Оценка цифровой трансформации в банковском секторе на основе когнитивного моделирования

Введение

На современном этапе экономического развития наблюдаются тенденции негативного характера, что выражается в замедлении национальных экономик, снижении инвестиционной привлекательности на фоне обострения торговых противоречий между странами. Особое влияние на макроэкономическую ситуацию оказала пандемия коронавируса, что выразилось во внешних и внутренних ограничениях предпринимательской и потребительской активности. В условиях замедления роста наличных денег в обращении, снижения доходов с одновременным умеренным ростом расходов актуализируются вопросы перехода на новые формы ведения бизнеса, а именно оказание услуг на основе цифровых технологий. На сегодняшний день повышенной восприимчивостью к использованию новейших прорывных технологий в сравнении с другими отраслями экономики обладает финансовый сектор, выступая драйвером цифровых преобразований современной экономики. Обладая высокой восприимчивостью к внедрению новейших технологий в свою деятельность, современные банки являются своего рода проводниками осуществляемой цифровой трансформации в сфере финансовых услуг. Целью исследования является выявление содержательных характеристик новейших информационных технологий, применяемых в банковской сфере, и предложение инструментария когнитивного моделирования для исследования процессов цифровой трансформации банковского сектора.

Моделирование процессов цифровой трансформации банковского сектора

Современная финансовая система и банковский сектор в том числе активно внедряют новейшие технологии осуществления банковских операций и совершенствования процессов [12] (Tretiakov, 2017). Современные банки активно формируют экосистемы, включающие многие ключевые сферы, такие как финансы, бизнес, здравоохранение, государственные услуги и т.д. Большая сеть организаций строится на единой технологической платформе, которая объединяет десятки цифровых сервисов упрощающих жизнь клиентов [3] (Borkova, Osipova, Svetlovidova, Frolova, 2019). Технология блокчейн, анализ больших данных, суперкомпьютеры, квантовые вычисления, интернет вещей и их программное обеспечение, искусственный интеллект, робототехника обеспечивают условия перехода к цифровым экосистемам, новым моделям ведения бизнеса. Это свидетельствует об опережающем по уровню и темпам продвижении цифровых и информационных технологий в финансовом секторе, который по данным показателям является лидирующим среди всех остальных отраслей. Развивая свои услуги, отечественные банки обеспечивают доступность финансовых услуг для организаций и частных лиц независимо от географических расстояний и других ограничений [11, 12] (Strelnikov, 2019). Одной из современных технологий, активно внедряемой в банковскую сферу, является биометрическая система, задачей которой является усовершенствование процесса предоставления финансовых услуг клиентам на основе биометрических данных [6] (Emets, 2019). Наряду с этим внедрение технологий искусственного интеллекта – Artificial Intelligence (AI) – позволяет улучшить взаимодействие с клиентами и сократить расходы [2] (Berdyshev, 2018). Многие крупные банки при помощи искусственного интеллекта собирают и обрабатывают данные клиентов в режиме реального времени, повышают уровень кибербезопасности, используют чат-боты, машинное обучение и другие средства, позволяющие при помощи автоматизации внутрибанковских процессов сокращать издержки на персонал за счет виртуальных помощников. Технология роботизации процессов Robotic Process Automation (RPA), или технология автоматизации процессов, при помощи специального программного обеспечения или программных ботов используется банками для автоматизации процессов и выполнения рутинных операций. Учитывая стремление банков предоставлять кастомизированные услуги, внедрение роботизации процессов является на сегодняшний день одним из актуальных направлений их технологической трансформации. По аналитическим данным, к 2023 году доходы от внедрения подобных технологий прогнозируются на уровне 4 трлн долл. [8] (Piskova, Orlova, 2019). Внедряемые технологии, приносят пользу и удобство, в то же время усиливаются и риски, в частности, основной угрозой является увеличение количества киберпреступлений [5] (Evdokimova, 2018). За последние несколько лет наблюдается рост киберпреступлений, ущерб от кибератак нанесенный мировой экономике оценивается примерно в один триллион долларов. Основные направления атак приходятся на системы межбанковских переводов, дистанционный банкинг, систему управления банкоматами. Главные объекты уязвимости – это устаревшее программное обеспечение, хранение данных в открытом виде, уязвимость веб-приложений. Банки заинтересованы в улучшении как существующих, так и в разработке и внедрении новых систем информационной безопасности. Действует комитет по информационной безопасности, в который входят такие компании, как «Лаборатория Касперского», «Доктор Веб», InfoWatch, цель которого разработка стандартов безопасности в данной сфере, обмен опытом, создание защитного программного обеспечения. Системы защиты необходимы для обеспечения гарантий безопасности клиента при оказании услуг, что позволит убедить клиентов в сохранности данных и привлечь новых клиентов. Результаты теоретических и прикладных исследований по проблеме цифровой трансформации банковской сферы указывают на то, что развитие информационной инфраструктуры современной организации напрямую зависит от объемов направляемых в эту сферу инвестиций. Стремясь повысить свою конкурентоспособность, крупнейшие банки осуществляют значительные финансовые влияния в развитие своей информационной инфраструктуры за счет развития собственных разработок и внедрения уже существующих [3] (Borkova, Osipova, Svetlovidova, Frolova, 2019). Цифровая трансформация современных банков, сопровождающаяся значительными объемами инвестиций в новейшие технологии и развитие собственной информационной инфраструктуры, актуализирует проблему учета множества факторов, в той или иной степени влияющих на эффективность функционирования банков в условиях наличия определенных внутренних рисков и внешних угроз. Также возникает необходимость оценки возможных сценариев развития ситуации после финансирования определенных направлений информационной инфраструктуры [1, 90] (Baranova, Dzheliloglu, 2019; Sergeeva, Chebotar, Kharlamov, 2020). Таким образом, ставится задача выявления факторов, поддающихся воздействию при помощи организационно-экономических механизмов с целью устойчивого развития и достижения заданных показателей эффективности. Одним из инструментов, позволяющим анализировать и моделировать проблемные ситуации, сопровождающиеся необходимостью учитывать большое количество факторов, часть которых плохо поддаются формализации, является когнитивное моделирование. Когнитивное моделирование применяется для получения новых знаний о некой сложной системе для прогнозирования возможных путей развития и управления системой [4] (Gorelova, 2019). Когнитивное моделирование подразумевает решение взаимосвязанных задач, таких как разработка когнитивной модели для идентификации системы; исследование структурных свойств системы; ее связности, устойчивости; сценарный анализ и принятие на основе анализа решений. Составление когнитивных карт позволяет анализировать трудно формализуемые факторы, углубленно изучить проблему и принять обоснованные качественные решения [7] (Omelchenko, Khrustalyov, 2011).

