Driving Excellence in Risk Management
Big Data gyakorlati alkalmazása Korai Előrejelző Rendszer
A Korai Előrejelző Rendszer Feladata
• A portfolióban levő problémássá váló elemek korai azonosítása
• A problémákat okozó kockázatok beazonosítása
EWS
• End to End támogatás a kapcsolódó kockázatkezelési folyamatok kezelésére
• Rugalmas rendszerkörnyezet biztosítása a változásokhoz való alkalmazkodáshoz
Építőelemek • Monitoring és kiértékelés • Gyökérok elemzés • Belső eszkaláció és feladatkezelés • Ellenőrző listák és riportok • Adat interface-ek • Adatrögzítés és historikus elemzés • Dokumentum generálás (pl. Kockázati Státusz Riport)
Korai előrejelzés és IFRS 9 EW Credit Quality
Stage 1
Credit Quality
Stage 2 Performing Asset
Stage 3 Under Performing Asset
ECL = 12-month PD * PV of Cash Shortfalls
Credit Quality
ECL = Life Time PD * PV of Cash Shortfalls
Non Performing Asset
ECL = Life Time PD * PV of Cash Shortfalls
A rendszer célja Paraméterek
Forrásrendszerek Korai Előrejelző Rendszer
Portfolio riportok
Döntés
Manuális adatrögzítés Ügyfél monitoring lap
Jóváhagyott akcióterv
A Big Data kiterjesztés
Big Data a Változó Banki Környezetben • A mobil technológia előtérbe kerülésével az eddig magas belépési korlát a bankpiacon összezsugorodott • A gyorsuló világban a változó fogyasztói szokások megértéséhez, és a hozzájuk való alkalmazkodáshoz az eddiginél sokkal gyorsabb analitikára van szükség, hogy megértsük a fogyasztói preferenciák változását
• A 0% közeli kamatkörnyezet és a QE politika miatt rengeteg pénz keres befektetést a világban • Fintech cégek • Erős ügyfélélmény fókusszal jönnek létre • Legmodernebb technológiákat használják • Nem szabályozottak • Nincsenek „legacy” korlátaik • Kicsik, gyorsak, rugalmasak • Sok nem-banki versenytárs rendelkezik ilyen adatbázisokkal és iparági jellegéből adódóan gyors reagálást lehetővé tevő analitikával
• Nagy kereskedelmi cégek (Tesco, Alibaba, stb) • Telekom cégek (pl Safaricom, Telenor, O2)
Requirements
Lakossági és KKV hitelezés
Extrém gyors piaci dinamika, a piaci siker a gyors reakciókészségtől függ Új technológiák, új ügyfél elvérésok, új ügyféltipusok – új, még nem teljesen megértett vagy mérhető kockázatok Új belépők, új csatornák (mobil, FB, telkók, fizetési csatornák, stb.) Digitális Bank Omni-channel
Adat vezérelt döntéshozatal – Mesterséges Intelligencia – Valós idejű analitika
A lakossági és KKV hitelezés oszlopai
Nyereséges hitelezés
Innovativ és specializált termékek és csatornák
OMNI CHANNEL
Korai Előrejelzés
Automatizált Folyamat
CREDIT SCORING
Alternativ adatforrások
Új adatforrások és analitikus módszerek
Elérhetővé válik az eddig nem bankoló populáció Jobb szegmentáció Erősebb scoring és egyéb kockázati modellek Új, adat és mesterséges intelligencia vezéreltebb birálati folyamatok Támogatja a folyamatos monitoringot
Az elemzés folyamata Adatgyűjtés
Tranzakció és kapcsolati háló elemzés Log és geolokáció elemzés Nem strukturált hírek az internetről Strukturált internet tartalom
Adatbázis kiterjesztés
Iparági elemzések Témák, veszélyek Sentiment Scoring
Elemzés & Együttműködés
Interaktív dashboardok Sentiment elemzés Együttműködés
Hogyan terjeszti ki a Big Data a jelen tudásunkat? Komoly hozzáadott-érték új adatforrások bevonása révén Belső ügyfélinformáció
Hitelnyilvántartó adatai
A kiterjesztés
Hírek és információ
Big data elemzés: Hagyományos EW adatok: - Beszámolók - Ügyféltulajdonságok - Historizált pénzügyi adatok
Hitelnyilvántartó: - Meglévő hitelek - törlesztések - Késedelmek
- Gyors és naprakész információ - Részletes elemzés, tranzakciók, kapcsolatok, netes magatartás
