Новые возможности бизнес-анализа портфеля клиентов банков: нейросетевые инструменты индустрии 4.0

Ештокин С.В.1
1 Институт проблем рынка РАН

Статья в журнале

Экономика, предпринимательство и право
Том 11, Номер 4 (Апрель 2021)

Цитировать:
Ештокин С.В. Новые возможности бизнес-анализа портфеля клиентов банков: нейросетевые инструменты индустрии 4.0 // Экономика, предпринимательство и право. – 2021. – Том 11. – № 4. – doi: 10.18334/epp.11.4.111875.

Аннотация:
В публикации рассмотрены возможности использования эмерджентных нейросетевых карт в бизнес-анализе портфеля клиентов банков. Представлены характеристики использования сквозных цифровых технологий в решении задачи развития знаний о клиентах кредитной организации. Описаны технологические основы эмерджентных нейросетевых карт, представлены алгоритм и практические основы их применения в бизнес-анализе портфеля клиентов банков. Констатируется, что в случаях, когда с применением нейросетевых карт осуществляется исследование определенного бизнес-процесса, то при заданных условиях данная задача может быть решена более точно и корректно, в сравнении с существующими технологиями аналогичной направленности. Обосновано, что данная технология является высокопроизводительным и надежным инструментом решения аналитических задач в автоматизированном режиме, а ее дополнительными преимуществами выступают возможность обработки различных типов информации, в сочетании с удобным для принятия качественных и результативных управленческих решений визуальным представлением данных.

Ключевые слова: Индустрия 4.0, кредитные организации, клиентский анализ, бизнес-анализ портфеля клиента, нейросети, карта Коханена, эмерджентные нейросетевые карты



Введение

В условиях исключительной остроты конкуренции на финансовых рынках лидерство получают те финансово-кредитные организации, которые сумели оптимизировать и рационализировать ключевые бизнес-процессы, включая такое исключительно важное направление, как работу с клиентами на основе обработки, анализа и учета комплексной информации о них.

Фундаментом клиентской работы в кредитной организации общепризнанно выступает получение максимально широких сведений о клиентах [1, 2] (Bakhmeteva, 2014; Lyamkina, 2019). Имеется ряд факторов, включая законодательные ограничения и запреты в сфере банковской тайны и работы с персональными данными, которые в некоторой степени сдерживают развитие системы клиентского бизнес-анализа. Однако основным сдерживающим фактором в данной связи видится все же недостаточное развитие теории и практики внедрения инструментальных технологий комплексной обработки информации о портфеле клиентов кредитных организаций.

Обеспечить существенное расширение имеющихся знаний о клиентах призваны новые цифровые технологии – феномены эпохи Индустрии 4.0, в том числе такие сквозные технологии цифровой экономики, как нейросети (самообучающиеся системы цифрового анализа и принятия решений, основанные, как правило, на векторных трансформациях массивов больших данных для последующей интеллектуальной обработки в режиме реального времени без привлечения человеческого труда [3] (Albawi, Mohammed, Al-Zawi, 2017)).

Среди перспективных направлений клиентской работы в кредитных организациях может быть выделена цифровая фасилитация бизнес-анализа портфеля клиентов для последующего применения в отношении ключевых клиентских групп типовых, алгоритмизированных решений в сфере управления лояльностью, развития продаж, обеспечения безопасности и по другим направлениям. Высокоточные и надежные (в части низкой вероятности отказов) технологические решения, например, такие как эмерджентные нейросетевые карты, при надлежащем применении могут обеспечить получение кредитной организацией многочисленных преимуществ в конкурентной борьбе благодаря сравнительно легкому получению качественных и глубоких знаний о своих клиентах.

В настоящей публикации будут рассмотрены возможности, направления и перспективы использования эмерджентных нейросетевых карт в бизнес-анализе портфеля клиентов банков.

Степень разработанности проблемы

Сфера применения эмерджентных нейросетевых карт в анализе клиентской базы (портфеля клиентов) кредитных организаций является достаточно новой как для российской науки, так и для практико-ориентированной деятельности, притом безотносительно отрасли экономики или публичного сектора, где она находит применение (следует оговориться, что, исходя из раскрытых ниже особенностей, наиболее актуальным представляется применение технологической инновации в организациях сервисной экономики).

