Ну, это больше похоже на то, почему вам нужно нанимать специалиста по данным для каждого банка. На данный момент, с появлением технологии больших данных, многие банки придерживаются этой концепции найма выпускников, занимающихся наукой о данных, и это больше похоже на тенденцию в таких странах, как Сингапур. В таких странах, как Шри-Ланка, это определенно восходящий шаг, но есть много возможностей наверстать упущенное.
Целью найма Data Scientist является сокращение затрат и выявление новых моделей доходов. Проще говоря; речь идет о поиске путей получения новых денег и тонкой настройке существующих процессов. Чтобы быть Data Scientist в банковской сфере, человек должен хорошо разбираться в предметной области. Учитывая такую область, как банковское дело, знание предметной области является ключевым.
Если вам интересно узнать о деньгах, о том, как они создаются и оцениваются, о роли торгового банка по сравнению с центральным банком и т. д., и у вас есть необходимые технические навыки, вам следует серьезно отнестись к тому, чтобы стать специалистом по данным. Способность копаться в данных так, как никто никогда не делал, и выявлять закономерности, о которых никто и не подозревал, может творить чудеса с такими организациями, как банки.
Традиционно руководство будет иметь доступ к ежедневным отчетам о прошлых действиях. например: переходная информация, использование клиентом, использование терминала. Команды бизнес-аналитики оценят их и сделают прогнозы на следующий квартал. Это может сработать, а может и нет, чего конкретный человек не может гарантировать. Кроме того, источник отчета может не иметь всей информации из-за цвета лица. Например: большинство отчетов создаются в программных системах на основе структурированных данных. Который из данных, хранящихся в реляционных базах данных.
(большинство людей неправильно понимают большие данные как увеличение объема данных в РСУБД. Технология больших данных учитывает структурированные данные, но больше связана с использованием неиспользованных источников данных, таких как журналы, дампы, архивы)
Другими словами, только около 10% данных, созданных в результате действий клиентов, преобразуются в структурированные и сохраняются в РСУБД. Остальное будет сохранено в виде журналов или дампов. Обычный язык SQL, который в основном используется для создания отчетов, будет захватывать только данные, сохраненные в таблицах. Остальное не будет использовано или потрачено впустую.
Как специалист по данным может помочь вам со всем этим? Во-первых, увеличится количество источников. Он или она может проверить простейшие действия по чтению журналов, дампов, а также СУБД. Кроме того, прогнозы будут делаться с использованием огромного количества исходной информации, в отличие от предыдущих, и будут даваться с гарантированной степенью точности. В самой простой форме ученый данных может дать вам ожидаемый результат на следующий день, неделю или месяц с точностью 90% или более.
Как генеральный директор банка, вам действительно нужно думать, что если ваша команда по анализу данных может сэкономить вам больше, чем вы им платите, или заработать больше, чем вы им платите, то это ваша победа.
Согласно тому, что я читал в Интернете, большинство банков, которые не хотят нанимать команду по анализу данных, думают, что покупка инструмента BI (поставляется с огромными ценниками) решит все эти проблемы. Системы машинного обучения или системы BI не похожи на программные решения. Например, вы можете получить программное обеспечение для переключения банкоматов у того же поставщика, что и банк X. Но подключить продукт машинного обучения непросто, поскольку у каждого банка разные клиентские базы, разные видения и миссии, разные модели доходов и т. д.
Например, у X Bank больше всего клиентов, что означает большое количество счетов, но означает ли это, что у них больше всего сбережений? Нет. Банк Y приобрел наибольшее количество транзакций через банкоматы, значит ли это, что у них самая большая клиентская база? Нет.
Итак, я хочу сказать, что поведение каждого банка отличается от другого. То же самое и с командой BI. Поэтому прогностические модели должны быть созданы на заказ… по крайней мере, до тех пор, пока вы не освоите их и ваша группа по обработке данных не порекомендует вам поступить иначе.
Ниже приведены несколько областей, в которых специалист по данным может творить чудеса с точки зрения затрат и увеличения доходов.
- Прогнозирование спроса на наличные в банкоматах.
- Предотвращение мошенничества в транзакциях.
- Профилактическое обслуживание всех систем. (включая банковские приложения, программное и аппаратное обеспечение баз данных)
- Предиктивная аналитика в поведении клиентов, персонализированный банкинг.
- Целевой маркетинг.
- Определите новые модели доходов в рамках существующих моделей.
Что ж, это категории очень высокого уровня, и каждая категория может быть разделена на 4–5 подразделов. Первые три категории в основном предназначены для сокращения расходов, а последние 3 представляют собой сочетание сокращения расходов и получения дополнительных доходов.
Я надеюсь подробно обсудить каждый раздел позже. Оставьте свои мысли ниже….
Ссылка :
https://medium.com/datadriveninvestor/big-data-analytics-in-the-banking-sector-b7cb98d27ed2
https://www.evry.com/globalassets/insight/bank2020/bank-2020---big-data---whitepaper.pdf
https://thefinancialbrand.com/64166/banking-big-data-advanced-analytics-ai/
