Будущее банков. Технотренды в банковской сфере

Конкурентным преимуществом для банка становится не только персонализация предложений, но также канал и способ обмена информацией между клиентами и банком. От банка клиент ждет простоты и комфорта взаимодействия. Согласно недавно опубликованному отчету компании The Boston Consulting Group, в России только 7% клиентов предпочитают очное общение с банком, остальные взаимодействуют с банком либо исключительно по цифровым каналам, либо сочетая оба способа. Значит, банкам нужны цифровые каналы, простые в использовании и быстро, желательно мгновенно, реагирующие на запросы.

Для этого удобны мессенджеры и чаты, встроенные в web-сайт и мобильные приложения. Они могут существенно способствовать оперативности ответов на вопросы клиентов и снять значительную часть нагрузки с операторов call-центров и консультантов. Перспективное направление — чат-боты с использованием искусственного интеллекта, которые могут не только воспроизводить типовые ответы, заложенные человеком в автоматизированную систему, но и вести интерактивный диалог с клиентом, самостоятельно генерируя ответы на основании данных из различных источников. На долю человека остается только наполнение данными справочников, к которым обращается искусственный интеллект, и забота о своевременном их обновлении.

При внедрении подобных инструментов коммуникации с клиентами важно найти оптимальную границу между автоматизацией и ручной обработкой запросов. На данный момент чат-боты не так совершенны, чтобы давать ответ на любой вопрос. Для сложных случаев должна быть предусмотрена возможность оперативно транслировать вопрос компетентному специалисту.

Естественно, анализ огромного объема информации, который необходим для решения указанных задач, невозможно выполнить вручную. Необходимы технологии Data Mining, машинного обучения, искусственного интеллекта.

«А ты можешь узнавать людей по голосу?» — «Да, и даже по шагам…»

Удаленная биометрическая идентификация клиентов — еще один из технотрендов банковской сферы. С одной стороны, она упрощает жизнь клиента, с другой — обеспечивает новый уровень защиты, поскольку подделать биометрические данные в разы сложнее, чем подобрать/ украсть пароль или PIN-код.

Ряд крупных банков на Западе уже успешно применяют удаленную идентификацию по отпечатку пальца, сетчатке глаза, лицу, голосу, используя эти методы по отдельности или в комбинации. В нашей стране обсуждаются пути реализации платформы удаленной идентификации, которая позволит гражданам совершать операции в разных банках и на портале госуслуг — прорабатывается соответствующий законопроект, ведутся работы по развертыванию технической платформы. Скорее всего, это будет облачный сервис на базе Ростелекома, предоставляющий подключенным к нему банкам возможность бимодальной идентификации клиентов — по лицу и голосу.

Не дожидаясь запуска платформы, некоторые банки внедряют у себя технологию идентификации по лицу. Например, Тинькофф Банк предполагает с ее помощью анализировать клиентскую базу для выявления признаков мошенничества и верифицировать по фотографии клиентов, подавших заявку на получение кредита. В дальнейшем планируется интегрировать эту технологию в мобильное приложение, чтобы повысить безопасность онлайн-платежей. Банк «Открытие», в свою очередь, предполагал за счет распознавания клиентов по лицам повысить скорость обслуживания: как только клиент заходит в отделение, сотрудники сразу узнают его статус (новый, пользователь стандартного пакета, VIP и т.д.) и могут предложить адекватные продукты и сервисы. А Почта Банк, который первым из российских банков начал идентифицировать клиентов по фотографии, теперь стал идентифицировать по лицу также собственных сотрудников, получающих доступ к бизнес-приложениям.

Искусственный интеллект: доверяй, но проверяй

Формирование персонализированных предложений, автоматизированная поддержка интерактивного диалога с клиентом, распознавание лиц невозможны без машинного обучения и искусственного интеллекта.

Говорить об использовании машинного обучения и искусственного интеллекта как о новой тенденции, конечно, нельзя. Например, в банковской сфере машинное обучение хорошо себя зарекомендовало в деле выявления и предупреждения фрода, но пока это единичные примеры. Препятствием к более широкому внедрению машинного обучения и искусственного интеллекта в практику является нехватка профессионалов в области исследования данных — Data Science. Data Scientist — это тот специалист, который понимает, как применить математические алгоритмы к решению конкретной бизнес-задачи. Подготовка таких специалистов — одна из наиболее актуальных задач, и ей начинают заниматься и вузы, и коммерческие структуры. Ведущие банки тоже вносят свой вклад в этот процесс, организуя лаборатории, институты наставничества и т.п. По мере появления таких специалистов мы увидим более широкое и результативное применение технологий машинного обучения и, более широко, искусственного интеллекта.

Впрочем, сразу оговоримся: не стоит ожидать, что эти технологии полностью заменят человека, более того, едва ли стоит к этому стремиться. И скорее всего применение методов искусственного интеллекта (в том числе машинного обучения как раздела этой дисциплины) должно будет как-то регулироваться.