В отечественной литературе теоретико-методические аспекты, связанные с возможностями применения эмерджентных нейросетевых карт в бизнес-анализе в коммерческом секторе, рассматриваются в трудах таких авторов, как П.А. Дроговоз, Т.Г. Садовская, В.А. Шиболденков [4] (Drogovoz, Sadovskaya, Shiboldenkov, 2016). Соответствующие исследования основываются на классических трудах зарубежных авторов по вопросам машинного обучения и распознавания образов, в частности таких как Г. Дебок, Т. Кохонен [5] (Debok, Kokhonen, 2001), С. Бишоп [6] (Bishop, 2006), С. Рассел, П. Норвиг [7] (Russel, Norvig, 2010). Представленные исследования, а также доведенные до практической реализации технологические разработки [8] (Otte, 2018) при этом не касаются клиентского анализа в кредитных организациях, а ориентированы преимущественно на предприятия сферы торговли. Несмотря на это, банки остаются одними из ключевых потенциальных потребителей технологии, что будет обосновано в настоящей публикации, а собственно трансформация технологии от ориентированной на сферу торговли, на услугу для финансового сектора, с концептуальных позиций не представляется затруднительной.

По имеющимся данным [9], аналитические решения в сфере автоматизации анализа и сегментации клиентов в современных условиях реализуют некоторые кредитные и микрофинансовые организации (МФО), такие как Сбербанк России, Банк Жилищного Финансирования, ипотечная компания «Росбанк Дом», МФО «МигКредит» и CarMoney. Соответствующие инновации внедряются также в других финансовых компаниях, включая одного из лидеров в сфере услуг онлайн-трейдинга Forex Club, а также некоторые коллекторские агентства.

Впрочем, достоверных сведений об уровне и, что более важно, результативности цифровизации направлений клиентской работы у данных организаций не имеется. С учетом того, что, по имеющимся публичным данным, в большинстве случаев проекты внедрения платформ для сегментации и анализа клиентов были реализованы в средине 2010-х годов, такие решения либо вовсе не опираются на сквозные технологии цифровой экономики, или основываются на устаревших инструментах и методах.

Современные банки и их место в Индустрии 4.0

Понятие «Индустрия 4.0» является научно-практической метафорой, позволяющей описать совокупность компаний, корпораций с высокой степенью цифровизации бизнес-процессов; цифровое обозначение отсылает, во-первых, к традиционному коду – способу описания версии программного обеспечения, компьютерной программы, а во-вторых, к четвертой промышленной революции.

Соответствующая нумерация получила широкое распространение преимущественно на Западе, в трактовках Всемирного экономического форума, руководствуясь которыми выделяются четыре промышленные революции, четвертая – современная из числа которых – началась в 2010-е годы и связана с активным внедрением киберфизических систем и цифровых технологий для масштабной модернизации всех сфер общественного бытия и предпринимательской деятельности с завоеванием новых уровней развития, прежде полагаемых недостижимыми при актуальном состоянии науки и техники. Концепция четвертой индустриальной революции и Индустрии 4.0 хронологически первой и, как представляется, в наиболее системном виде представлена в трудах К. Шваба [10] (Shvab, 2016).

Субъекты публичного управления Российской Федерации, совершенно справедливо осознавая несоответствие занимаемого нашей страной места в мировой экономике и глобальных мегатрендах научно-технологического развития, демонстрируют устойчивую приверженность стратегии ускоренной цифровизации бизнеса и публичного сектора, элементы которой, помимо прочего, нашли отражение в Национальной технологической инициативе (НТИ) [11]. Форсированное, но при этом не хаотичное, а системное развитие цифровизации призвано поспособствовать возврату ранее утраченных позиций отечественной экономики и ключевых ее отраслей в глобальной конкурентной борьбе, поддерживать и развивать имидж страны на внутренней и международной арене, решать целый спектр существующих социальных и экономических проблем. Важную роль в указанных процессах призваны играть научно-исследовательские организации и предпринимательские субъекты, конвергенция усилий которых во взаимодействии с государством должна образовать «тройную спираль» – институциональную среду для создания и расширенной мультипликации инноваций.

