Reforma regulacyjna sektora bankowego Wykorzystanie Big Data w bankowości 11 grudnia 2017
Agenda
Podejście do wykorzystania w biznesie oraz ryzyku Współpraca z FinTechami
Wymogi regulacyjne
2
Big Data Wprowadzenie Big data to zbiory danych tak duże, że nie można nimi zarządzać przy użyciu tradycyjnych technik baz danych
Big Data
Tradycyjne dane
Ilość
Terabajty/Petabajty/Zettabajty
Megabajty/gigabajty
Różnorodność
Nieustrukturyzowane (tekst, głos, video, sensory)
Ustrukturyzowane/relacyjne
Prędkość
Strumień danych
Dane statyczne
Prawdziwość
Nieoczyszczone/niezweryfikowane
Oczyszczone/zweryfikowane
Szacuje się, że aż 80% informacji występuje w zbiorach niestrukturalnych, natomiast nie są one wykorzystywane
3
Przykładowe typy danych Big Data Zróżnicowane źródła i poziom ustrukturyzowania
1
2
3
Dane biznesowe
Dane maszynowe
Dane ludzkie
Ustrukturyzowane
Semi-ustrukturyzowane
Nieustrukturyzowane
►
Logi
►
Marketing
►
Szczegóły połączeń
►
CRM
►
Dane sensoryczne
►
Dane transakcyjne
►
Cookies
►
Tabele relacyjne
►
Internet of Things
►
Geolokalizacja
4
►
Maile
►
Serwisy społecznościowe
►
Obrazy
►
Filmy
►
Dokumenty tekstowe
►
Nagrania CC
►
Dane biometryczne
Rozwój technologii Big Data Przetwarzanie nieustrukturyzowanych danych w trybie real-time Koncentracja na bezpieczeństwie, administracji, integracji i wybranych obszarach analiz
Wypracowanie pionierskich rozwiązań przez Google i Yahoo
2002
2004 - 2008
2009 - 2014
W CZASIE RZECZYWISTYM WSADOWY
Tryb przetwarzania danych
Skupienie na przechowywaniu i skali. Otrzymane rozwiązania nie posiadały jeszcze funkcji biznesowych Przypadki użycia w latach 2014-2017
2015 -
Koncentracja na kompletnym ekosystemie danych (Data Lake, silosy danych), integracji wielu różnych źródeł danych, zaawansowanej analityce, przykładach użycia
Przypadki użycia od 2017 roku Zapobieganie i kontrola strat (Analiza Predykcyjna)
Compliance
Pricing
Personalizacja Biometria
Analiza Ryzyka Analiza Fraudów (Machine Learning)
AML (Machine Learning) Analiza i wycena portfolio
Grafy Wiedzy(AI) Lojalność Analiza behawioralna klienta (Dane Sensoryczne) Analiza Data zabezpieczenia Lake
NLP i Analiza tekstu (AI)
AML Weryfikacja procesów
Ustrukturyzowane
Semi-ustrukturyzowane Zróżnicowanie danych
5
Prognozy Przestoju
Analiza logów Monitorowanie handlu
Analiza Trendów Ekonomicznych (Analiza Predykcyjna)
Big data stanie się motorem Internetu rzeczy (IoT). Wykorzystanie AI oraz danych ludzkich
Nieustrukturyzowane
Big Data Szanse, wyzwania i trendy
Szanse
►
Nowe typy danych i analiz
►
Ulepszenie dotychczasowych modeli poprzez wzbogacenie ich o nowe typy danych
S
►
Monitorowanie i zapobieganie oszustwom w czasie rzeczywistym
►
IoT, Personalizacja
►
Grafowe bazy danych umożliwiające widok klienta 360
Wyzwania ►
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
Trendy
6
W
►
Analiza w czasie rzeczywistym
►
Migracja do chmury
►
Blockckain i DLT
►
AI, Machine Learning
T
Wykorzystanie Big Data Wybrane obszary zastosowań
Obszar biznesowy
B
►
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
Obszar ryzyka ►
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
►
Kampanie marketingowe
Windykacja
►
Identyfikacja influencerów