Поясним.

Машинное обучение допускает два способа работы с данными. Их можно анализировать с помощью предварительно настроенных сценариев (скриптов). Логику этих сценариев (в том числе критерии выбора данных для анализа) задают и при необходимости корректируют эксперты — те самые Data Scientists. В результате мы получаем информацию о том, как те или иные факторы (группы факторов) влияют на нужные нам показатели.

Но машинное обучение (искусственный интеллект) можно применять и для выявления связей и закономерностей, не очевидных ни для одного специалиста, попросту говоря, неожиданных. Влияют ли политические события на количество попыток мошенничества в системе ДБО? Влияет ли время года на количество транзакций по картам и как? Логику анализа для выявления таких закономерностей эксперт задать не может, поскольку не знает, могут ли они существовать вообще. В этом случае машина сама вырабатывает логику по своим, автоматически создаваемым критериям. При этом для человека она остается непонятной. И если предоставить машине право принимать решение о тех или иных действиях на основе найденных закономерностей, последствия могут быть непредсказуемыми. Уже сегодня такие деятели, как Илон Маск и Стивен Хокинг, предупреждают об опасностях, которыми может грозить людям предоставленный самому себе искусственный интеллект.

Кроме того, нельзя исключать возможности несанкционированного вмешательства в работу математических алгоритмов. И это тоже требует человеческого контроля результатов работы искусственного интеллекта.

Все для вас, здесь и сейчас

Стремясь расширить спектр предложений для клиентов, ведущие банки постепенно превращаются в нечто большее, чем кредитно-финансовые учреждения, — их клиентам становятся доступны не только банковские услуги.

Давно перестали быть диковинкой кобрендинговые программы банков с представителями других индустрий — авиакомпаниями, торговыми сетями, сетями автозаправок, сотовыми операторами, — которые позволяют клиентам накапливать и тратить бонусные баллы по своему усмотрению.

Относительно новый тренд — создание крупными банками виртуальных мобильных операторов (MVNO) на базе сетей действующих сотовых операторов. Благодаря этому клиенты могут получить, как минимум, более выгодные тарифные планы, а возможно даже гарантию качества связи в нужный момент. Банк, в свою очередь, имеет шанс оптимизировать часть расходов по мобильному обслуживанию клиентов, а также привлечь новых. Несколько крупных российских банков уже объявили о планах по созданию MVNO либо рассматривают такую возможность.

Сами сотовые операторы не первый год оказывают финансовые услуги, с учетом этого конвергенцию банковского и операторского бизнеса, по крайней мере в розничном сегменте, можно считать оформившейся тенденцией. Но действующих проектов банковских MVNO в России еще нет, и вопрос об оптимальной бизнес-модели сотрудничества пока открыт. Кроме того, на данный момент известно только об одном операторе, заключающем с банками договоры об MVNO — Tele2, достоверной информации о планах остальных нет. Но в конце концов возможны и другие формы альянсов.

Кроме того, банки смотрят в сторону других небанковских услуг. Ближе всего — услуги страхования. Делаются также шаги по выходу на рынок SaaS, когда банк заключает договор с производителем ПО, у которого есть облачные сервисы, и предоставляет их от своего имени. Так, Сбербанк заключил недавно соглашение с корпорацией Microsoft, согласно которому банк будет предлагать корпоративным клиентам в сегменте малого и среднего бизнеса облачные сервисы Office 365. А, например, Тинькофф Банк, используя знания о своих клиентах, предоставляет торговым предприятиям возможность формирования таргетированных предложений cash-back.

Бизнес в бирюзовых тонах

На данный момент не так уж много людей знакомо с понятием «бирюзовая организация», но можно ожидать, что довольно скоро этот термин будет у всех на слуху. Его появлением мир обязан книге Фредерика Лалу «Открывая организации будущего». По сути, речь идет о расширении принципов Agile на управление деятельностью компании в целом.

Напомним: изначально Agile возник как набор подходов к разработке ПО. В его основе — принципы командного взаимодействия, вовлеченности каждого сотрудника в процесс решения общей задачи, отсутствия формализма, скорости и гибкости реагирования на изменения текущей ситуации. Теперь философия Agile становится основой бизнес-культуры больших компаний. 

Пожалуй, наиболее яркий пример в российской банковской сфере — программа Sbergile, запущенная в Сбербанке. Согласно программе, основной рабочей единицей становится кросс-функциональная команда (10–12 человек), которой передается максимум полномочий для самостоятельной разработки продуктов и сервисов, отвечающих запросам клиентов. Эта команда обладает всеми необходимыми для этого навыками, использует гибкие методы разработки и инструменты автоматизации внедрения. А главное, члены команды не боятся открыто обсуждать проблемы, вносить собственные предложения и брать на себя ответственность.

Команды, объединенные вокруг одной бизнес-цели, объединяются в трайб. У каждого трайба есть куратор в лице члена правления банка.

