Финтех

В 2010 г. компания SAP выпустила свой продукт HANA, который является высокопроизводительной системой управления реляционной базой данных, загруженной в оперативную память. Платформа HANA поставляется с инструментами прогнозирования, включающими многочисленные алгоритмы и R-интеграцию. Она может быть интересной альтернативой разработке системы с нуля[138]. Oracle предлагает похожие платформы и решения, например колоночные прогнозы и концепции автоматизированного анализа данных[139].

Исследования и тестирование

Тестирование в настоящее время осуществляется на двух разных реальных наборах данных. Первый включает 3741 операцию, охватывающую семь лет одного текущего счета, а второй – 434 операций, полученных из статистики трехлетнего текущего счета. В рамках наборов данных можно взять последовательность, включающую информацию за два года в качестве входных данных, и сравнить результаты с существующими данными (см. рис. 2).

Алгоритмы прогнозирования тестировались на семилетних статистических данных. Было обработано пошаговое введение двухлетних данных, и финальные прогнозы сравнивались с реальными данными. Результат, показанный на рис. 2, получен из расчета стандартной модели (порядковая статистика). Видно, что прогнозы переоценивают негативные и позитивные тенденции, что может быть в дальнейшем скорректировано при помощи взвешенных оценок. Когда используются взвешенные оценки, разница между результатами тестирования на исторических данных и реальными данными может потребоваться, чтобы запустить на используемых весах алгоритм оптимизации. Таким образом можно задать оптимальный вес для каждого отдельного пользователя, но остается риск новых данных, которые должны учитываться и доминировать над старыми данными.

Размышления о бизнесе и интеграции

Интеграция с онлайн-банкингом может быть многообразной, как показывает структура ценообразования на рис. 3. Прогноз движения денежных средств, например, может стать источником для интеллектуальной семантической поисковой машины. Он также может быть частью серверных продуктов и так называемых частных финансовых управляющих (ЧФУ).

Структура ценообразования, указанная в таблице 2[140], может следовать обычным моделям «ПО как услуга»:

• предварительная плата взимается за установку системы. Благодаря требованиям к защите данных систему придется развертывать в центрах обработки данных с высокими требованиями безопасности или непосредственно в помещении банка. Также необходима высокая степень адаптации;

• ежемесячная или ежеквартальная комиссия за предоставление ресурсов может быть достаточно низкой и обеспечивать базовый уровень услуг и затрат на инфраструктуру. Если контракт предполагает автоматическое обновление возможностей, комиссия может оказаться выше;

• в конечном счете цены за проведение операций учитывают все запросы, направляемые на сервер прогнозирования, и постоянно выставляют счета, например, за тысячу запросов.

Использование прогнозной аналитики в МСБ

Согласно ряду интервью с руководителями МСБ, бухгалтерами по налогообложению, а также с управляющими банками и менеджерами по работе с клиентами, всем им нужна прогнозная аналитика. С одной стороны, она поможет принимать лучшие решения, с другой – поможет в борьбе с финансовой неграмотностью и предоставит владельцам и менеджерам наглядную визуализацию и понимание зависимостей и уровня сложности, а также позволит планировать будущие сценарии денежных операций.

Было бы интересно прогнозировать следующие цифры:

• движение денежных средств;

• влияние колебания обменного курса;

• спрос на специальные продукты, например количество возобновляемых кредитных линий, деривативные/хеджевые инструменты для специальных продуктов или валют.

Платформа прогнозирования должна быть обеспечена высокопроизводительным интерфейсом взаимодействия с внешними источниками данных.

• Макроэкономические данные. Пользователей системы могут попросить предоставить дополнительные данные, такие как геолокация, размер (доход, количество сотрудников), отрасль, обычное местоположение, а также отрасль производителей и клиентов. Эти исходные данные могут сформировать основание для загрузки приблизительных внешних макроэкономических данных в прогнозы.

• Системы хранения данных/бухгалтерские/ERP/CRM-системы. В зависимости от размера и отрасли компании должна применяться одна из этих систем. Их данные могут использоваться непосредственно в качестве необработанных входных данных для алгоритмов прогнозирования или – будучи агрегированными или результатом прогноза – формировать факторы при планировании сценариев.