Кейс: Big Data аналитика и сквозной мониторинг кредитного портфеля в финансовом секторе
Эффективное управление активами банка напрямую зависит от качества и скорости мониторинга кредитного портфеля. Традиционные методы оценки рисков, основанные на статических OLAP-кубах или изолированных Open Source разработках, часто не справляются с миллиардными массивами данных, вызывая задержки в обработке запросов. Современный b2b-подход требует внедрения промышленных BI-платформ, способных обрабатывать данные «на лету» и предоставлять моментальный доступ к аналитике как топ-менеджменту, так и риск-менеджерам.
В данном кейсе представлен опыт создания коммерческого аналитического сервиса для финансового рынка (на примере «Первого кредитного бюро») и сформулированы лучшие практики построения систем мониторинга ссудного портфеля.
Часть 1. Опыт Первого кредитного бюро: коммерческий BI-сервис на 250 млн записей
«Первое кредитное бюро» (ПКБ) — один из крупнейших поставщиков предиктивной аналитики и ИТ-сервисов для финансового рынка Казахстана. Перед компанией стояла масштабная b2b-задача: запустить аналитический сервис по подписке (FCB Visual Analytics), которым могли бы одновременно пользоваться аналитики, рисковики и топ-менеджеры 80% активных банков страны.
Эволюция архитектуры проекта
Поиск оптимального технологического стека длился более трех лет и включал тестирование нескольких гипотез:
Гипотеза 1: Связка OLAP-кубов с классическим промышленным BI-решением. Минус — недостаточная гибкость при детализации данных.
Гипотеза 2: Кастомная разработка на базе Open Source (Python + Django). Минус — высокая нагрузка при масштабировании на весь рынок.
Гипотеза 3 (Итоговое решение): Миграция на промышленную BI-платформу Qlik Sense с интеграцией с хранилищем данных Greenplum.
Ключевые технологические критерии выбора Qlik:
Высокое быстродействие на терабайтах данных: Способность платформы производить вычисления в оперативной памяти (In-Memory) с массивом более чем в 250 миллионов записей.
Минимальный отклик: Строгое соблюдение бизнес-требования — обновление страницы дашборда занимает до 1 секунды.
Безопасность корпоративного уровня: Поддержка сквозной авторизации по принципу Single Sign-On (SSO) и гибкое, многоуровневое разграничение прав доступа к конфиденциальным историям заемщиков.
«В рамках реализации FCB Visual Analytics на Qlik нам удалось выстроить интерфейс, в котором можно спускаться от обобщенных показателей, чтобы исследовать, к примеру, причины снижения доли выдачи кредитов в определенном регионе и принимать управленческие решения на основе данных». — Руслан Омаров, генеральный директор Первого кредитного бюро.
Часть 2. Методология: Ключевые слои аналитики кредитного портфеля
Современная аналитическая система ссудного портфеля должна закрывать информационные потребности трех уровней пользователей:
Для топ-менеджеров: Высокоуровневые KPI «здоровья» и маржинальности активов.
Для линейных руководителей: Продуктовые и клиентские инфопанели, аналитика NPL.
Для риск-аналитиков: Интерактивные сводные таблицы с возможностью декомпозиции (провала) до конкретного кредитного договора.
6 обязательных фокусов при проектировании дашбордов кредитного портфеля:
1 Динамика портфеля (YoY) и выполнение планов: Анализ эффективности использования активов конкретными бизнес-подразделениями с учетом нормативов капитала. 2 Баланс выдач и погашений: Оценка темпов изменения портфеля. Позволяет спрогнозировать массовые погашения будущих периодов и вовремя активизировать продажи для сохранения процентного дохода. 3 Анализ проблемной задолженности (Просрочка и NPL): * Детальное распределение просрочки по основному долгу и процентам.
Выявление триггеров: какие отрасли, регионы или клиентские сегменты генерируют просрочку.
Оценка залогового обеспечения и количества дней просрочки (DPD) для исключения высокорисковой аудитории из новых маркетинговых кампаний.
4 Мониторинг резервов: Оценка объемов сформированных резервов по конкретным ссудам и их консолидация в соответствии с жесткими требованиями финансового регулятора. 5 Факторный анализ финансового результата: Расчет чистой процентной маржи (NIM), выявление наиболее прибыльных регионов, продуктов и заемщиков в абсолютном выражении. 6 Анализ процентных ставок: Расчет средневзвешенных ставок в разрезе валют для оценки маржинальности и сравнения со ставкой рефинансирования.
Результаты внедрения подхода
Отказ от рутины: Переход на промышленное BI-решение позволил автоматизировать подготовку ежемесячных аналитических дайджестов рынка, полностью разгрузив команду внутренних аналитиков от ручного сбора данных.
Инструменты бенчмаркинга: Коммерческие пользователи сервиса получили легитимную возможность сравнивать структуру и качество своего кредитного портфеля со средними показателями по рынку в режиме реального времени.
Улучшение качества эргономики: За счет внедрения геоаналитики и продвинутых фильтров время поиска аномалий в кредитных портфелях сократилось с нескольких дней до пары минут.