Reforma regulacyjna sektora bankowego Wykorzystanie Big Data w bankowości 11 grudnia 2017
Agenda Podejście do wykorzystania w biznesie oraz ryzyku Współpraca z FinTechami Wymogi regulacyjne 2
Big Data Wprowadzenie Big data to zbiory danych tak duże, że nie można nimi zarządzać przy użyciu tradycyjnych technik baz danych Ilość Big Data Terabajty/Petabajty/Zettabajty Tradycyjne dane Megabajty/gigabajty Różnorodność Nieustrukturyzowane (tekst, głos, video, sensory) Ustrukturyzowane/relacyjne Prędkość Strumień danych Dane statyczne Prawdziwość Nieoczyszczone/niezweryfikowane Oczyszczone/zweryfikowane Szacuje się, że aż 80% informacji występuje w zbiorach niestrukturalnych, natomiast nie są one wykorzystywane 3
Przykładowe typy danych Big Data Zróżnicowane źródła i poziom ustrukturyzowania 1 2 3 Dane biznesowe Dane maszynowe Dane ludzkie Ustrukturyzowane Semi-ustrukturyzowane Nieustrukturyzowane Marketing CRM Dane transakcyjne Tabele relacyjne Logi Szczegóły połączeń Dane sensoryczne Cookies Internet of Things Geolokalizacja Maile Serwisy społecznościowe Obrazy Filmy Dokumenty tekstowe Nagrania CC Dane biometryczne 4
Tryb przetwarzania danych WSADOWY W CZASIE RZECZYWISTYM Rozwój technologii Big Data Przetwarzanie nieustrukturyzowanych danych w trybie real-time Wypracowanie pionierskich rozwiązań przez Google i Yahoo Koncentracja na bezpieczeństwie, administracji, integracji i wybranych obszarach analiz Big data stanie się motorem Internetu rzeczy (IoT). Wykorzystanie AI oraz danych ludzkich 2002 2004-2008 2009-2014 2015 - Przypadki użycia w latach 2014-2017 Skupienie na przechowywaniu i skali. Otrzymane rozwiązania nie posiadały jeszcze funkcji biznesowych Przypadki użycia od 2017 roku Koncentracja na kompletnym ekosystemie danych (Data Lake, silosy danych), integracji wielu różnych źródeł danych, zaawansowanej analityce, przykładach użycia Zapobieganie i kontrola strat (Analiza Predykcyjna) Pricing Analiza Trendów Ekonomicznych (Analiza Predykcyjna) Compliance Analiza logów Monitorowanie handlu AML (Machine Learning) Analiza i wycena portfolio Analiza Ryzyka Analiza Fraudów (Machine Learning) Lojalność klienta Data Lake Prognozy Przestoju Personalizacja Biometria NLP i Analiza tekstu (AI) Grafy Wiedzy(AI) Analiza behawioralna (Dane Sensoryczne) Analiza zabezpieczenia Weryfikacja procesów AML Ustrukturyzowane Semi-ustrukturyzowane Nieustrukturyzowane Zróżnicowanie danych 5
Big Data Szanse, wyzwania i trendy Szanse S Wyzwania W Nowe typy danych i analiz Ulepszenie dotychczasowych modeli poprzez wzbogacenie ich o nowe typy danych Etyka i prywatność danych Zarządzanie danymi Jakość danych Monitorowanie i zapobieganie oszustwom w czasie rzeczywistym IoT, Personalizacja Grafowe bazy danych umożliwiające widok klienta 360 Łączenie danych Weryfikacja modeli uczących się Wydobycie istotnych elementów z posiadanych danych Zmiany technologiczne Trendy Rosnący i zmienny strumień danych T Analiza w czasie rzeczywistym Migracja do chmury Blockckain i DLT AI, Machine Learning 6
Wykorzystanie Big Data Wybrane obszary zastosowań Obszar biznesowy B Obszar ryzyka R Segmentacja klientów na podstawie ich potrzeb oraz profili behawioralnych Określanie wartości klienta (Customer Lifetime Value) Optymalizacja obecnych modeli ML Sprzedaż Modele elastyczności cenowej Systemy rekomendacyjne (algorytmy x-sell oraz up-sell, modele propensity) Modele anty-churn oraz skrypty Marketing Spersonalizowane oferty lub reklamy na zewnętrznych stornach internetowych Kampanie marketingowe Identyfikacja influencerów Modele/algorytmy sentymentu Segmentacja klientów zgodna z segmentacją biznesową Ryzyko kredytowe Karty scoringowe Modele ratingowe Ryzyko operacyjne Modele/algorytmy anty-fraudowe AML Profile bezpieczeństwa Rating podatkowy Modele przestoju Optymalizacja obecnych modeli ML Windykacja Karty/algorytmy windykacyjne CRM analityczny na podstawie interakcji z klientami 7
