппаратного обеспечения для особой синхронизации времени.
Стандартные актуальные большие данные тоже нуждаются в улучшении, потому что они имеют разное значение в мире Интернета и в сфере банковских услуг. Если «интерактивный» – это хороший синоним для предыдущего «управляемый событиями» и «способный оповещать», это то, чего ожидают последние. Технологии Scaled Risk внедряют как последние инновации из сферы больших данных, так и старые рецепты, которые использовались с начала 1990-х гг. для получения актуальных каналов финансовых данных.
Технология больших данных – лучшая технология для реализации систем надзора за правовым соответствием
По определению система надзора за соответствием нуждается в сборе данных как из внутренних, так и из внешних источников, которыми могут стать:
• трейдинговая система;
• данные о рынке;
• вспомогательные данные и СУОК;
• внешние финансовые данные;
• актуальные и исторические новости;
• данные о правительстве [Управление по контролю над иностранными активами казначейства США, Акт о добросовестном и точном проведении кредитных операций, Правила регулирования инфраструктуры европейского финансового рынка, закон Додда – Фрэнка (Dodd – Frank)] и многие другие.
Данные, необходимые для надзора за нормативно-правовым соответствием, не только увеличиваются в объеме, но и становятся все более сложными. Вкратце, технология больших данных устраняет два главных недостатка устаревших технологий: отсутствие гибкости и эластичности, а также возможности расширения сети.
Благодаря эластичности и расширяемости инфраструктура может адаптироваться на ходу.
Информационные системы должны уметь справляться с внезапными переменами в бизнесе за счет регулирования и корпоративного управления. Способность к быстрой адаптации очень трудно реализовать в системе управления реляционными базами данных (СУРБД), даже для одного отделения банка. Системы надзора за соблюдением правовых норм по своей природе централизуют многочисленные потоки информации из разных стандартов и форматов. Обработка необходимых, но многочисленных изменений в системе источников, – невыполнимая миссия, если использовать СУРБД и ETL-решения.
Технологии больших данных предлагают прорывной подход к схеме управления данными, потому что данные и соответствующие структуры данных хранятся и управляются отдельно друг от друга. Основной подход, используемый технологиями в отношении больших данных, полагается на схемы данных для чтения, это означает, что данные хранятся в формате, управляемом приложением. Этот подход предоставляет больше гибкости, потому что схемы данных могут просто меняться. Но в таком варианте есть недостаток, потому что он предлагает ограниченную видимость данных: все спрятано за кодом.
В 2012 г. Scaled Risk представили гибридный подход, основанный на Schema on read, но улучшенный:
• реализацией схемы данных поверх метамодели;
• возможностью Schema on read положиться на несколько схем данных;
• возможностью Schema on read автоматически запускать преобразование типов.
Этот гибридный подход значительно уменьшил обычные расходы на внедрение централизованного хранилища данных на начальной стадии, а также при дальнейших его обновлениях.
Эластичность и расширяемость – это главные прорывы, привнесенные технологией больших данных. Обеспечение настоящей открытой распределенной архитектуры позволяет приложениям, использующим большие данные, предлагать неограниченные:
• хранилища данных;
• вычислительные возможности;
• кэширование (внутри памяти).
Внедрение регуляторной системы вызывает множество вопросов, как это было в веб-отрасли:
• до какого уровня сложности будут развиваться данные;
• как быстро будут увеличиваться объемы данных;
• понадобятся ли им больше вычислительных мощностей (например, вальвация);
• нужно ли им быть быстрее (например, закон Додда – Фрэнка и центры обмена информацией)?
Эффективная система надзора за нормативно-правовым соответствием должна уметь сочетать данные, которые банк уже хранит в своей внутренней системе, предоставленные третьими сторонами, и публично доступные данные (социальные сети, Интернет). Например, при помощи этих источников данных можно распознать отмывание денег путем корпоративных закупок:
• данные из системы банковских операций;
• данные из внешних директорий компании, чтобы идентифицировать акционеров;
• управление по контролю над иностранными активами казначейства США и другие похожие списки;
• результаты поиска информации о заинтересованных лицах.
