Driving Excellence in Risk Management

Méret: px

Mutatás kezdődik a ... oldaltól:

Download "Driving Excellence in Risk Management"

Krisztina Bognár
6 évvel ezelőtt
Látták:

1 Driving Excellence in Risk Management

2 Big Data gyakorlati alkalmazása Korai Előrejelző Rendszer

3 A Korai Előrejelző Rendszer Feladata A portfolióban levő problémássá váló elemek korai azonosítása EWS A problémákat okozó kockázatok beazonosítása End to End támogatás a kapcsolódó kockázatkezelési folyamatok kezelésére Rugalmas rendszerkörnyezet biztosítása a változásokhoz való alkalmazkodáshoz

4 Építőelemek Monitoring és kiértékelés Gyökérok elemzés Belső eszkaláció és feladatkezelés Ellenőrző listák és riportok Adat interface-ek Adatrögzítés és historikus elemzés Dokumentum generálás (pl. Kockázati Státusz Riport)

5 Korai előrejelzés és IFRS 9 EW Credit Quality Stage 1 Performing Asset Credit Quality Stage 2 Under Performing Asset Credit Quality Stage 3 Non - Performing Asset ECL = 12-month PD * PV of Cash Shortfalls ECL = Life Time PD * PV of Cash Shortfalls ECL = Life Time PD * PV of Cash Shortfalls

6 A rendszer célja Paraméterek Portfolio riportok Forrásrendszerek Korai Előrejelző Rendszer Döntés Jóváhagyott akcióterv Manuális adatrögzítés Ügyfél monitoring lap

7 A Big Data kiterjesztés

8 Big Data a Változó Banki Környezetben A mobil technológia előtérbe kerülésével az eddig magas belépési korlát a bankpiacon összezsugorodott A gyorsuló világban a változó fogyasztói szokások megértéséhez, és a hozzájuk való alkalmazkodáshoz az eddiginél sokkal gyorsabb analitikára van szükség, hogy megértsük a fogyasztói preferenciák változását A 0% közeli kamatkörnyezet és a QE politika miatt rengeteg pénz keres befektetést a világban Fintech cégek Erős ügyfélélmény fókusszal jönnek létre Legmodernebb technológiákat használják Nem szabályozottak Nincsenek legacy korlátaik Kicsik, gyorsak, rugalmasak Sok nem-banki versenytárs rendelkezik ilyen adatbázisokkal és iparági jellegéből adódóan gyors reagálást lehetővé tevő analitikával Nagy kereskedelmi cégek (Tesco, Alibaba, stb) Telekom cégek (pl Safaricom, Telenor, O2)

9 Requirements Lakossági és KKV hitelezés Extrém gyors piaci dinamika, a piaci siker a gyors reakciókészségtől függ Új technológiák, új ügyfél elvérésok, új ügyféltipusok új, még nem teljesen megértett vagy mérhető kockázatok Új belépők, új csatornák (mobil, FB, telkók, fizetési csatornák, stb.) Digitális Bank Omni-channel Adat vezérelt döntéshozatal Mesterséges Intelligencia Valós idejű analitika

10 A lakossági és KKV hitelezés oszlopai Nyereséges hitelezés OMNI CHANNEL Korai Előrejelzés Automatizált Folyamat CREDIT SCORING Alternativ adatforrások Innovativ és specializált termékek és csatornák

11 Új adatforrások és analitikus módszerek Elérhetővé válik az eddig nem bankoló populáció Jobb szegmentáció Erősebb scoring és egyéb kockázati modellek Új, adat és mesterséges intelligencia vezéreltebb birálati folyamatok Támogatja a folyamatos monitoringot

12 Az elemzés folyamata Adatgyűjtés Adatbázis kiterjesztés Elemzés & Együttműködés Tranzakció és kapcsolati háló elemzés Log és geolokáció elemzés Nem strukturált hírek az internetről Strukturált internet tartalom Iparági elemzések Témák, veszélyek Sentiment Scoring Interaktív dashboardok Sentiment elemzés Együttműködés

13 Hogyan terjeszti ki a Big Data a jelen tudásunkat? Komoly hozzáadott-érték új adatforrások bevonása révén A kiterjesztés Belső ügyfélinformáció Hitelnyilvántartó adatai Hírek és információ Hagyományos EW adatok: - Beszámolók - Ügyféltulajdonságok - Historizált pénzügyi adatok Hitelnyilvántartó: - Meglévő hitelek - törlesztések - Késedelmek Big data elemzés: - Gyors és naprakész információ - Részletes elemzés, tranzakciók, kapcsolatok, netes magatartás

14 Szöveg-bányászat: nem-strukturált adatok gyűjtése, pl hír site-ok, weboldalak, stb. Big data alapon a szövegek kontextusa is elemezhető. Ha cégnevek találhatók más szavak kontextusában, ez az információ csoportokba rendezhető (pl. jó és rossz hírek) Ez a módszer hatalmas információmennyiséget igényel, de a segítségével az elemzett cégek csoportokba rendezhetők (legjobbak, legrosszabbak, csoporttagok a csoportképzéshez) Bizonyos esetekben (pl korai előrejelző modell, KKV scorecard) nagyon komoly javulás mutatkozott a modell előrejelző erejében ügyfeleinknél (pl a Közel-Keleten) Több modell verziót célszerű futtatni a helyes kontextuális összefüggések leírásához A folyamatos használat során az elemzett cégről vagy a csoportról, ahova a cég tartozik megjelenő híreket lehet elemezni és folyamatosan kontextusba helyezni