Wartość klienta Wykorzystanie Big Data Trzy przykłady w odniesieniu do cyklu życia klienta Wartość obecna klienta (CLV) według czasu relacji z Bankiem Czas Pozyskanie klienta Rozwój relacji Ochrona relacji Retencja 1 Zarządzanie cenami 2 Anty-churn 3 Customer Lifetime Value 8
Cena po koszcie ryzyka 1 Przykłady wykorzystania Big Data Zarządzanie cenami Korzyści Główna koncepcja modelu Dedykowane oferty Dodatkowa marża z tytułu zwiększenia ceny Dodatkowy wolumen z tytułu obniżenia ceny Zwiększenie współczynników akceptacji ofert Populacja objęta bieżącym modelem cenowym Zwiększenie populacji po wdrożeniu nowego modelu cenowego Nowy model cenowy Dane Big Data Dodatkowa marża (1) Bieżący model cenowy Dane transakcyjne Logi z bankowości mobilnej i serwisów www Cookies Geolokalizacja Dodatkowa marża (2) Miara elastyczności cenowej 9
Wartość klienta 2 Przykłady wykorzystania Big Data Anty-churn Korzyści Główna koncepcja modelu Podejmowania proaktywnych działań retencyjnych Zwiększenie lojalności klientów dzięki kierowaniu dopasowanych ofert Podniesieniu trwałości relacji z obecnymi klientami Czas Wzrost ilości poleceń Pozyskanie klienta Rozwój relacji Ochrona relacji Retencja Dane Big Data Proaktywny Anty-Churn Reaktywny Anty-Churn Dane CC Logi z bankowości mobilnej i serwisów www Dane transakcyjne Standardowe dane CRM Modele predykcyjne Niski koszt Relatywnie duża populacja Zapobieganie przechodzeniu w fazę reaktywnego anty-churn Zdarzenia i reguły eksperckie Wysoki koszt Niewielka populacja Zapobieganie odejściu klienta 10
potrzeby Produktowe 3 Przykłady wykorzystania Big Data Segmentacja oparta na Customer Lifetime Value Korzyści Główna koncepcja modelu Dostosowanie ofert do obecnych i przyszłych potrzeb klienta Identyfikacja klientów o potencjalnej wysokiej wartości Dopasowanie działań do wartości klienta Identyfikacja podobnych mikrosegmentów klientów Oferta produkty oferta X Kanały obsługi i komunikacji Klienci / Segmenty X D C E A B Dane Big Data Dane transakcyjne Logi z bankowości mobilnej i serwisów www Geolokalizacja Serwisy społecznościowe Typy personas Potrzeby i zachowania Zapewnienie zgodności z potrzebami klienta Produkty i rozwiązania Doradztwo Narzędzia Zarządzanie kontaktami Kampanie marketingowe Obecna i przyszła wartość klienta dla Banku Optymalizacja względem wartości klienta Ceny Kanały Usługi dodatkowe Strategia kliencka 11
Implementacja rozwiązań FinTech Możliwe ścieżki inkorporacji Szanse Współpraca Wyzwania Szanse Inwestycja Wyzwania Niskie nakłady zasobów Wiedza ekspertów Rozwój know-how Tworzenie kultury innowacyjnej Dobór partnera Monetyzacja współpracy Bezpieczeństwo Brak wyłączności Skupienie na współpracy z FinTech Wpływ na kształt rozwiązania Pozyskanie knowhow Skraca time-tomarket Wycena Wyjcie z inwestycji Brak wyłączności Bezpieczeństwo Szanse Wyłączność Skalowalność Lepsza kontrola nad technologią i zasobami Produkcja in-house Wyzwania Korporacyjne struktury organizacyjne Wysokie koszty Możliwy brak kompetencji Zwiększony time-to-market Szanse Wyłączność Nowe rynki/produkty i klienci Przejęcie know-how i kultury organizacyjnej M&A Wyzwania Wycena Integracja dwóch organizacji Utrzymanie talentów 12