Большие данные не только обеспечивают удобный сбор данных и их хранение, но также предлагают различные гибкие возможности по синхронизации данных из различных форматов.
В случае с обнаружением случаев отмывания денег, такая реализация позволит:
• обнаружить, что акционеры – это те же люди, которые упоминаются в результатах поиска в Интернете или списках управления по контролю над иностранными активами казначейства, даже если имена транслитерированы различным образом с различных языков;
• рассчитать надежность репутации посредством извлечения данных из Интернета;
• использовать возможности программы для обнаружения слабого сигнала или
• мошеннической схемы по операциям на счету.
Совмещая такую информацию, технология больших данных (как показано на рис. 1 выдаст немедленный результат о возможности отмывания денег. Похожая верификация в ручном режиме потребует нескольких часов работы и не будет настолько исчерпывающей и эффективной.
Большие данные способны уменьшить уровень сложности данных и обнаружить слабые сигналы в огромных массивах информации. Статистика, анализ текста, машинное обучение усиливают распределенные возможности систем анализа больших данных, потому что они способны:
• хранить большие объемы данных и статистические данные за неограниченный период времени;
• исполнять сложные алгоритмы в режиме реального времени;
• хранить наиболее часто используемые данные в быстро распределенном кэше (т. е. в памяти);
• оставлять расходы на разумном уровне (используются средние серверы).
Такие подходы дают отличные результаты для извлечения скрытой информации из массивов данных при малом числе ложно положительных результатов.
С другой стороны, традиционные подходы слишком устарели, имеют ряд ограничений и часто упускают реальные положительные результаты. Другой недостаток устаревших подходов, использующих обработчики бизнес-правил, основанные на структурированных данных, – это трудность адаптации к изменениям в правовых нормах.
Гибридный подход при обработке показателей, предоставленных системами анализа больших данных, выдает лучшие результаты. Показатели больших данных с ложно положительными результатами эффективно фильтруются обработчиком правил, в то время как обнаруживается больше подозрительных случаев. Давление со стороны законодательных актов определенно ушло за пределы «времени и материалов». Невозможность реализовать эффективный контроль соответствия правовым нормам уже привело к многомиллионным штрафам.
Контроля и внедрения регуляторного надзора, к сожалению, недостаточно. Правовые нормы требуют, чтобы вы могли доказать, что все методы контроля действительно были использованы. Большие данные снова оказываются очень полезными тем, что хранят исчерпывающие результаты проверки, временные штампы и относящуюся к делу информацию для каждого контрольного журнала.
Контрольный журнал всегда доступен, это означает, что данные за несколько лет могут предоставляться в режиме реального времени. Архивирование становится проще, потому что размер хранилища неограничен: оно подробное и любой исторической глубины.
Успешное внедрение проекта
Основываясь на нашем опыте, успешное внедрение систем надзора за нормативно-правовым соответствием, основанных на больших данных, требует исполнения некоторых обязательных условий.
Открытая программная платформа Hadoop для работы с необработанными данными пока не готова к внедрению в обычные финансовые процессы. Внутренний проект, основанный на Hadoop, потребует несколько человеко-месяцев, если не человеко-лет, чтобы создать и внедрить пакет промежуточных технических компонентов. Это, конечно же, самый неожиданный факт, с которым можно столкнуться при создании проекта с использованием больших данных «с нуля».
Другой выученный урок: компоненты, доступные публично, не обязательно будут отвечать требованиям банковской системы, особенно в отношении целостности данных и работы в режиме реального времени. Это значит, что некоторые компоненты тоже необходимо разрабатывать.
Создание внутреннего проекта требует огромного количества времени, которое можно сэкономить, если использовать существующие сторонние платформы, как показано на рис. 2.
