ВТБ доверится прогнозам машины
Кроме того, платформа позволит моделировать будущую структуру активов и обязательств, процентный доход и риск-метрики банка за счет использования моделей прогноза спроса клиентов на финансовые услуги банка и поведенческих моделей о реакции клиентов на изменение ценовых и экономических условий. Первые модели будут внедрены уже в этом году.
Платформа в перспективе позволит ВТБ получать более миллиарда рублей в год дополнительного процентного дохода за счет повышения точности прогноза метрик нормативной и физической ликвидности, процентного риска, достаточности капитала, а также позволит поддерживать оптимальную структуру баланса банка.
В пресс-службе ВТБ заявили, что MVP (минимальный жизнеспособный продукт) платформы уже готов. В 2022 г. начнется промышленная эксплуатация платформы, использующая базовые модели машинного обучения. В 2023 г. будет завершена разработка платформы на основе продвинутых поведенческих моделей.
"Платформа позволит реализовать дополнительный процентный доход за счет поддержания оптимальной структуры баланса банка. Задача платформы не в корректировке ставок в реальном времени, а в моделировании множества сценариев развития рынка с учетом поведения клиентов и конкурентов", - объяснили в пресс-службе ВТБ.
В пресс-службе Сбербанка сообщили, что одна из трех облачных платформ SberCloud - ML Space, в которой есть все инструменты для поддержки полного цикла разработки моделей, от загрузки и обработки данных, создания и обучения моделей до автоматического переноса модели в промышленную эксплуатацию.
Директор продуктовой стратегии группы Т1 Сергей Иванов отмечает, что такие решения невозможно приобрести под ключ, так как при формировании банковского баланса есть масса нюансов и особенностей, начиная с того, что в разных странах существуют различные требования национального регулятора, и заканчивая особенностями бизнес-моделей банка и его отраслевой направленностью.
"И модель, и дата-сеты, на которых предварительно обучают модели, любому банку придется либо разрабатывать самостоятельно, либо заказывать на стороне: использовать уже готовое не получится. Это в любом случае останется "индивидуальным" решением, которым конкуренты не смогут воспользоваться без значительной переработки и актуализации в соответствии с особенностями собственного бизнеса", - подчеркивает Сергей Иванов.
Он считает, что необходимость прогнозирования бизнес-будущего и выявления влияющих на него факторов уже вполне очевидна. "Поскольку это требует значительных финансовых ресурсов, массового использования, даже при очевидной практичности и востребованности подобного ML-решения, к сожалению, не будет. Эти решения останутся прерогативой крупных банков и вряд ли выйдут за рамки топ-10 отрасли", - отмечает Сергей Иванов.
Директор по отраслевым решениям для банков ИТ-компании "Крок" Василий Куць подчеркивает, что моделирование продуктов начинает набирать обороты в банковском секторе, но пока такие проекты на рынке единичны.
"Решения наподобие платформы ВТБ еще редки, но в дальнейшем имеют все шансы стать популярными, так как позволяют более глубоко и качественно анализировать массивы данных и учитывать факторы, которые человек может не заметить или упустить. Это, в свою очередь, позволяет банкам придумывать более релевантные продукты и услуги и таким образом сохранять или даже переманивать клиентов на высококонкурентном и уже в целом поделенном рынке. Классическое стратегическое планирование будет отходить на второй план, и у систем с машинным обучением будет полный карт-бланш, чтобы подтвердить свою эффективность", - считает Василий Куць.
Однако, отмечает он, подобные решения требуют современной инфраструктуры, и многим банкам понадобится модернизировать инфраструктурные активы.
"Скорее всего, подобные проекты будут нести кастомный характер, потому что они подразумевают интеграцию с определенными системами, которые у каждого банка индивидуальны. По этой же причине подобные проекты крупные банки будут реализовывать своими силами с привлечением сторонних ИТ-специалистов по схеме T&M", - подчеркивает Василий Куць.