Szöveg-bányászat: nem-strukturált adatok gyűjtése, pl hír site-ok, weboldalak, stb. Big data alapon a szövegek kontextusa is elemezhető. Ha cégnevek találhatók más szavak kontextusában, ez az információ csoportokba rendezhető (pl. jó és rossz hírek) Ez a módszer hatalmas információmennyiséget igényel, de a segítségével az elemzett cégek csoportokba rendezhetők (legjobbak, legrosszabbak, csoporttagok a csoportképzéshez) Bizonyos esetekben (pl korai előrejelző modell, KKV scorecard) nagyon komoly javulás mutatkozott a modell előrejelző erejében ügyfeleinknél (pl a Közel-Keleten) Több modell verziót célszerű futtatni kontextuális összefüggések leírásához
a
helyes
A folyamatos használat során az elemzett cégről vagy a csoportról, ahova a cég tartozik megjelenő híreket lehet elemezni és folyamatosan kontextusba helyezni
Big Data alapú Scoring Híroldalakról nyerhető adatok (példa: Ajmal Perfumes) Adatbázis kiegészítés hírek alapján
Nem-strukturált adatbázis kategorizált „hír” elemekkel A szövegbányászó algoritmus a jó és rossz hírek között keres Üzleti/eladási növekedés és csökkenés Felvásárlás, ellenséges kivásárlás, stb…
A találatok felhasználása kombináljuk A meglévő Score-t A találatlistával
A példa esetén komoly javulás volt elérhető
15
Az architektúra
Felső szintű Big Data architektúra Forrásrendszerek
Végrehajtás
Számlavezet ő
Internet Bank
Tranzakciók Data Reservoir CRM & Call Center
ATM
Enterprise Data Store
Adatgyűjté s
Real-Time Decisions Információ feltárás
Social Media
Data Factory
Big Data Management
Csatorná k Ügyfél 360° nézet
Modeling & Predictive Mobil Bank
Mobil Bank Call Center
1
Oracle Big Data Management System Átfogó Információ Kezelés
DATA RESERVOIR
Adattárház Oracle Database
Cloudera Hadoop
Oracle Big Data Connectors
Oracle NoSQL Oracle R Advanced Analytics for Hadoop Oracle R Distribution
Oracle Advanced Oracle Spatial & Analytics Graph Exadata
SOURC ES
Big Data Appliance
B
Oracle Data Integrator
Oracle Adatbázis Oracle Industry Models In-Memory, Multi-tenant Oracle Advanced Oracle Iparági modellek Analytics
1
Big Data alapú Korai Előrejelző Rendszer Esettanulmány
Adatvolumen Tranzakciók
Egyéb belső adatok
Kártya tranzakciók
60 millió megfigyelés Alap tranzakciók
• 100 millió megfigyelés
Ügyfél tulajdonságok
Kártya tulajdonságok
Külső adatok Facebook aktivitás • Több mint 500 oldal, 14 oldal kategória
• 13,4 millió felhasználó • 3,75 millió comment
• 58,7 millió reakció
Második fázis • Modell finomhangolás •Ügyfelek Facebook ID-inek gyűjtése
•Külső adatbázisok szélesítése •Belső adatforrások szélesítése (pl. geo-location) •Ügyfél kapcsolati háló mélyebb elemzése graph technológiával • Egyéb ügyfélszegmensekre is a rendszer bevezetése (premium banking, ingatlanfinanszírozás, stb) • A korai előrejelző folyamat és az akciótervek mesterséges intelligencia alapú finomhangolása, az optimális folyamat eléréséhez
Loxon
Loxon Solutions • Szoftvercég erős üzleti fókusszal a banki hitelezés és kockázatkezelés területén • Erős üzleti termékek, piacvezető kockázatkezelési megoldásszállító a CEE régióban • Alapítás: 2000. • 3 régió, 60+ ügyfél, 170+ szakértő • Stabil üzleti konzulens csapat a Loxon termékek bevezetésére, kiegészítve helyi bevezető partnerekkel
Loxon Solutions • 5 regionális iroda
•Budapest
•Bukarest •Dubai •Moszkva
•Rijád • Budapest központ • 60+ ügyfél 25+ országban
•Kelet-Közép Európa •FÁK •Közel-Kelet, Ázsia és Észak Afrika
Termékek és szolgáltatások • Loxon Lakossági Hitelezés • Loxon Vállalati Hitelezés • Loxon Biztosíték Nyilvántartás • Loxon Rating/Scoring • Loxon Early Warning • Loxon Behajtás
• Loxon Basel 2 / 3 • Loxon IFRS Provision
Fő Referenciák • • • • • • • • • • • •
Abu Dhabi Islamic Bank Budapest Bank Banca Comerciala Romana Bank of Bahrain and Kuwait BRD (Groupe Societé Generale) CIB Bank Egyptian Arab Land Bank Erste Bank Habib Bank Ltd Home Credit International HBTF K&H Bank
• • • • • • • • • • •
MKB Bank OTP Bank Provident Prominvestbank Raiffeisen Bank Austria Raiffeisen Bank Serbia Raiffeisen Bank Raiffeisen Bank Aval Raiffeisen Russia Takarékbank és Takarékpont Unicredit Bank
Köszönöm a figyelmet! Erni Tamás +36 703169268
[email protected]