Scaled Risk предлагает готовые к использованию возможности технологии больших данных:
• гибкую схему данных с поддержкой множества версий для быстрого сбора данных;
• управляемую событиями технологию, работающую в режиме реального времени в самом сердце архитектуры;
• мгновенный, простой и целостный доступ к данным благодаря функциональности поисковой службы;
• возможность надежной отчетности благодаря распределенной и оперативной аналитической обработке данных в реальном времени (OLAP);
• полное представление аудита с возможностью представления данных;
• компоненты визуализации данных.
Это дает экономию на выведение продукта на рынок с нашей интегрированной платформой.
Использование такого решения позволит вам потратить время и деньги на то, чтобы действительно внедрять правила и контроль нормативно-правового соответствия.
Они полностью совместимы с готовыми к использованию коммерческими решениями. Scaled Risk не собирает ваши данные в черный ящик. Hadoop и экосистема открытого ПО предоставляют крупным компаниям мощное программное обеспечение (R, Spark, Hive и т. д.), которое остается полностью совместимым с этой системой.
Открытая система уже вот-вот будет способна расширять или изменять правила и источники данных. Технологии, используемые для того, чтобы добиться этого, должны быть стандартными и открытыми, что позволит вам легко найти экспертные ресурсы на рынке труда.
Технологии больших данных остаются новыми для предприятий и банков, в результате чего технология ориентируется сама на себя. По нашему мнению, это ошибка, которую следует старательно избегать. Отрасль финансового программного обеспечения стремительно меняется с появлением новичков, которые могут одновременно предоставлять финансовые услуги и услуги анализа больших данных. Они являются лучшими поставщиками систем надзора за нормативно-правовым соблюдением законодательства.
Финтех-решения при оптимизации сложных контрактов
Акбер Дату (Akber Datoo),
партнер, D2 Legal Technology LLP
Десятилетия пренебрежения вышли боком. Во все более регулируемом и конкурентном мире на финансовые учреждения налагается обязанность понимания сложных контрактов с клиентами. Неспособность к такому пониманию приводит к катастрофе, которая произошла с Lehman Brothers and AIG. Если финансовый кризис и научил нас чему-то, так это тому, что у нас низкий уровень понимания большинства контрактов, которые мы заключаем. Компании попали в вихрь паники, они, не способные найти нужные документы, не понимают, какую важную информацию те содержат.
Надзорные органы были шокированы таким положением дел. Они ввели множество ограничений в области управления данными сделок, осуществляемых финансовыми фирмами. Например, 6 марта 2015 г. Европейская служба банковского надзора (EBA) опубликовала проект стандарта о минимальном наборе информации о финансовых контрактах, которая должна содержаться в записях фирмы в соответствии с требованиями Закона о восстановлении и оздоровлении банков (известном как «волеизъявительное» требование для систематически важных финансовых учреждений).
Несомненно, эти нормативные требования имеют обоснование: законные контракты являются воплощением того, как финансовые инструменты заявляют о себе через различные условия, положения и контрактные обязательства, принятые каждой стороной финансового контракта. Стабильность и нормальное функционирование финансовой системы основано на удовлетворительном управлении такими контрактными условиями. Тем не менее реальность такова, что многие юридические отделы и отделы делопроизводства не смогли угнаться за быстро растущими направлениями деятельности, которую они поддерживают. Ирония судьбы заключается в том, что это резко контрастирует с теми направлениями бизнеса, которые всецело использовали технические инновации, чтобы масштабироваться, в то время как юридические и общие отделы не воспользовались возможностью обеспечить себя инструментами, системами и утилитами, которые могли бы помочь им справиться с ростом.
Грустно думать о текущем положении дел в финансовой отрасли, когда планка правого регулирования значительно превосходит действия по оптимизации бизнеса. Планка особенно действенна в настоящее время и реализуется в огромных штрафах и санкциях, налагаемых на учреждения, многие из которых являются следствием неспособности отслеживать и управлять договорными обязательствами, а также результатом ограниченного мышления «слишком велик, чтобы рухнуть». Несмотря на это, такая планка доказала свою эффективность как инструмент принуждения использования финансовых технологий для устранения проблем путем создания системы и процессов хранения и управления юридическими документами и данными. Это задача, которая была бы гораздо менее сложной и требующей временных ресурсов, если бы правильные процессы были разработаны с самого начала, т. е. если бы отделы по работе с документами обрабатывали и хранили контракты и отслеживали ключевые условия, согласованные в контракте. Исправление этого после нескольких десятилетий пренебрежения включает другой подход благодаря огромному количеству законных контрактов. Вот здесь вступают в действие новейшие технологии.