Вместо выполнения долгосрочных проектов команды работают в ограниченных промежутках времени (спринтах). По истечению этого срока к продукту или сервису добавляется новый функционал. Для синхронизации рабочего процесса по ходу спринта выполняются определенные процедуры (например, в формате коротких встреч), в ходе которых корректируются текущие планы.

По той же философии начинают строиться не только процессы создания банковских продуктов, но и отношения с клиентами. В нескольких «бирюзовых» офисах Сбербанка, открытых в Балашихе, действуют принципы самоуправления и свободы принятия сотрудниками решений — любой из них имеет право «остановить промышленный конвейер, чтобы исправить ошибку», иначе говоря, решить проблему клиента без бюрократических проволочек. Руководителей в таких офисах заменяют так называемые коучи (наставники), которые не дают готовых решений, но помогают сотрудникам найти их самостоятельно. Основной эффект такой модели — вовлеченность каждого сотрудника в достижение бизнес-результата: удовлетворенности клиентов.

Зачем крупным организациям, лидерам рынка, нужны подобные программы? В первую очередь для того, чтобы достигнуть определенного уровня гибкости, необходимого для конкуренции не только с равными по весу соперниками, но и с небольшими организациями-стартапами, способными быстро создавать и перестраивать цифровые сервисы в ответ на запросы рынка.

Сбербанк — не единственный на российском рынке банк, нацеленный на «бирюзовую» трансформацию. Здесь уместно упомянуть еще один новый термин — «холакратия». Это принцип организации бизнес-процессов компании, имеющий много общего с Agile. Для него характерны отказ от строгой управленческой иерархии в пользу децентрализации управления, наличие управленческих ролей, которые исполняются параллельно с функциональными, отсутствие у сотрудников жестко закрепленных должностных обязанностей (у сотрудника может быть несколько функциональных ролей в зависимости от компетенций), объединение сотрудников не по принципу департаментов и отделов, а требующихся для решения задач. Сейчас принципы холакратии использует РайффайзенБанк, ставя во главу угла мотивацию и вовлеченность сотрудников как один из факторов конкурентного преимущества.

ИТ в помощь

Внедрение в практику новых методов работы требует современных ИТ-инструментов и компетенций для организации производственных процессов.

В частности установка цели на быстрое решение актуальных задач с помощью формируемых под эти цели команд повлекла необходимость привлечения профильных ИТ-специалистов на условиях аутстаффинга. В финансовом секторе становится все больше примеров работы по такой схеме — в периоды интенсивного развития какого-либо бизнес-направления или запуска нового проекта. Внешние специалисты могут использоваться, в частности, для усиления собственных команд заказчика дополнительными компетенциями. Поставщиками кадров в данном случае обычно выступают системные интеграторы, опыт работы с которыми уже есть у организации. Интеграторы, в свою очередь, стараются быть готовы к подобным запросам, в том числе налаживая связи с другими ИТ-компаниями — субподрядчиками, чья экспертиза дополняет собственную экспертизу интегратора. В этом плане интегратор становится своего рода конкурентом для кадровых агентств, занимающихся подбором ИТ-персонала.

Что касается ИТ-инструментария, большое значение в банках приобретают системы, которые, с одной стороны, помогают автоматизировать выполнение рутинных функций, с другой — помогают принимать решения не только на уровне бизнес-руководства, но и на уровне конкретного сотрудника фронт-офиса, который работает с клиентом здесь и сейчас.

Этим целям служат, например, такие решения, как единый продуктовый каталог. Он позволяет сотрудникам быстро, не заставляя клиента ждать, подбирать оптимальный пакет продуктов с учетом всех предложений, какие есть у банка, а также связанных небанковских продуктов, действующих маркетинговых акций, специальных условий и, конечно, индивидуальной истории взаимоотношений с данным клиентом. Принципиальный момент: поддержка такого продуктового каталога осуществляется бизнес-пользователями без привлечения ИТ-специалистов, что серьезно ускоряет цикл вывода на рынок новых продуктов.

Один из трендов в банковской сфере — пересмотр подходов к созданию BI-решений: из систем, работать с которыми могли только эксперты-аналитики и администраторы баз данных, они превращаются в системы самообслуживания для широкого круга сотрудников — Self-service BI для получения оперативной, аналитической и управленческой отчетности. Такие системы отличаются дружественным интерфейсом (UI) и интуитивно понятной навигацией, а обучить любого пользователя создавать запросы к такой системе совсем несложно. Не случайно тенденцию перехода к Self-service BI называют еще демократизацией данных. Вместо стандартных отчетов, которые на периодической основе предоставляются аналитиками, бизнес-пользователи по запросу могут получать ту аналитику, которая необходима лично им в текущей ситуации и, соответственно, быстрее принимать обоснованные решения. И это становится еще одним шагом к гибкости и адаптивности, необходимым банковскому бизнесу в быстро меняющемся современном мире.