Почему сегодня актуально автоматизировать прогнозирование состояния банковских портфелей

О том, как без «магического кристалла» предсказать поведение клиентов и проработать сценарии реагирования на события, угрожающие финансовой устойчивости банка, - в материале эксперта Intersoft Lab.

Известные события вызвали всплеск клиентской активности. Вначале банковский сектор испытал массированный отток средств населения с вкладов. Затем, после взлета ключевой ставки прирост краткосрочных депозитов достиг рекордного исторического значения. Валютизация розничного депозитного портфеля приблизилась к минимальному с конца 2008 года уровню.

Параллельно из-за снижения спроса на фоне роста ставок, сокращения импорта и экономической неопределенности «поджалось» корпоративное и розничное кредитование, включая потребительские ссуды и ипотеку.

Такие «качели» в поведении клиентов - серьезное испытание для устойчивости любого кредитного учреждения. И хотя Банк России сегодня не видит необходимости в системной докапитализации кредитных организаций, регулятор не исключает, что отдельным банкам может потребоваться адресная докапитализация их собственниками.

Снижение экономической активности – это всегда сигнал к сокращению расходов, в том числе на информационные технологии. Не пойдут ли «под нож» проекты по автоматизации банковской аналитики, в том числе прогнозирования состояния банковских портфелей? Вопрос непраздный, особенно в свете обсуждаемых приоритетов импортозамещения. Формально, с точки зрения категорирования по экономической значимости, эти системы не находятся на первых позициях в списке ПО для импортозамещения.

Однако, чему учит сегодняшний день? Чтобы выигрывать в конкурентной борьбе, нужно молниеносно адаптироваться к изменениям на рынке. Для этого необходимо понимать, что определяет поведение клиентов, и, главное, уметь его предсказывать.

Например, по оценке Института прикладных экономических исследований поведение населения России в первом квартале этого года различалось по принадлежности к конкретному поколению. Поколение 1978-1985 годов рождения рассматривало происходящее как окно возможностей, а родившееся до 1978 года реагировали, как в 1993-1996 годы: обналичивали средства, «вкладывали» их в продукты питания и пр. Аналитики отмечают, что образ будущего за пределами сентября у «среднего россиянина» не сложился, и поэтому предполагают, что в дальнейшем он будет «придерживать деньги перед неизвестностью».

Конечно ИТ-системы не являются магическим кристаллом и не могут заглянуть в головы банковских клиентов. Но научить их распознавать скрытые поведенческие паттерны внутри каждой клиентской группы, чтобы более обоснованно прогнозировать реакцию вкладчиков и заемщиков на изменения макроэкономической ситуации вполне реально.

Макроэкономическими показателями, влияющими на поведение клиентов, выступают курсы валют, цены на недвижимость, уровень среднего дохода, инфляции и безработицы, величина реального прожиточного минимума и пр. Изменение этих индикаторов могут вызвать разные события: пандемия, обострение политической ситуации или угроза рецессии. В ответ группы контрагентов с общими характеристиками будут демонстрировать схожее поведение при выполнении долговых обязательств и в попытках сохранить сбережения.

Сопоставить изменения в макроиндикаторах и поведении клиентов, установить между ними связь - нередко «невидимую» - чтобы спрогнозировать, чего ожидать от каждого клиентского сегмента - задача, с которой отлично справится искусственный интеллект, заключенный в ИТ-систему.

Что для этого необходимо?

Во-первых, детальные данные о деятельности банка и его клиентах: полные и гранулярные, с большой исторической глубиной.

Во-вторых, специализированные инструменты прогнозирования. С их помощью можно настроить модели и сценарии прогнозирования, буквально за несколько часов предсказать ответное поведение клиентов и вычислить прогноз состояния ресурсов и важных бизнес-показателей: GAP-ликвидности, достаточность капитала и проч.

Сколько времени займет автоматизация прогнозирования?

Качество прогнозов определяется состоянием исходных данных: их доступностью, актуальностью, консистентностью и проч. Сегодня практически в каждом крупном банке эксплуатируется корпоративное хранилище данных (КХД). Поэтому для многих кредитных учреждений приятным сюрпризом может стать возможность решить прогностическую задачу за 2-3 месяца, при условии, что в КХД собираются детальные данные по портфелям договоров. Если данные в хранилище отсутствуют, потребуется дополнительное время на их сбор и выверку.

Очевидно, что просчитывать заранее с помощью инструментов прогнозирования все варианты возможного развития ситуации и готовить для каждого из них планы ответных действий вряд ли возможно и уместно. Но проработать базовые сценарии реагирования на события, угрожающие финансовой устойчивости банка, - вполне реально.

Автор: Юлия Амириди, заместитель генерального директора компании Intersoft Lab

Источник: Национальный банковский журнал (NBJ), рубрика «Аналитика и комментарии»