Ажиотаж вокруг больших данных вызван тем, что они способны видеть и понимать отношения внутри неструктурированных и структурированных баз, над осмыслением которых мы до недавнего времени бились. Большие данные работают на огромном количестве информации и дополнительных исследованиях, а не на малом количестве данных и точности. Кто-то может поспорить, что проблема даже не так велика, чтобы использовать большие данные, но она, несомненно, достаточно велика, чтобы принудить юридические отделы более мобильно предотвращать беспорядок и неопределенность, принять на себя роль специалистов по обработке данных, чтобы найти связи в системе данных, и работать над этим, а не над тем, чтобы тщательно просматривать каждое слово в каждом контракте.
Изначально следует просто убедиться в том, что технология может использоваться. Документы на бумажных носителях, прошитые и хранящиеся в безопасности в хранилище, всегда требуют ручного труда для их получения и чтения. Имеющиеся контракты по этой причине переводятся в цифровой формат и хранятся финансовыми фирмами в электронной форме, чему способствуют оптическое распознавание знаков (ОРЗ) и другие соответствующие технологии, такие как ИРЗ (интеллектуальное распознавание знаков) и ИРС (интеллектуальное распознавание слов) для обработки некоторых случаев с рукописным, а не печатным текстом. Оцифровка также используется в таких областях, как устные контракты между трейдерами, когда при помощи программного обеспечения для распознавания голоса определяются ключевые условия устно согласованных контрактов и обеспечивается их совпадение с торговыми подтверждениями, генерируемыми финансовыми фирмами после этого, во избежание торговых споров.
Фаза перевода в цифровую форму не может не привнести таких трудностей, как слабо распознаваемые таблицы в документах. Это тем не менее просто решить путем составления проектов юридических документов с опорой на предшествующие документы и строго определенный словарь контрактов.
Использование даже некоторых алгоритмов классификации в электронных документах может помочь. Документы теперь переведены в цифровой формат, по ним можно проводить поиск, и юридический отдел уже получил возможность находить требуемые документы – задача, которую было трудно решить по причине низкого уровня классификации и оформления документов во время их подписания. Более того, посредством базового управления идентификаторами и привязки к другим источникам данных, таким как риски и клиентские системы статических данных, масштаб проблемы мог стать гораздо меньше и гораздо лучше поддаваться управлению посредством привязки документов к соответствующим торговым рискам и сосредоточения на действительных проблемах.
Поиск требуемых документов – это только начало пути. В то время как юристы все еще скептически настроены против идеи поиска в стиле Google, предоставляющего ценность, равную годам обучения и опыта, наверное, стоит вспомнить успех Deep Blue, компьютера для игры в шахматы, разработанного IBM, – первый пример искусственного интеллекта, который выиграл шахматный матч против действующего чемпиона мира, и совсем недавний пример – IBM Watson, выигравшего в «Своей игре!» у бывших победителей Брэда Руттера (Brad Rutter) и Кена Дженнингса (Ken Jennings).
Автоматизация задач и процессов при помощи строго процедурного оператора «если А, то Б» – это старая модель вычислений, в которой каждый шаг и сценарий определяются программистом заранее и которая почти бесполезна в автоматизации задач чтения юридических контрактов, понимания его нюансов и в предоставлении ключевых данных и анализа.
Подход финтеха – это использование новой модели вычислений, применяющей возможности интерпретации, которая учится на основе данных и под руководством человека и которая адаптируется с течением времени при получении новых данных.
Вот несколько техник, которые используются для усиления эффекта.
