Консалтинг и автоматизация в области управления
эффективностью банковского бизнеса

Публикации

Национальный банковский журнал (NBJ)

Прогнозирование на основе данных: как принимать правильные решения в условиях неопределенности

Существует распространенное заблуждение, что строить прогнозы во время высокой турбулентности - неблагодарное занятие. На деле все наоборот – использование обоснованных и детальных прогнозов повышает шансы показать достойный финансовый результат. Как в этом банку могут помочь инструменты прогнозной аналитики рассказывает Валерий Чаусов, генеральный директор компании Intersoft Lab.

Почему традиционные подходы к прогнозированию не работают

Эффективный управленческий подход предполагает своевременное предвидение перемен, выработку и оценку альтернатив развития. Он опирается на прогнозирование всевозможных сценариев развития ситуации, целей и результатов для принятия оптимальных решений. Задача прогнозирования - на основании предположений о качественном изменении ситуации дать количественную оценку будущих результатов и других финансовых показателей деятельности банка.

В благополучные времена управленческие решения, как оперативного, так и стратегического характера, принимаются на основе интуиции и анализа прошлой экономической ситуации. В условиях нестабильности традиционные прогнозные методики, использующие статистические методы обработки данных, перестают работать. При появлении множества новых факторов, влияющих на деятельность банка, качество таких прогнозов резко падает.

Чтобы обеспечить требуемую точность и аналитическую детализацию при расчете прогнозного состояния портфелей, необходимо использовать прогнозные модели, оперирующие сотнями значений первичных и производных риск-факторов. В то время как традиционные подходы к прогнозированию на основе электронных таблиц опираются на простые модели, использующие не более десятка экспертных оценок.

Помимо качества самих прогнозов, ужесточаются требования к частоте их подготовки: строить прогнозы необходимо, как минимум, на ежедневной основе.

Выход - передать задачу прогнозирования «машине» -специализированному программному обеспечению, использующему методы машинного обучения для прогнозирования значений факторов риска в требуемых аналитических разрезах, предоставляющему сервис для построения прогнозных моделей и сценариев прогнозирования на их основе, и отвечающему за расчет прогнозов. Это позволит преодолеть ограничения традиционного подхода, устранить человеческий фактор, ускорить сроки подготовки прогнозов, повысить детальность и реалистичность.

Преимущества использования моделей на основе методов машинного обучения в прогнозировании – в их способности обрабатывать большие объемы информации, не «захлебываясь» в деталях, обнаруживать скрытые закономерности и предсказывать поведение вторичных риск-факторов, быстро адаптируясь к изменениям первичных.

Почему необходима «машина прогнозирования»

Например, наиболее вероятный сегодня вариант развития ситуации – сохранение или постепенное повышение ключевой ставки, если инфляционное давление не ослабнет. Маловероятная, но возможная альтернатива - снижение ключевой ставки и, как следствие рост рисков розничного кредитования и оттока средств населения с депозитов.

Для банков поведение ключевой ставки - один из факторов для принятия решений по изменению ставок по основным банковским продуктам. «Машина прогнозирования» в составе RCPM-платформы «Контур» от Intersoft Lab позволяет смоделировать и «оцифровать» эти и промежуточные варианты, чтобы просчитать их влияние на состояние портфелей и производные финансовые показатели и заранее подготовиться к грядущим изменениям. Возможность оперативно принять такое решение обеспечивает банку стратегическое конкурентное преимущество, особенно в условиях низкой процентной маржи, с которой банки вынуждены мириться в последние годы.

При традиционном подходе на основе электронных таблиц нереально оперативно рассчитывать прогноз финансового состояния банка, используя несколько прогнозных моделей и десятки сценариев на их основе. Только для одного сценария, на основе которого рассчитываются позиции по договорам, число риск-факторов, которые необходимо спрогнозировать в детальной аналитике, достигает нескольких сотен. Задать их «вручную» – практически нереальная задача, которая многократно усложняется с ростом вариативности сценариев и количества прогнозных моделей.

Очевидно, что без серьезной автоматизации прогнозной функции не обойтись.

Для сравнения: «машина прогнозирования» на базе хранилища данных «Контур» готова за один день обсчитать десятки прогнозов по различным сценариям. Автоматизация дает возможность строить детальные прогнозы практически «на лету», тестируя самые невероятные гипотезы и моделируя множество сценариев.

Где будет полезна прогнозная аналитика

Оперативная поддержка решений в управлении тарифной политикой банка, о которой упоминалось выше, - только один пример, где прогнозная аналитика сегодня просто необходима. Инструменты прогнозирования и сценарного моделирования, поставляемые в составе платформе «Контур», могут найти применение практически во всех сферах банковской деятельности. Они будут полезны:

  • Риск-службам - для анализа и управления процентным, рыночным, кредитным и пр. рисками, а также для стресс-тестирования различных видов рисков и их корреляции при расчете экономического капитала.
  • Финансовому департаменту - для перехода к риск-ориентированной бюджетной модели и автоматического расчета ключевых показателей эффективности банка (чистая процентная маржи, RAROC, RAP и др.) с учетом макросценариев и чувствительности риск-факторов к макропараметрам.
  • Казначейству – для проведения GAP-анализа и стресс-тестирования ликвидности для переоценки буфера ликвидности при наступлении неблагоприятных событий и подготовки предложений по источникам финансирования в стрессовых ситуациях.
  • Руководству и акционерам банка - для оценки эффективности бизнеса с учетом рисков и принятия управленческих решений по аллокированию капитала по различным видам деятельности и пр.

Сколько займет внедрение

Уровень готовности данных, т.е. их доступность, качество (достоверность, полнота, актуальность и пр.) и историческая глубина - один из основных факторов, от которого напрямую зависят сроки автоматизация прогнозной функции. В этом смысле в идеальном положении находятся банки, которые построили корпоративные хранилища данных (КХД) и собрали в них данные по портфелям договоров. Так, если в банке эксплуатируется КХД на базе платформы хранилищ данных «Контур», внедрить инструменты прогнозной аналитики можно всего за нескольких месяцев.