Выбор данного инструмента для моделирования деятельности организаций банковского сектора обусловлен возможностью включения в модель качественных факторов, наличием определенных рисков в условиях изменяющейся внешней среды. Реализация инструмента когнитивного моделирования происходит в несколько этапов. Вначале необходимо структурировать информацию, сформировать перечень базовых факторов и причинно-следственных связей между ними (табл. 1, 2). Выбранные факторы будут являться вершинами когнитивной карты, а для причинно-следственных связей выявляется их положительный или отрицательный характер и сила связи. Выбранные вершины могут быть абсолютными или измеримыми, например, прибыль, количество клиентов и т.д., и относительными или качественными, такие как уровень ИТ-инфраструктуры, обеспечение кибербезопасности и др. В данном случае были выбраны факторы, наиболее очевидные и характерные для современного банка, активно осуществляющего цифровые преобразования, выстраивающего собственные экосистемы либо скупая высокотехнологичные компании или создавая собственные [10] (Sirotkin, 2019). Выбранные вершины когнитивной карты представлены в таблице 1.

Таблица 1

Вершины когнитивной карты

Далее необходимо определить причинно-следственные связи между вершинами когнитивной карты, что является очередным этапом работы над составлением когнитивной карты. Эта информация представлена в таблице 2.

Таблица 2

Причинно-следственные связи между вершинами когнитивной карты

Далее, согласно технологии когнитивного моделирования, составляется матрица причинно-следственных связей, позволяющая оценить насколько используемые технологии могут соответствовать целям внедрения данных технологий (табл. 3), и при помощи программных средств для когнитивного моделирования строится когнитивная карта [13] (рис. 1).

Таблица 3

Матрица причинно-следственных связей (отношений) когнитивной карты

Рисунок 1. Когнитивная карта

Источник: составлено авторами (табл. 3 и рис. 1).

На втором этапе когнитивного моделирования проводится анализ когнитивной карты, а именно анализ циклов когнитивной карты и ее структурной устойчивости. Результаты анализа циклов когнитивной карты представлены в виде рисунков 2, 3. В общем виде когнитивная карта представляет собой ориентированный граф с множеством вершин, соответствующих множеству базисных факторов, которые для данной модели были выбраны ранее.

Рисунок 2. Определение циклов когнитивной карты, выделение одного из 200 положительных циклов модели

Источник: составлено авторами.