Корреляция: в своей основе она дает количественную оценку статистическим отношениям между значениями данных. Это позволяет отвечать требованию по выявлению ключевых данных контракта, не путем понимания сложного внутреннего механизма, но просто определяя важного агента, включая многомерные и нелинейные. Не нужно определять точные показатели активов и денежных запасов клиента в том виде, в каком они указаны в контракте, из клиентских условий и положений, набора сложных документов и общего применения изобилия императивных норм и стандартов. Конечно, даже строгие корреляции никогда не будут совершенными. Однако важная задача, стоящая перед юристом, – избегать таких ситуаций. Что делают корреляции, так это ведут пользователя к вопросам с наивысшим приоритетом или высоким риском в рамках портфолио устаревших документов.
Валидация: значения данных не могут быть представлены в изоляции. Действующий контракт, законы и нормы, лежащие в его основе, налагают естественные ограничения на данные. Исключая и используя их, возможно не только детализировать поиск и процесс извлечения данных, но и выделять некоторые области, которые требуют особого внимания. Это такие области, которые человек ручным способом, скорее всего, не обнаружит по причине кропотливого и повторяющегося характера проверки, например: необходимо убедиться в том, что для каждой стороны установлен соответствующий лимит, указанный в документе (чтобы, как мы наблюдали в ряде документов, лимит не повторялся дважды для одной и той же стороны по ошибке, из-за копирования и вставки слов составителем документа, который потом забыл изменить важную информацию).
Положительная обратная связь: через использование техник текстового анализа и извлечения данных более детальные структурированные данные законных контрактов могут быть предоставлены потребителям. Поэтому присутствует большое число нюансов договорных обязательств, содержащихся в законных контрактах. Посредством использования данных в таких областях, как сопутствующая оптимизация и корректировка стоимости кредитов/финансирования, любые неточности в данных немедленно замечаются и могут быть скорректированы при помощи рабочего процесса.
Положительная обратная связь для очистки точности юридических данных также вынуждает юридические отделы рассматривать юридические термины по всему тексту. К сожалению, кроме споров с контрагентами, это оказывает влияние на юридические документы, подписанные финансовыми фирмами. Сам по себе он трансформируется в реальное понимание финансовых инструментов.
Инфраструктура также позволяет не только лучше понимать текущее положение и подверженность рискам учреждения через понимание специфических договорных условий, применяемых по всему портфолио документов, но и позволяет постоянно оптимизировать и улучшать.
Использование финтеха не должно заканчиваться анализом и контролем портфолио юридических документов. Наоборот, учреждения теперь смотрят на текущий процесс размещения документов на месте, использование инструментов генерации и создания документов, чтобы привести стандартизацию туда, где узкоспециализированный и варьирующийся язык способен лишь усложнить требования действующего законодательства и соблюдение правовых норм. Это также позволяет посредством рабочего процесса и с помощью слов «что, если» понять риск и окончательный эффект от применения оптимизации.
Путешествие финтеха было начато, чтобы дать юристам полномочия и роль истинных консультантов, которые являются частью бизнеса и выполняют не административные функции, а принимают решения.
Поведенческая биометрия – новая эра в сфере безопасности
Нейл Костиган (Neil Costigan),
генеральный директор, BehavioSec
Мир вокруг нас меняется, наш бизнес и личная жизнь в одинаковой степени мобильны, мы подключены к сети и можем регулярно взаимодействовать с людьми из любого уголка мира. У нас есть различные электронные устройства – в наших карманах, на наших столах и в наших домах, мы даже не задумываемся когда берем в руки ближайшее из них, чтобы отправить деньги из одной страны в другую, купить какие-либо вещи онлайн у людей, которых мы никогда не видели, и управлять нашими финансами. Это должно совершаться быстро, происходить прямо сейчас и быть удобным.