Банковская отрасль как в России, так и в зарубежных странах выступает одним из лидеров цифровизации, что подтверждают аналитические исследования [12] (Dudin, Lyasnikov, Makarov, Yandovskiy, 2017). Более того, в коммерческом секторе кредитные организации стали одними из первых потребителей достижений цифровизации – в этом смысле имеет место своеобразный лингвистический парадокс, в соответствии с которым пионерами и лидерами Индустрии 4.0 стали не промышленные предприятия, а финансовые организации, по своей природе относящиеся к сервисной экономике [13] (Mehdiabadi et al., 2020). Соответствующие явления обусловлены рядом объективных факторов:

– высочайшей интенсивностью конкурентной борьбы на финансовых рынках, где при минимальной маржинальности основных банковских услуг, выживают и развиваются те субъекты, в которых удалось комплексно и результативно оптимизировать основные управленческие и бизнес-процессы;

– наличием знаний и финансовых ресурсов, необходимых и достаточных для реализации проектов по масштабной цифровизации;

– обладанием достаточно широким опытом внедрения проектов автоматизации в предыдущие годы;

– собственно, наличием в распоряжении масштабных баз данных социально-экономической информации, которые при условии надлежащей обработки, в том числе с применением сквозных технологий цифровой экономики, могут предоставить рычаги и стимулы по обеспечению неуклонного роста конкурентоспособности кредитной организации.

В числе прорывных сквозных (то есть основанных на нескольких различных цифровых инновациях и (или) предназначенных для применения в несвязанных секторах экономики и социума) технологий цифровой эпохи, НТИ упоминает такие как распределенный реестр, системы облачного хранения информации и высокоскоростной интернет, интеллектуальная робототехника и в первую очередь – искусственный интеллект и самообучающиеся нейросети [14] (Altukhov, Dudin, Anishchenko, 2020).

Нейросети – это искусственный разум, при условии наделения способности к самообучению располагающий неограниченным потенциалом решения сложнейших задач [15] (Montavon, Samek, Müller, 2018), притом не только аналитического класса, но также и в части принятия управленческих решений (и даже если последняя задача, как правило, все еще вверяется человеку ввиду многочисленности цифровых рисков, то решение первой задачи будет всесторонне ей содействовать).

Технологически это скопление нейронов («рабочий слой» – объединение нейронов) – вычислительных единиц – математических узлов обработки информации, как правило, представленной в векторной форме, при определенной конфигурации, способствующей возникновению синергии взаимодействия, позволяющих идентифицировать определенные объекты и явления для осуществления последующих действий с ними. Во всех случаях в основе нейросетей лежит математическая модель – набор функций, как правило, представленный в матричном виде, запускающих и обеспечивающих осуществление вычислительных процессов в нейросети как комплексной вычислительной системе. Дополняет модель программное обеспечение и вычислительные мощности, с применением которых, собственно, осуществляется решение соответствующих задач в автоматизированном режиме [16] (Ketkar, 2017).

Данная система наделена способностью к самообучению, важнейшими результатами которого выступает установление наилучшей конфигурации нейронов и способа (схемы) аналитической обработки данных с их участием для оптимального решения поставленных задач как с позиции результата, так и с позиции расходуемых ресурсов (вычислительных мощностей, рабочего времени и проч.). «Живой» такая система может быть названа с высокой степенью условности (равно, как и разумной) – основная идея машинного самообучения заключается в том, что изначально определенный аналитический алгоритм автоматически корректируется как при нахождении на практике более оптимальных путей решения, так и по мере накопления информации по поводу недочетов и сбоев. Причем для непрерывного совершенствования алгоритмов необязательно совершать ошибки на практике – необходимо и достаточно «тренировать» нейросеть на решении типовых задач.

Нейросетевые технологии постепенно находят все более широкое применение в банковском секторе, способствуя, помимо прочего, реализации актуального тренда в трансформации кредитных организаций в диверсифицированные цифровые маркетплейсы [17] (Lizovskaya, Salikhova, Khalina, 2020).

