Embed Size (px)
Citation preview
Reforma regulacyjna sektora bankowego
Wykorzystanie Big Data
w bankowości
11 grudnia 2017
2
Agenda
Podejście do wykorzystania w biznesie oraz ryzyku
Współpraca z FinTechami
Wymogi regulacyjne
3
Big DataWprowadzenie
Big data to zbiory danych tak duże, że nie można nimi zarządzać przy użyciu tradycyjnych technik baz danych
Szacuje się, że aż 80% informacji występuje w zbiorach niestrukturalnych, natomiast nie są one wykorzystywane
Big Data Tradycyjne dane
Ilość
Różnorodność
Prędkość
Prawdziwość
Terabajty/Petabajty/Zettabajty
Nieustrukturyzowane
(tekst, głos, video, sensory)
Strumień danych
Nieoczyszczone/niezweryfikowane
Megabajty/gigabajty
Ustrukturyzowane/relacyjne
Dane statyczne
Oczyszczone/zweryfikowane
4
Przykładowe typy danych Big DataZróżnicowane źródła i poziom ustrukturyzowania
Dane biznesowe Dane maszynowe Dane ludzkie
► Marketing
► CRM
► Dane transakcyjne
► Tabele relacyjne
► Logi
► Szczegóły połączeń
► Dane sensoryczne
► Cookies
► Internet of Things
► Geolokalizacja
► Maile
► Serwisy społecznościowe
► Obrazy
► Filmy
► Dokumenty tekstowe
► Nagrania CC
► Dane biometryczne
1 2 3
Ustrukturyzowane Semi-ustrukturyzowane Nieustrukturyzowane
5
Rozwój technologii Big DataPrzetwarzanie nieustrukturyzowanych danych w trybie real-time
W C
ZA
SIE
RZ
EC
ZY
WIS
TY
MW
SA
DO
WY
Ustrukturyzowane Semi-ustrukturyzowane Nieustrukturyzowane
Zróżnicowanie danych
Try
b p
rzetw
arz
an
ia d
an
ych
Weryfikacja procesów
AML
Compliance
Analiza Trendów Ekonomicznych(Analiza Predykcyjna)
Zapobieganie i kontrola strat(Analiza Predykcyjna)
Analiza i wycena portfolio
AML(Machine Learning)
Pricing
Monitorowanie handlu
Analiza logów
Analiza Fraudów(Machine Learning)
Analiza Ryzyka
Lojalność klienta
Prognozy Przestoju
Grafy Wiedzy(AI)
Analiza behawioralna(Dane Sensoryczne)
NLP i Analiza tekstu (AI)
Biometria
DataLake
Analiza zabezpieczenia
Personalizacja
Przypadki użycia w latach 2014-2017
Przypadki użycia od 2017 roku
2002 2004 - 2008 2009 - 2014 2015 -
Wypracowanie pionierskich
rozwiązań przez Google i Yahoo
Big data stanie się motorem Internetu
rzeczy (IoT). Wykorzystanie AI oraz
danych ludzkich
Skupienie na przechowywaniu
i skali. Otrzymane rozwiązania nie
posiadały jeszcze funkcji biznesowych
Koncentracja na bezpieczeństwie,
administracji, integracji i wybranych
obszarach analiz
Koncentracja na kompletnym ekosystemie
danych (Data Lake, silosy danych),
integracji wielu różnych źródeł danych,
zaawansowanej analityce, przykładach
użycia
6
Big DataSzanse, wyzwania i trendy
► Etyka i prywatność danych
► Zarządzanie danymi
► Jakość danych
► Łączenie danych
► Weryfikacja modeli uczących się
► Wydobycie istotnych elementów z posiadanych
danych
► Zmiany technologiczne
► Rosnący i zmienny strumień danych
► Nowe typy danych i analiz
► Ulepszenie dotychczasowych modeli poprzez
wzbogacenie ich o nowe typy danych
► Monitorowanie i zapobieganie oszustwom w czasie
rzeczywistym
► IoT, Personalizacja
► Grafowe bazy danych umożliwiające widok klienta
360
Szanse WyzwaniaS W
Trendy
► Analiza w czasie rzeczywistym
► Blockckain i DLT
T
► Migracja do chmury
► AI, Machine Learning
7
Wykorzystanie Big DataWybrane obszary zastosowań
Obszar biznesowy
► Segmentacja klientów na podstawie ich potrzeb oraz profili
behawioralnych
► Określanie wartości klienta (Customer Lifetime Value)
► Optymalizacja obecnych modeli ML
Sprzedaż
► Modele elastyczności cenowej
► Systemy rekomendacyjne (algorytmy x-sell oraz up-sell,
modele propensity)
► Modele anty-churn oraz skrypty
Marketing
► Spersonalizowane oferty lub reklamy na zewnętrznych
stornach internetowych
► Kampanie marketingowe
► Identyfikacja influencerów
► Modele/algorytmy sentymentu
CRM analityczny na podstawie interakcji z klientami
B
► Segmentacja klientów zgodna z segmentacją biznesową
Ryzyko kredytowe
► Karty scoringowe
► Modele ratingowe
Ryzyko operacyjne
► Modele/algorytmy anty-fraudowe
► AML
► Profile bezpieczeństwa
► Rating podatkowy
► Modele przestoju
► Optymalizacja obecnych modeli ML
Windykacja
► Karty/algorytmy windykacyjne
Obszar ryzykaR
8