Блокировка и ключи не помогают защищать электронные активы, и нас регулярно просят доверять людям и системам без возможности встретить их лицом к лицу, чтобы подтвердить их личность. Изобилие онлайн-информации и возможности взаимодействовать предоставили огромные поля деятельности для мошенников, которые стремятся похитить средства индивидуализации и незаконно завладеть данными для установления подлинности личности. Последний отчет агентства по предотвращению мошенничества Cifas подтверждает эту тенденцию: количество жертв воров средств индивидуализации выросло на 31 % до 32 058 за первые три месяца 2015 г., по сравнению с тем же периодом 2014 г.[141]
Жестко регулируемый сектор финансовых услуг – место для обширных потоков конфиденциальной финансовой информации и информации о владельцах карт в каждую секунду – особенно тщательно проверяется на предмет этой новой угрозы. И не только банки действуют в период высоких темпов перемен и инноваций, привносимых техническими достижениями, нормативными требованиями и ожиданиями клиентов. Резкое увеличение количества мобильных устройств и, как следствие, введение мобильных платежей – это всего лишь один пример того, где розничные банки вынуждены использовать невиданный уровень быстродействия и обеспечивать безопасность новых каналов и бизнес-моделей.
Комплексный выбор сбалансированного решения
Поскольку банки хотят найти равновесие в треугольнике «конфиденциальность – удобство – безопасность», им приходится менять способ мышления, когда речь заходит о безопасности предоставляемых услуг. Поскольку почти любая техника проверки подлинности информации может быть скомпрометирована, банки больше всецело не полагаются на единственное средство контроля для авторизации действия высокого риска.
Нам не нужно искать слишком долго, чтобы обнаружить необычный подход в обеспечении безопасности – совмещение различных доступных технологий аутентификации для повышения уровня обнаружения мошенничества и пользовательского опыта. Дополнительные технологические устройства, такие как карт-ридеры для проверки подлинности, широко внедрялись в качестве средства усиления процесса верификации с двухфакторной аутентификацией. Однако это является уязвимым местом: для клиентов это еще один кусок железа, который нужно носить с собой, и дополнительный барьер на входе при пользовании услугой.
Биометрия – возможное решение этой проблемы. С точки зрения технологии, процесс проверки личности людей по их физическим характеристикам разрабатывался с самого начала появления компьютерных систем во второй половине ХХ в. Конечно, концепция биометрии уходит гораздо дальше в прошлое: люди идентифицировали друг друга этим способом с первобытных времен. Несмотря на это, биометрия как технологическая концепция только недавно была представлена потребителям, частично благодаря таким гигантам, как Apple, которая представила сканеры отпечатков пальцев для доступа к устройству.
Поведенческая биометрия
Поведенческая биометрия – это менее известная технология, которая пошла дальше статической биометрии, ориентированной на наши физические черты (такие как сканирование отпечатков пальцев или радужной оболочки), и сфокусирована на поведении пользователей. Она принимает во внимание детали учетной записи, такие как способ, при помощи которого лицо взаимодействует с устройством, сила, с которой оно нажимает на клавиши и угол, используемый для скольжения по сенсорному экрану, или ритм набора текста. Технология находится в фоне приложения или устройства и абсолютно прозрачна для пользователя, удовлетворяя желание клиента в быстрой и гладкой аутентификации.
Алгоритмы машинного обучения создают уникальную картину пользователя – не то, что они делают, но то, как они это делают, – что на основе предыдущих моделей поведения пользователя позволяет выявить аномалии, которые могут указывать на мошенничество. Важно, что такой процесс проверки подлинности является продолжительным – на протяжении всей сессии, что обеспечивает контроль идентификации в течение всего взаимодействия с устройством, а не только в момент входа.
Поведенческая биометрия идеально подходит для мобильных устройств благодаря продолжительному потоку данных и средств наглядности, которые мы можем собрать через многочисленные сенсоры на смартфонах, что недоступно при традиционном использовании веб-ресурсов. Технология является отличным инструментом для авторизации мобильных платежей, выполняемых со смартфонов.
Безопасность и удобство использования
Поведенческая биометрия помогает сделать аутентификацию промежуточным этапом процесса достижения пользователем желаемого результата, а не особым действием. Пользователи согласятся принять сложную аутентификацию, если она будет проста в использовании и – в особенности на мобильных устройствах – не потребует запуска и закрытия приложений на ходу, чтобы получить одноразовый код доступа.