Концепция цифрового маркетплейса, пионером внедрения которой в нашей стране стал Сбербанк России, заключается в комплексной интеграции финансовых, информационных услуг и многочисленных сервисов, от доставки товаров и транспортных услуг до полноценных интернет-магазинов. Применительно к сфере деятельности кредитных организаций подобная диверсификация бизнеса в несмежные направления деятельности еще несколько лет назад могла рассматриваться как идея, по меньшей мере странная, если не объективно вредная: риски от выхода в несмежные сферы бизнеса следовало рассматривать как не соответствующие контурам банковской деятельности. Однако в цифровую эпоху соответствующие направления сервисной деятельности попросту стали смежными, поскольку может быть обеспечено единство управления ими на основании цифровых платформ, основанных на применении сквозных технологий Индустрии 4.0.

Эмерджентные нейросетевые карты как многообещающая область практико-ориентированного применения современных нейросетей

Одной из перспективных технологий, потенциально разрешающей упомянутую во введении к настоящей публикации проблематику концептуального развития системы знаний о портфеле клиентов коммерческого банка, выступает технология эмерджентных нейросетевых карт (далее – ЭНК). Основная характеристика технологии заключается в том, что нейросети данного вида имеют высокий потенциал самообучения, который результативно сочетается со значительной продуктивностью систем. Как было показано в литературном обзоре, первоначальные разработки математических моделей, опосредующих функционирование ЭНК, были осуществлены еще в 1990-е годы – начале 2000-х годов. И уже во второй половине прошлого десятилетия на волне развития платформ-конструкторов для создания нейросетей, соответствующие идеи получили широкие возможности для практического воплощения.

Такое объединение нейронов (рабочий слой), как «карта» Т. Кохонена [18] (Jagtap et al., 2021), являющееся концептуальной основой современных эмерджентных карт (карта – характеристика особенностей визуального представления итоговых данных), представляет собой двухмерную сеть, основанную по принципу взаимосвязи соседних нейронов. Соответствующая особенность дает возможность нейросети данного типа (нейрокарте) воспроизводить и реплицировать образцы, опираясь на идентичность анализируемых свойств.

Алгоритм Т. Кохонена характеризуется таким безусловным преимуществом по отношению к другим графическим инструментам отражения сложной информации, как бесконечное число адекватно отражаемых образцов (ближайшие конкуренты по числу адекватно отражаемых образцов – такие технологии, как пиктографические и пиксель-кодированные формы, позволяют отражать не более 1 тыс. ед. образцов, а такой утилитарный инструмент, как таблицы Microsoft Excel – до ста). Алгоритм также лидирует по максимально адекватному числу отображаемых свойств (до 50, у конкурирующих технологий, как правило, не более 10–15) [4, 19] (Drogovoz, Sadovskaya, Shiboldenkov, 2016; Nanda, Sahoo, Chatterjee, 2017). К другим преимуществам технологии следует отнести возможность исследования внутри- и межгрупповых особенностей в организации данных.

Эмерджентность нейрокартам придает особое свойство нейронной сети, в которой при конструировании число нейронов задается на порядок более высокое, чем число изучаемых образцов [20] (Hu et al., 2020). Собственно, понятие эмерджентности проникает в ИТ-отрасль из теории систем, обозначая способность системы трансформировать простые элементы в сложную систему, наделенную такими свойствами, которыми не обладают ее элементарные компоненты, в том числе в простой арифметической совокупности. Особенностью применения алгоритма применений эмерджентных нейрокарт для решения задач различного класса выступает заведомое обеспечение высокого потенциала производительности системы и ее отказоустойчивости за счет дополнительных действий по изначальному конфигурированию нейросети и его корректировки, дополнительной проверки адекватности работы нейросети, отражению выходных данных как в виде одиночной (линейной) информации, так и в виде карт.

Иными словами, если с применением нейросетевых карт осуществляется исследование определенного бизнес-процесса, то при заданных условиях данная задача может быть решена более точно и корректно в сравнении с существующими технологиями аналогичной направленности.

Возможности и направления применения эмерджентных нейрокарт в бизнес-анализе клиентов кредитной организации

С применением эмерджентных нейрокарт последовательно могут быть цифровизированы этапы решения задачи анализа клиентского портфеля кредитной организации (рис. 1):

1) разработка классификаторов, справочников и технологий;

2) анализ и группировка клиентов;

3) идентификация категорий и подкатегорий клиентов кредитной организации;

4) наполнение кластеров конкретными данными клиентов;

5) применение целевых предложений и осуществление иных значимых действий.