Podejście banków europejskich Obszary zainteresowań i ścieżki inkorporacji Obszary zainteresowań od 2014 Inne: 10% Komunikacja: 5% Pożyczki alternatywne: 5% AI / Cognitive Computing: 5% Płatności: 33% Robotyzacja: 7% Biometria: 7% Blockchain: 20% Cloud / Data Analytics / Big Data: 11% Ścieżki inkorporacji obierane w wybranych obszarach (wyniki w %) Blockchain Cloud / Data Analytics / Big Data Usługi uwierzytelniania Współpraca 78 57 71 Inwestycja 13 29 25 Produkcja in-house 9 12 4 M&A 0 2 0 Źródło: Opracowanie własne EY na podstawie publicznych raportów 14 wiodących banków europejskich 13
Współpraca z FinTechami Szanse i zagrożenia 14
Banki i FinTechy w Polsce Wzajemne postrzeganie Elementy mające największy wpływ na rozwój innowacji finansowych (wyniki w %, łącznie dla banków i FinTech) Rozwinięta współpraca uczestników rynku (w tym dużych banków ze start-upami FinTech) 65 Aktywna polityka państwa w zakresie kreowania sprzyjających warunków rozwoju tego sektora 42 Dostęp do finansowania nowych projektów 38 Strategiczne relacje biznesowe z bankami (wyniki w % dla sektora FinTech) 56 Banki nie są moją bezpośrednią konkurencją, współpracuję z nimi i jestem dla nich bezpośrednim dostawcą 19 Banki nie są dla mnie konkurencją, ale z nimi nie współpracuję 13 Banki są moją bezpośrednią konkurencją, z którą rywalizuję o klientów końcowych, ale jednocześnie współpracuję z nimi 6 6 Banki są moją bezpośrednią konkurencją, z którą rywalizuję o klientów końcowych Inne Źródło: FinTech Poland. Obserwatorium.biz. Fintech w Polsce bariery i szanse rozwoju. 15
Regulacje prawne Obszary zainteresowań RODO, e-privacy Ochrona prywatności Zachowanie poufności PSD2, KNF rekomendacja D, komunikat o chmurze Regulacje AML/CFT Bezpieczeństwo danych i procesów Obszary zainteresowań instytucji regulacyjnych RODO, KNF rekomendacja W EBA RTS, PSD2 Audytowalność algorytmów Ryzyko wykluczenia cyfrowego Podział odpowiedzialności Bezpieczeństwo Zakres usług sektora FinTech Tajemnica bankowa Third Party Ptovider 16
Regulacje prawne w sektorze FinTech Obszary zainteresowań EBA i BCBS Bariery regulacyjne, piaskownice regulacyjne Ryzyko dla instytucji finansowych Wpływ na model biznesowy instytucji finansowych Wpływ na AML/CTF Dostosowanie regulacji do rozwoju FinTech Zróżnicowanie regulacji w poszczególnych krajach UE Ochrona praw konsumentów 17
Piaskownica regulacyjna Przestrzeń dla innowacyjnych firm do rozwoju w ramach uproszczonych regulacji Szybka weryfikacja modelu biznesowego Bezpieczeństwo kontrola organu nadzoru Zespół roboczy przy KNF ds. rozwoju innowacji finansowych w Polsce Identyfikacja barier dla rozwoju FinTech w Polsce i przygotowanie propozycji eliminacji Kanad a Wielka Brytania Szwajcaria Rosja Malezja Singapur Indonezja Australia Wymiana informacji pomiędzy środowiskiem biznesowym a regulacyjnym Umożliwienie rozwoju innowacji Liczba zidentyfikowanych barier regulacyjnonadzorczych 85 Planowane wprowadzenie Małych Instytucji Płatniczych (MIP) Źródło: 18 KNF. Raport z prac Zespołu roboczego ds. rozwoju innowacji finansowych (FinTech). Listopad 2017.
Wpływ regulacji na zmiany biznesu PSD2 Schemat działania usługi dostępu do informacji o rachunku Schemat działania usługi inicjowania płatności Klient Bank A Klient Sklep internetowy Bank klienta Bank B Dostawca Usługi Inicjowania Płatności Dostawca Usługi Dostępu do Informacji o Rachunku Bank C Bank sklepu internetowego Schemat płatności Legenda Sytuacja obecna Nowa możliwość po wprowadzeniu PSD 2 19
Kontakt Robert Małysz Associate Partner +48 512 449 520 robert.malysz@pl.ey.com 20
Dziękujemy za uwagę 21