Переход к мобильному банкингу означает, что время, затраченное на выполнение требований безопасности на старте каждой сессии особенно важно. Люди заходят в свои банковские учетные записи очень часто, чтобы быстро проверить баланс или произвести платеж. Провайдеры услуг не могут допустить, чтобы 30– или 60-секундные операции производились с аутентификацией. Пользователи заскучают и пойдут дальше. Онлайн-ритейлеры сражаются за клиентов – растущее количество оставленных корзин наносит ущерб их доходам и репутации. Хотя существует множество причин, по которым покупатели оставляют свои корзины, главными считаются громоздкий и затяжной процесс оплаты, а также неспособность пользователя запомнить пароль.
Это целая вселенная покупок в один клик, возглавляемая крупными интернет-ритейлерами, такими как Amazon и Apple, которые способствуют появлению больших надежд со стороны клиентов, когда речь заходит о банковских услугах. Если мы получаем определенный опыт в одной области нашей онлайн-жизни, мы ожидаем его повторения в другой, например, когда мы видим все большее размывание границ между банками или провайдерами платежей с такими новаторами, как Apple, PayPal и Google, конкурирующими в этой сфере. Эти компании преуспели в предоставлении клиентоориентированных услуг и построили свои бренды на данном преимуществе, а теперь вынуждают банки в большей степени ориентироваться на клиентов, чего те и требуют.
Прагматизм и восприятие
Разговор об удобстве использования связан с необходимостью безопасности. Пользователей должны встречать барьеры безопасности, которые будут соответствовать уровню риска, характерному для того, что они пытаются сделать. Никто не должен сталкиваться с уровнем безопасности Форт-Нокс[142], когда вполне подойдет велосипедный замок. Это будет новым поворотом, когда мы поймем, что социальные сети, такие как Facebook, тоже имеют виды на сферу платежей. У пользователей Facebook обычно не очень сложные пароли для входа в учетную запись. Чтобы загрузить фотографии с праздников и опубликовать обновление статуса, им и не нужен такой пароль. Однако средства индивидуализации, применяемые в социальных сетях, часто используются как точки входа для других сервисов (опция «войти с Facebook»), поэтому необходимо обеспечить, чтобы люди перенаправлялись на более сложный путь аутентификации, раз риск возрастает.
Другой интересный фактор, который следует держать в уме, – важность пользовательского восприятия безопасности. Хотя провайдеры услуг обычно стремятся обеспечить комфорт клиентам, возможна польза от того, что их прерывают. Мы можем получать удовольствие от преодоления барьеров в процессе получения доступа к некоторым услугам, кроме того, нам необходима убежденность, что система безопасна. Таким образом, борьба за удовлетворение потребностей потребителей продолжается. Мы – высокоорганизованные личности, и зачастую наши потребности конфликтуют с нашими возможностями. Эксперты по безопасности должны это понимать и соблюдать хрупкий баланс между безопасностью и удобством использования в зависимости от контекста процесса.
Безопасность не может стать решающим фактором, который мотивирует клиента предпочесть один банк другому. Это не область для конкуренции, а основа работы надежного сервиса и заботы о клиентах. При меньшем размере рынка в скандинавских странах банки смогли занять прогрессивную позицию в сфере борьбы с мошенничеством, направляя свои ресурсы на создание стратегии сотрудничества в этой области. Больший же размер рынка означает, что такую стратегию трудно воспроизвести, а значит, необходимо отказаться от конкуренции в области безопасности.
Прорывные технологии и инновации во имя инноваций могут использоваться в небольших сообществах первопроходцев, но банкам требуется технология, которая безболезненно интегрируется в их бизнес-модель без приостановки деловых операций и взаимодействия пользователя с сервисом. В отчете о розничных банковских услугах до 2020 г. PwC прогнозирует, что через четыре года «банки организуют себя вокруг клиентов вместо продуктов или каналов»[143]. Сильная и незаметная система безопасности, реализующая баланс максимальной безопасности с минимумом приостановок в деятельности, очень важна, потому что банки хотят предоставлять комфортное взаимодействие для пользователя и сервисы по всем направлениям деятельности.