Рисунок 1. Этапы решения задачи анализа клиентского портфеля кредитной организации с применением эмерджентных нейрокарт

Источник: составлено автором.

С позиций поставленной задачи, могут быть выстроены типологии клиентов банка (с помещением в них представителей – записей клиентской базы) по двум основным профилям и их сочетанию: (а) социально-финансовый; (б) поведенческий профиль клиента по типу 360о, что позволит сегментировать и ранжировать клиентский портфель кредитной организации с последующей разработкой и предоставлением соответствующим клиентам специфических предложений, услуг и др., а равно как совершением иных действий, имеющих приоритетный характер с позиций обеспечения интересов развития и неуклонного повышения конкурентоспособности кредитной организации.

Одним из важнейших преимуществ технологии выступает то, что с ее помощью возможно производить обработку не только текстовой, но и иной, например графической, аудиоинформации [21]. Это позволит при наличии соответствующих разрешений со стороны клиентов, в частности, использовать данные общения менеджеров с клиентами в виде исходной информации о клиентских профилях, которая представляется многократно более релевантной в сравнении с анкетными данными, включая записи, вносимые клиентскими менеджерами и операционными работниками по завершении общения с клиентами.

Технология также обладает таким преимуществом, как широкие возможности визуализации данных, которые в сочетании с удобным и крайне наглядным картографическим представлением информации превращают эмерджентные нейрокарты в крайне удобное средство для принятия широкого разнообразия управленческих решений.

На основании учета клиентских профилей могут быть результативно применены инструменты и методы:

– удержания клиентов;

– повышения клиентской лояльности;

– продажи новых продуктов, вовлечения клиентов в цифровую экосистему банка (при наличии таковой), а также партнеров банка (например, по кобрендинговым банковским картам, гибридизированным с картами лояльности);

– формирования патерналистских отношений клиента с банком (перевод на обслуживание членов семьи, друзей и знакомых; прохождение образовательных программ в банке; трудоустройство в банке самого клиента или его близких и знакомых с ориентацией на пожизненную приверженность кредитной организации);

– рационализации управления клиентскими рисками, в том числе принятия обоснованных решений по проверкам на соответствие законодательству по противодействию отмыванию денег и финансированию терроризма (ПОД/ФТ) на основании профилей клиентского риска.

Заключение

Применение нейросетей может обеспечить существенный прорыв в современных банковских технологиях, в том числе в особо чувствительной (с позиций законодательных и этических ограничений) и крайне сложной в целом для управленческой оптимизации сфере получения и обработки клиентской информации широкого спектра. В настоящей публикации рассмотрены основы и обоснован перспективный характер практического применения эмерджентных нейросетевых карт в бизнес-анализе портфеля клиентов банков. Технология может рассматриваться в качестве высокопроизводительного и надежного (отказоустойчивого) инструмента решения аналитических задач в автоматизированном режиме, а ее дополнительными преимуществами выступают возможность обработки различных типов информации (что обеспечит более высокую полноту и достоверность получаемой информации) и удобное для принятия качественных и результативных управленческих решений визуальное представление данных.

Активное внедрение технологии в банковскую деятельность вовсе не следует рассматривать как повод или основание для сокращения персонала или иных неблагоприятных действий, тем более что в сфере применения цифровых решений, как во фронтальной, так и во внутренней, банковской работы все еще наблюдается хроническая нехватка грамотных разработчиков и уверенных пользователей высокотехнологичных решений (которыми и призваны стать многие из тех банковских работников, кто на сегодня перегружен бумажной работой и интуитивными решениями в отношениях с клиентами). Порой затруднения в сфере цифровизации начинаются с постановки задач и разработки технических заданий. В этой связи особую ценность приобретают аналитические обзоры перспективных технологий цифровизации банковской деятельности, аналогичные представленному в настоящей публикации.