►
►
Modele/algorytmy sentymentu
CRM analityczny na podstawie interakcji z klientami
7
R
Karty/algorytmy windykacyjne
Wykorzystanie Big Data Trzy przykłady w odniesieniu do cyklu życia klienta
Wartość klienta
Wartość obecna klienta (CLV) według czasu relacji z Bankiem
Czas
Pozyskanie klienta
Rozwój relacji
Ochrona relacji
1
2 Zarządzanie cenami
Anty-churn
3 Customer Lifetime Value
8
Retencja
Przykłady wykorzystania Big Data
1 Zarządzanie cenami
Korzyści Dedykowane oferty
►
Dodatkowa marża z tytułu zwiększenia ceny
►
Dodatkowy wolumen z tytułu obniżenia ceny
►
Zwiększenie współczynników akceptacji ofert
Dane Big Data ►
Dane transakcyjne
►
Logi z bankowości mobilnej i serwisów www
►
Cookies
►
Geolokalizacja
Populacja objęta bieżącym modelem cenowym Zwiększenie populacji po wdrożeniu nowego modelu cenowego
Cena po koszcie ryzyka
►
Główna koncepcja modelu
Nowy model cenowy
Dodatkowa marża (1)
Bieżący model cenowy
Dodatkowa marża (2)
Miara elastyczności cenowej
9
Przykłady wykorzystania Big Data 2 Anty-churn
Korzyści Podejmowania proaktywnych działań retencyjnych
►
Zwiększenie lojalności klientów dzięki kierowaniu dopasowanych ofert
►
Podniesieniu trwałości relacji z obecnymi klientami
►
Wzrost ilości poleceń
Wartość klienta
►
Główna koncepcja modelu
Czas Pozyskanie klienta
10
Dane CC
►
Logi z bankowości mobilnej i serwisów www
►
Dane transakcyjne
►
Standardowe dane CRM
Ochrona relacji
Proaktywny Anty-Churn
Dane Big Data ►
Rozwój relacji
Retencja
Reaktywny Anty-Churn
►
Modele predykcyjne
►
Zdarzenia i reguły eksperckie
►
Niski koszt
►
Wysoki koszt
►
Relatywnie duża populacja
►
Niewielka populacja
►
Zapobieganie przechodzeniu w fazę
►
Zapobieganie odejściu klienta
reaktywnego anty-churn
Przykłady wykorzystania Big Data 3 Segmentacja oparta na Customer Lifetime Value
Korzyści Dostosowanie ofert do obecnych i przyszłych potrzeb klienta
►
Identyfikacja klientów o potencjalnej wysokiej wartości
► ►
Kanały obsługi i komunikacji
A
Dopasowanie działań do wartości klienta Identyfikacja podobnych mikrosegmentów klientów
Dane Big Data
Typy personas Potrzeby i zachowania
►
Dane transakcyjne
►
Logi z bankowości mobilnej i serwisów www
►
Geolokalizacja
►
Serwisy społecznościowe
►
►
Oferta produkty
„X”
E
oferta X
B C
Obecna i przyszła wartość klienta dla Banku
Zapewnienie zgodności z potrzebami Optymalizacja względem wartości klienta klienta
► ► ►
11
Klienci / Segmenty
D potrzeby Produktowe
►
Główna koncepcja modelu
Produkty i rozwiązania Doradztwo Narzędzia Zarządzanie kontaktami Kampanie marketingowe
► ► ► ►
Ceny Kanały Usługi dodatkowe Strategia kliencka
Implementacja rozwiązań FinTech Możliwe ścieżki inkorporacji
Szanse
Współpraca
Wyzwania
Szanse ►
► ► ► ►
Niskie nakłady zasobów Wiedza ekspertów Rozwój know-how Tworzenie kultury innowacyjnej
Szanse
► ► ► ►
Wyzwania
Produkcja in-house ►
► ► ►
12
Wyłączność Skalowalność Lepsza kontrola nad technologią i zasobami
Dobór partnera Monetyzacja współpracy Bezpieczeństwo Brak wyłączności
► ► ►
Korporacyjne struktury organizacyjne Wysokie koszty Możliwy brak kompetencji Zwiększony time-to-market
► ► ►
Skupienie na współpracy z FinTech Wpływ na kształt rozwiązania Pozyskanie knowhow Skraca time-tomarket
Szanse
► ► ►
Wyłączność Nowe rynki/produkty i klienci Przejęcie know-how i kultury organizacyjnej
Wyzwania
Inwestycja
► ► ► ►
Wycena Wyjcie z inwestycji Brak wyłączności Bezpieczeństwo
Wyzwania
M&A
► ►
►
Wycena Integracja dwóch organizacji Utrzymanie talentów
Podejście banków europejskich Obszary zainteresowań i ścieżki inkorporacji Obszary zainteresowań od 2014 Inne: 10% Komunikacja: 5% Pożyczki alternatywne: 5% Płatności: 33%
AI / Cognitive Computing: 5% Robotyzacja: 7% Biometria: 7%
Blockchain: 20%
Cloud / Data Analytics / Big Data: 11%
Ścieżki inkorporacji obierane w wybranych obszarach (wyniki w %) Blockchain Współpraca
78
Inwestycja
M&A
4
12 2
Źródło: Opracowanie własne EY na podstawie publicznych raportów 14 wiodących banków europejskich 13
25
29
9 0
71
57
13
Produkcja in-house
Usługi uwierzytelniania
Cloud / Data Analytics / Big Data
0
Współpraca z FinTechami Szanse i zagrożenia
14
Banki i FinTechy w Polsce Wzajemne postrzeganie Elementy mające największy wpływ na rozwój innowacji finansowych (wyniki w %, łącznie dla banków i FinTech)
Rozwinięta współpraca uczestników rynku (w tym dużych banków ze start-upami FinTech)
65
Aktywna polityka państwa w zakresie kreowania sprzyjających warunków rozwoju tego sektora
42
Dostęp do finansowania nowych projektów
38
Strategiczne relacje biznesowe z bankami (wyniki w % dla sektora FinTech) 56
19
13
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
6
Banki są moją bezpośrednią konkurencją, z którą rywalizuję o klientów końcowych
6
Inne
Źródło: FinTech Poland. Obserwatorium.biz. Fintech w Polsce – bariery i szanse rozwoju. 15
Regulacje prawne Obszary zainteresowań
PSD2, KNF – rekomendacja D, komunikat o chmurze
RODO, e-Privacy Ochrona prywatności Zachowanie poufności
Regulacje AML/CFT Bezpieczeństwo danych i procesów
Obszary zainteresowań instytucji regulacyjnych RODO, KNF – rekomendacja W Audytowalność algorytmów Ryzyko wykluczenia cyfrowego
16
EBA RTS, PSD2 Podział odpowiedzialności Bezpieczeństwo Zakres usług sektora FinTech Tajemnica bankowa Third Party Ptovider
Regulacje prawne w sektorze FinTech Obszary 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
17
Dostosowanie regulacji do rozwoju FinTech
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
Identyfikacja barier dla rozwoju FinTech w Polsce i przygotowanie propozycji eliminacji
Liczba zidentyfikowanych barier regulacyjnonadzorczych
85
Planowane wprowadzenie Małych Instytucji Płatniczych (MIP) Kanad a
Wielka Brytania Szwajcaria Rosja
Malezja Singapur
Indonezja Australia
Źródło: KNF. Raport z prac Zespołu roboczego ds. rozwoju innowacji finansowych (FinTech). Listopad 2017. 18
Wpływ regulacji na zmiany biznesu PSD2 Schemat działania usługi dostępu do informacji o rachunku
Schemat działania usługi inicjowania płatności
Klient Bank A
Klient Bank klienta
Sklep internetowy
Dostawca Usługi Inicjowania Płatności
Bank B
Dostawca Usługi Dostępu do Informacji o Rachunku Bank sklepu internetowego
Bank C
Legenda Sytuacja obecna
19
Nowa możliwość po wprowadzeniu PSD 2
Schemat płatności
Kontakt
Robert Małysz Associate Partner +48 512 449 520
[email protected]
20
Dziękujemy za uwagę
21