Wykorzystanie Big DataTrzy przykłady w odniesieniu do cyklu życia klienta
Pozyskanie klienta Rozwój relacji Retencja
Czas
Wa
rto
ść k
lienta
Ochrona relacji
Wartość obecna klienta (CLV) według czasu relacji z Bankiem
Zarządzanie cenami
1
Anty-churn
2
Customer Lifetime Value
3
9
Przykłady wykorzystania Big DataZarządzanie cenami1
► Dedykowane oferty
► Dodatkowa marża z tytułu zwiększenia
ceny
► Dodatkowy wolumen z tytułu obniżenia
ceny
► Zwiększenie współczynników akceptacji
ofert
Korzyści
► Dane transakcyjne
► Logi z bankowości mobilnej
i serwisów www
► Cookies
► Geolokalizacja
Dane Big Data
Główna koncepcja modelu
Populacja objęta bieżącym modelem cenowym
Zwiększenie populacji po wdrożeniu nowego modelu cenowego
Cen
a p
o k
oszcie
ryzyka
Miara elastyczności cenowej
model cenowyDodatkowa marża (1)
Nowy model cenowy
Dodatkowa marża (2)
Bieżący
10
Przykłady wykorzystania Big DataAnty-churn
► Podejmowania proaktywnych działań
retencyjnych
► Zwiększenie lojalności klientów dzięki
kierowaniu dopasowanych ofert
► Podniesieniu trwałości relacji z obecnymi
klientami
► Wzrost ilości poleceń
Korzyści
Pozyskanie
klientaRozwój relacji Retencja
Czas
Wa
rto
ść k
lie
nta
Ochrona
relacji
► Zdarzenia i reguły eksperckie
► Wysoki koszt
► Niewielka populacja
► Zapobieganie odejściu klienta
Reaktywny Anty-Churn
► Modele predykcyjne
► Niski koszt
► Relatywnie duża populacja
► Zapobieganie przechodzeniu w fazę
reaktywnego anty-churn
Proaktywny Anty-Churn
► Dane CC
► Logi z bankowości mobilnej
i serwisów www
► Dane transakcyjne
► Standardowe dane CRM
Dane Big Data
Główna koncepcja modelu
2
11
Przykłady wykorzystania Big DataSegmentacja oparta na Customer Lifetime Value
Korzyści Główna koncepcja modelu
3
po
trze
by
Pro
du
kto
we
C
B
A
D
Kanały obsługi i komunikacji
Klienci / Segmenty
„X” E
Ofertaprodukty
oferta X
Typy personasPotrzeby i zachowania
Obecna i przyszła wartość klienta dla Banku
Optymalizacja względem wartości
klientaZapewnienie zgodności z potrzebami
klienta
► Produkty i rozwiązania
► Doradztwo
► Narzędzia
► Zarządzanie kontaktami
► Kampanie marketingowe
► Ceny
► Kanały
► Usługi dodatkowe
► Strategia kliencka
Dane Big Data
► Dane transakcyjne
► Logi z bankowości mobilnej
i serwisów www
► Geolokalizacja
► Serwisy społecznościowe
► Dostosowanie ofert do obecnych
i przyszłych potrzeb klienta
► Identyfikacja klientów o potencjalnej
wysokiej wartości
► Dopasowanie działań do wartości klienta
► Identyfikacja podobnych mikrosegmentów
klientów
12
Implementacja rozwiązań FinTechMożliwe ścieżki inkorporacji
WyzwaniaSzanse
► Dobór partnera
► Monetyzacja
współpracy
► Bezpieczeństwo
► Brak
wyłączności
► Niskie nakłady
zasobów
► Wiedza ekspertów
► Rozwój know-how
► Tworzenie kultury
innowacyjnej
Współpraca
WyzwaniaSzanse
► Korporacyjne
struktury
organizacyjne
► Wysokie koszty
► Możliwy brak
kompetencji
► Zwiększony
time-to-market
► Wyłączność
► Skalowalność
► Lepsza kontrola nad
technologią
i zasobami
Produkcja
in-house
WyzwaniaSzanse
► Wycena
► Wyjcie
z inwestycji
► Brak
wyłączności
► Bezpieczeństwo
► Skupienie na
współpracy
z FinTech
► Wpływ na kształt
rozwiązania
► Pozyskanie know-
how
► Skraca time-to-
market
Inwestycja
WyzwaniaSzanse
► Wycena
► Integracja
dwóch
organizacji
► Utrzymanie
talentów
► Wyłączność
► Nowe rynki/produkty
i klienci
► Przejęcie know-how
i kultury
organizacyjnej
M&A
13
Podejście banków europejskichObszary zainteresowań i ścieżki inkorporacji
Opracowanie własne EY na podstawie publicznych raportów 14 wiodących banków europejskich
Obszary zainteresowań od 2014
Ścieżki inkorporacji obierane w wybranych obszarach (wyniki w %)
Blockchain Cloud / Data Analytics / Big Data Usługi uwierzytelniania
78
13
9
0
57
29
12
2
71
25
4
0
Współpraca
Inwestycja
Produkcja in-house
M&A
Inne: 10%
Blockchain: 20%
Komunikacja: 5%
Pożyczki alternatywne: 5%
AI / Cognitive Computing: 5% Płatności: 33%
Cloud / Data Analytics / Big Data: 11%
Biometria: 7%
Robotyzacja: 7%
Źródło:
14
Współpraca z FinTechamiSzanse i zagrożenia
15
Banki i FinTechy w PolsceWzajemne postrzeganie
Źródło: FinTech Poland. Obserwatorium.biz. Fintech w Polsce – bariery i szanse rozwoju.