Рисунок 3. Определение циклов когнитивной карты, выделение одного из 59 отрицательных циклов модели

Источник: составлено авторами.

Вычислительный эксперимент на модели выявил в ней 259 циклов, из которых 200 циклов положительной обратной связи (циклы-акселераторы), и 59 циклов отрицательной обратной связи (циклы-стабилизаторы). Вывод: анализируемая система структурно устойчива, поскольку в ней существует нечетное число отрицательных циклов. С помощью программной системы возможно выделять все пути из любой одной вершины в любую другую. В качестве примера рассмотрим возможные пути достижения цели из вершины V₆ в вершину V₁, то есть рассмотрим возможности достижения прибыли за счет развития ИТ-инфраструктуры.

Рисунок 4. Выделение одного из положительных путей из вершины V₆ в вершину V₁

Источник: составлено авторами.

Рисунок 5. Выделение одного из отрицательных путей из вершины V₆ в вершину V₁ Источник: составлено авторами.

Всего в системе таких возможных путей 94. На рисунке 4 представлен вариант положительного (усиливающего) воздействия развития ИТ-инфраструктуры на прибыль, на рисунке 5 – вариант отрицательного (снижающего) воздействия развития ИТ-инфраструктуры на прибыль.

Посредством импульсного моделирования можно смоделировать и рассмотреть возможные сценарии развития предлагаемых ситуаций. На рисунке 6 и рисунке 7 в качестве примера приведены результаты моделирования по двум сценариям.

а) б)

Рисунок 6. Графики импульсных процессов при реализации сценария № 1

Источник: составлено авторами.

Сценарий № 1. Пусть в банковской системе успешно развивается ИТ-инфраструктура. Последствия этого моделируются путем внесения возмущения в вершину V₆. На рисунке 6 изображены графики импульсных процессов в вершинах когнитивной карты. Как видно из представленных графиков, внесение импульса в вершину V₆ привело к росту всех выделенных факторов, а риски имеют тенденцию к снижению. В связи с тем, что риски обязательно присутствуют, целесообразно промоделировать ситуацию, связанную с их ростом для определения возможных путей устойчивого развития организации. Сценарий № 2. Пусть в системе растут риски. Результаты моделирования представлены на рисунке 7.

а) б)

Рисунок 7. Графики импульсных процессов при реализации сценария № 2

Источник: составлено авторами.

Заключение

Анализ показал резкое снижение всех показателей, сценарий пессимистичный. В этих условиях необходимо выявить возможности снижения рисков. В данном исследовании на основе информации о затратах крупных банков на технологическую трансформацию и их уже известных результатов целесообразно предположить, что развитие инфраструктуры за счет дополнительных инвестиций позволит нивелировать риски. Рассмотрим возможность снизить риски за счет развития ИТ-инфраструктуры и увеличения инвестиций. Сценарий № 3. Пусть риски растут, но развивается ИТ-инфраструктура и увеличиваются инвестиции.

Таблица 4

Сценарий № 3. Результаты расчетов величин импульсов в вершинах когнитивной карты

На рисунке 8 изображены графики импульсных процессов, построенных по данным таблицы 4.

а) б)

Рисунок 8. Графики импульсных процессов при реализации сценария № 3

Источник: составлено авторами.

Сценарий оптимистичный, наблюдается рост всех показателей, инвестиции в информационные технологии и развитие ИТ-инфраструктуры окажут положительное влияние на все показатели в целом, но нужно обратить внимание на процессы роботизации и развитие новых сервисов.

В результате проведенного когнитивного моделирования и анализа возможных сценариев развития для выбранного примера выявлено, что применяемые в большинстве банков технологии положительно влияют на достижение целей функционирования организации. Также выявлено, что негативное влияние могут оказать возможные риски внешней среды, что подтверждается соответствующими расчетами и графиками, но инвестирование в развитие конкретного направления данные риски может нивелировать.

Проведенное моделирование и анализ результатов подтверждают, что в целом цифровые технологии повышают эффективность функционирования банков, проводимые ими мероприятия трансформируют банки в современные цифровые организации. Используемые технологии искусственного интеллекта, облачных вычислений, роботизация, система кибербезопасности позволяют осуществить переход к цифровым экосистемам, что существенно меняет не только модель функционирования банка, но и социально-экономические условия деятельности общества, формируя новые векторы развития экономики. Цифровизация, организация доступа к большим массивам данных и другие применяемые технологии предоставляют неограниченные возможности кастомизации предоставляемых услуг, учета индивидуальных особенностей клиентов, что позволяет в полной мере реализовать клиент-ориентированную модель ведения бизнеса.