Big Data alapú Scoring Híroldalakról nyerhető adatok (példa: Ajmal Perfumes) Adatbázis kiegészítés hírek alapján Nem-strukturált adatbázis kategorizált hír elemekkel A szövegbányászó algoritmus a jó

15 Big Data alapú Scoring Híroldalakról nyerhető adatok (példa: Ajmal Perfumes) Adatbázis kiegészítés hírek alapján Nem-strukturált adatbázis kategorizált hír elemekkel A szövegbányászó algoritmus a jó és rossz hírek között keres Üzleti/eladási növekedés és csökkenés Felvásárlás, ellenséges kivásárlás, stb A találatok felhasználása kombináljuk A meglévő Score-t A találatlistával A példa esetén komoly javulás volt elérhető 15

16 Az architektúra

17 1 Felső szintű Big Data architektúra Forrásrendszerek Végrehajtás Számlavezet ő Internet Bank Tranzakciók CRM & Call Center Adatgyűjté s Data Reservoir Data Factory Enterprise Data Store Real-Time Decisions Csatorná k ATM Ügyfél 360 nézet Social Media Információ feltárás Big Data Management Modeling & Predictive Mobil Bank Mobil Bank Call Center

18 SOURC ES 1 Oracle Big Data Management System Átfogó Információ Kezelés DATA RESERVOIR Adattárház Oracle Database Cloudera Hadoop Oracle NoSQL Oracle R Advanced Analytics for Hadoop Oracle R Distribution B Oracle Big Data Connectors Oracle Data Integrator Oracle Oracle Industry Adatbázis Models In-Memory, Multi-tenant Oracle Advanced Oracle Analytics Iparági modellek Oracle Oracle Spatial Advanced & Graph Analytics Big Data Appliance Exadata

19 Big Data alapú Korai Előrejelző Rendszer Esettanulmány

20 Adatvolumen Tranzakciók Kártya tranzakciók 60 millió megfigyelés Alap tranzakciók 100 millió megfigyelés Egyéb belső adatok Ügyfél tulajdonságok Kártya tulajdonságok Külső adatok Facebook aktivitás Több mint 500 oldal, 14 oldal kategória 13,4 millió felhasználó 3,75 millió comment 58,7 millió reakció

21 Második fázis Modell finomhangolás Ügyfelek Facebook ID-inek gyűjtése Külső adatbázisok szélesítése Belső adatforrások szélesítése (pl. geo-location) Ügyfél kapcsolati háló mélyebb elemzése graph technológiával Egyéb ügyfélszegmensekre is a rendszer bevezetése (premium banking, ingatlanfinanszírozás, stb) A korai előrejelző folyamat és az akciótervek mesterséges intelligencia alapú finomhangolása, az optimális folyamat eléréséhez

22 Loxon

23 Loxon Solutions Szoftvercég erős üzleti fókusszal a banki hitelezés és kockázatkezelés területén Erős üzleti termékek, piacvezető kockázatkezelési megoldásszállító a CEE régióban Alapítás: régió, 60+ ügyfél, 170+ szakértő Stabil üzleti konzulens csapat a Loxon termékek bevezetésére, kiegészítve helyi bevezető partnerekkel

24 Loxon Solutions 5 regionális iroda Budapest Bukarest Dubai Moszkva Rijád Budapest központ 60+ ügyfél 25+ országban Kelet-Közép Európa FÁK Közel-Kelet, Ázsia és Észak Afrika

25 Termékek és szolgáltatások Loxon Lakossági Hitelezés Loxon Vállalati Hitelezés Loxon Biztosíték Nyilvántartás Loxon Rating/Scoring Loxon Early Warning Loxon Behajtás Loxon Basel 2 / 3 Loxon IFRS Provision

International HBTF K&H Bank MKB Bank OTP Bank Provident Prominvestbank Raiffeisen Bank Austria

26 Fő Referenciák Abu Dhabi Islamic Bank Budapest Bank Banca Comerciala Romana Bank of Bahrain and Kuwait BRD (Groupe Societé Generale) CIB Bank Egyptian Arab Land Bank Erste Bank Habib Bank Ltd Home Credit International HBTF K&H Bank MKB Bank OTP Bank Provident Prominvestbank Raiffeisen Bank Austria Raiffeisen Bank Serbia Raiffeisen Bank Raiffeisen Bank Aval Raiffeisen Russia Takarékbank és Takarékpont Unicredit Bank

27 Köszönöm a figyelmet! Erni Tamás tamas.erni@loxon.eu

Hasonló dokumentumok

Big Data az adattárházban

Big Data az adattárházban A párbaj folytatódik? Néhány fontos Big Data projekt Cég Téma Adat Újfajta Mennyiség Saját adat? Típus Google Influenza Google I big I Előjelzés előjelzés Farecast Xoom Chicagoi