Сверхбыстрый анализ текста в торговой стратегии
Маркус Шичо (Markus Schicho),
генеральный директор, Econob;
Карин Ходнигг (Karin Hodnigg),
продакт-менеджер, Econob
28 апреля 2015 г. стал черным днем для Twitter – одна пятая стоимости его акционерного капитала была уничтожена за какие-то минуты из-за твита, опубликованного на самом сервисе: «#СРОЧНО: Доход Twitter за I квартал не оправдывает прогнозы: $436 млн вместо ожидаемых $456,52 млн». Сообщение разочаровывало: прогнозы о доходах компании оказались ниже нижнего предела.
Практически сразу же трейдеры начали избавляться от акций компании – объемы продаж взлетели и цены упали. Это привело к временному прекращению торгов, что повлекло за собой лишь дальнейшее падение цен на акции. Миллионы акционерного капитала были уничтожены за минуты, что показано на рис. 1.
Этот пример демонстрирует впечатляющее влияние новостей на биржевые цены, незамедлительное и радикальное. И социальные сети могут быть еще более значимыми, когда речь идет о скорости влияния.
Компании должны публиковать свои финансовые отчеты ежеквартально. Эти цифры в одинаковой степени дают инвесторам и клиентам представление о их положении и деятельности. Деловые календари сообщают о датах публикации заранее. Однако компании обязаны сообщать о любых событиях, которые влияют на курс их акций в самое короткое время, предоставленное РИС (регулирующей информационной системой), чтобы успеть до того момента, как информация будет опубликована где-либо еще.
На первый взгляд, хорошие или плохие результаты, ожидания и курс акций имеют очевидную взаимосвязь, и поэтому влияние можно легко объяснить. Однако иногда ожидания бывают не такими уж несбыточными или убытки – предвиденными, так что ценовая структура не всегда может быть определена так однозначно. Рынки – гораздо более сложные структуры, чем кажется на первый взгляд, и волатильность предоставляет как риски, так и возможности.
Новости, которые выходят за рамки простых отчетов о финансовых результатах, привлекают большее внимание. Возьмем, к примеру, ситуацию в Греции в июне 2015 г. Борющийся и разрывающийся между надеждами и отчаянием рынок оказался очень неустойчивым под влиянием потока противоречивых новостей и твитов. В 2015 г. о Греции говорили много. Страхи и надежды выражались в заголовках в прессе, новостях по телевизору, отчетах и твитах. В Twitter публиковалось немыслимое количество сообщений о Греции, от сотен до тысяч твитов в минуту, которые часто в категоричной форме выражали противоположные мнения. Оптимистичные и обнадеживающие новости чередовались с очень негативными – все они появлялись с интервалом в минуту и оказывали сильное влияние на рыночные котировки.
Оперативное влияние
Новость – гораздо более глобальное сообщение, чем объявление, которое всего лишь содержит цифры. Новость включает в себя результаты анализа и отчеты, перспективы и сценарии «что, если», а не просто конкретные цифры. Именно новости в значительной степени способствуют формированию настроения на рынке, отношения общества к компаниям, странам и отраслям. Важно отметить, что не каждая новость способна «перевернуть» рынок. Но такие истории известны, что отражает огромную силу новостей. И в этом случае требуется каких-то несколько секунд до того момента, когда рынки начнут реагировать.
Предупреждения о том, что доходы не отвечают или превосходят ожидания, способны незамедлительно повлиять на курс акций. Если такие новости появляются во время торгов, может наступить хаос: как видно, одного твита было достаточно, чтобы уничтожить одну пятую стоимости акционерного капитала Twitter. Впрочем, следует добавить, что эффект усилился из-за слабых аналитических показателей и негативных ожиданий.
Читать бесплатно другие книги:
