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