38
42
65Rozwinięta współpraca uczestników rynku (w tym dużych banków ze start-upami FinTech)
Aktywna polityka państwa w zakresie kreowania sprzyjających warunków rozwoju tego sektora
Dostęp do finansowania nowych projektów
Elementy mające największy wpływ na rozwój innowacji finansowych (wyniki w %, łącznie dla banków i FinTech)
6
6
13
19
56
Strategiczne relacje biznesowe z bankami (wyniki w % dla sektora FinTech)
Banki nie są moją bezpośrednią konkurencją, współpracuję z nimi i jestem dla nich bezpośrednim dostawcą
Banki nie są dla mnie konkurencją, ale z nimi nie współpracuję
Banki są moją bezpośrednią konkurencją, z którą rywalizuję o klientów końcowych, ale jednocześnie współpracuję z nimi
Banki są moją bezpośrednią konkurencją, z którą rywalizuję o klientów końcowych
Inne
16
Regulacje prawneObszary zainteresowań
Regulacje AML/CFT
Bezpieczeństwo danych
i procesów
Podział odpowiedzialności
Bezpieczeństwo
Zakres usług sektora FinTech
Tajemnica bankowa
Third Party Ptovider
Ochrona prywatności
Zachowanie poufności
Audytowalność algorytmów
Ryzyko wykluczenia cyfrowego
Obszary
zainteresowań
instytucji
regulacyjnych
RODO, e-Privacy
RODO, KNF – rekomendacja W EBA RTS, PSD2
PSD2, KNF – rekomendacja D, komunikat o chmurze
17
Regulacje prawne w sektorze FinTechObszary zainteresowań EBA i BCBS
Bariery regulacyjne, piaskownice regulacyjne
Ryzyko dla instytucji finansowych
Wpływ na model biznesowy instytucji
finansowych
Wpływ na AML/CTF
Zróżnicowanie regulacji w poszczególnych
krajach UE
Ochrona praw konsumentów
Dostosowanie
regulacji do
rozwoju
FinTech
18
Piaskownica regulacyjna
Zespół roboczy przy
KNF ds. rozwoju
innowacji finansowych
w Polsce
Przestrzeń dla innowacyjnych firm do rozwoju w ramach uproszczonych regulacji ► Szybka weryfikacja modelu
biznesowego
► Bezpieczeństwo – kontrola organu nadzoru
► Wymiana informacji pomiędzy środowiskiem biznesowym a regulacyjnym
► Umożliwienie rozwoju innowacji
Planowane
wprowadzenie Małych
Instytucji Płatniczych
(MIP)
Liczba
zidentyfikowanych
barier regulacyjno-
nadzorczych
85
Identyfikacja barier
dla rozwoju FinTech
w Polsce i
przygotowanie
propozycji eliminacji
Malezja
Singapur
Kanad
a
Indonezja
Australia
KNF. Raport z prac Zespołu roboczego ds. rozwoju innowacji finansowych (FinTech). Listopad 2017.Źródło:
Wielka Brytania
Szwajcaria
Rosja
19
Wpływ regulacji na zmiany biznesuPSD2
Klient
Dostawca Usługi Dostępu do Informacji o Rachunku
Bank A
Bank B
Bank C
Bank klienta
Schemat płatnościBank sklepu internetowego
Klient
Dostawca Usługi Inicjowania Płatności
Sklep internetowy
Sytuacja obecna Nowa możliwość po wprowadzeniu PSD 2
Legenda
Schemat działania usługi dostępu do informacji o rachunku
Schemat działania usługi inicjowania płatności
21
Dziękujemy za uwagę