Источники:

1. Бахметьева Е.С. Повышение конкурентоспособности банков на основе клиентоориентированной стратегии. / дис.,.. канд. эконом. наук: 08.00.10. - М., 2014. – 160 c.
2. Лямкина О.Ю. Исследование влияния клиентской базы на конкурентоспособность банка // Экономика и предпринимательство. – 2019. – № 4(105). – c. 1141-1145.
3. Albawi S., Mohammed T.A., Al-Zawi S. Understanding of a convolutional neural network // 2017 International Conference on Engineering and Technology (ICET). Antalya, Turkey, 2017. – p. 1-6.– doi: 10.1109/ICEngTechnol.2017.8308186.
4. Дроговоз П.А., Садовская Т.Г., Шиболденков В.А. Использование эмерджентных нейросетевых карт в бизнес-анализе портфеля клиентов // Вестник компьютерных и информационных технологий. – 2016. – № 12(150). – c. 10-18. – doi: 10.14489/vkit.2016.12.pp.010-018.
5. Дебок Г., Кохонен Т. Анализ финансовых данных с помощью самоорганизующихся карт. / пер. с англ. - М.: АЛЬПИНА, 2001. – 317 c.
6. Bishop C.M. Pattern Recognition and Machine Learning. - New York: Springer, 2006. – 738 p.
7. Russel S.J., Norvig P. Norvig P. Artificial Intelligence. A Modern Approach. , 2010. – 1132 p.
8. Otte M. An emergent group mind across a swarm of robots: Collective cognition and distributed sensing via a shared wireless neural network // The International Journal of Robotics Research. – 2018. – № 9. – p. 1017-1061. – doi: 10.1177/0278364918779704.
9. Аналитика в финансовом секторе. Ads.loginom.ru. [Электронный ресурс]. URL: https://ads.loginom.ru (дата обращения: 01.03.2021).
10. Шваб К Четвертая промышленная революция. / пер. с англ. - М.: Эксмо, 2016. – 209 c.
11. Национальная технологическая инициатива. [Электронный ресурс]. URL: https://nti2035.ru (дата обращения: 01.03.2021).
12. Дудин М.Н., Лясников Н.В., Макаров А.Н., Яндовский А.Н. Инновационное развитие социально-экономических систем в условиях формирования институциональной среды. / Монография. - М.: Русайнс, 2017. – 190 c.
13. Mehdiabadi A. et al. Are we ready for the challenge of banks 4.0? Designing a roadmap for banking systems in industry 4.0 // International Journal. – 2020. – № 2. – p. 32. – doi: 10.3390/ijfs8020032.
14. Алтухов А.И., Дудин М.Н., Анищенко А.Н. Цифровая трансформация как технологический прорыв и переход на новый уровень развития агропромышленного сектора России // Продовольственная политика и безопасность. – 2020. – № 2. – c. 81-96. – doi: 10.18334/ppib.7.2.100923 .
15. Montavon G., Samek W., Müller K.R. Methods for interpreting and understanding deep neural networks // Digital Signal Processing. – 2018. – p. 1-15. – doi: 10.1016/j.dsp.2017.10.011.
16. Ketkar N. Recurrent Neural Networks. / In: Deep Learning with Python. - CA: Apress, Berkeley, 2017. – 79-96 p.
17. Lizovskaya V., Salikhova I., Khalina E. Marketing in Banking Sector and Digital Ecosystems // “New Silk Road: Business Cooperation and Prospective of Economic Development”(NSRBCPED 2019). 2020. – p. 790-794.– doi: 10.2991/aebmr.k. 200324.146.
18. Jagtap S.S. et al. A hypergraph based Kohonen map for detecting intrusions over cyber-physical systems traffic // Future Generation Computer Systems. – 2021. – p. 84-109. – doi: 10.1016/j.future.2021.02.001.
19. Nanda T., Sahoo B., Chatterjee C. Enhancing the applicability of Kohonen Self-Organizing Map (KSOM) estimator for gap-filling in hydrometeorological timeseries data // Journal of Hydrology. – 2017. – p. 133-147. – doi: 10.1016/j.jhydrol.2017.03.072.
20. Hu H.Y. et al. Machine learning holographic mapping by neural network renormalization group // Physical Review. – 2020. – № 2. – p. 023369. – doi: 10.1103/PhysRevResearch.2.023369.
21. Engle M.A. Predicting Rare Earth Element Potential in Produced and Geothermal Waters of the United States: Application of Emergent Self-Organizing Maps. Assessing rare earth element concentrations in geothermal and oil and gas produced waters: A potential domestic source of strategic mineral commodities. – 2018. – p. 75-105

Страница обновлена: 19.03.2021 в 16:08:46