УДК 004

Аналитическая модель обработки больших данных в банковском секторе

Айдарханова Алина Ергалиевна – магистрант Международного университета информационных технологий (г. Алматы, Республика Казахстан)

Аннотация: В данной статье были проанализированы аспекты аналитической модели обработки больших данных. Такие аспекты способствуют развитию деятельности бизнес-компаний и росту их прибыли. Актуальность исследования связана именно с внедрением аналитического анализа обработки данных, благодаря которой будет обеспечена операционная деятельность предприятия.

Ключевые слова: производство, данные, аналитическая обработка, Business Intelligence, информационные технологии, управленческие решения.

Введение

Происходящие изменения естественно приводят к изменению политики компаний в том или ином направлении, поэтому многие трансформируют бизнес-модели и выводят новые методы управления бизнесом.

На данный момент времени именно правильные управленческие решения являются залогом успешной разработки аналитической модели обработки больших данных.

Этап принятия решений включает в себя следующие стадии:

  1. Формирование плана;
  2. Организация процесса;
  3. Мотивирование сотрудников;
  4. Контроль деятельности;
  5. Координация деятельности.

На данных этапах очень важен становится именно количественное увеличение руководителей различных звеньев. Каждый из них должен обладать определенными функциональными обязанностями по разработке аналитической модели обработки больших данных для повышения стратегического управления в компаниях. Также этим могут заниматься и специалисты низких рангов по должности [1].

Различные авторы выдвигают множество способов принятия решений в определенных бизнес-компаниях. Выбор определенной аналитической модели обработки данных должен соответствовать целям и деятельности компании.

Моделей очень много, но не все могут соответствовать ожиданиям специалистов и самой компании в-целом, поэтому стоит проводить полный анализ выбираемых моделей.

Чаще всего могут использовать следующие аналитические модели обработки данных:

  1. Подход на основе Теории управления;
  2. Модель Карнеги;
  3. Модель Мусорного ящика;
  4. Модель Инкрементального процесса принятия решения [3].

Основой аналитической модели разработки больших данных является именно внедрение информационных технологий. Целью внедрения информационных технологий является обработка получаемых знаний, собирание их в одни данные, визуализация данных и так далее [3].

Материалы и методы

Информационные технологии являются важнейшей составляющей обработки данных, поэтому можно выделить основные виды, которые могут использоваться компаниями:

  1. ESS-технологии – технологии, направленные на ускоренное принятие решений в сфере аккумулирования материально-технических ресурсов, формирования плановых результатов;
  2. MIS-технологии – технологии, которые направлены на принятие таких же управленческих решений в области формирования бюджета, управления персонала;
  3. DSS-технологии – технологии, которые направлены на анализ финансовой деятельности, показателей их эффективности;
  4. KWS-технологии – технологии, которые направлены на формирование знаний АРМ-проектировщиков, управленческих станций;
  5. OAS-технологии – технологии, которые направлены на реализацию данных в графических и текстовых редакторах.

На эксплуатационном этапе активно внедряются именно TPS-технологии, которые помогают использовать анализ документооборота, производственных стадий, анализ кадровых вопросов и так далее [4].

Особое внимание привлекает именно бизнес-аналитика на предприятии Business Intelligence System (BI).

Business Intelligence System (BI) – совокупность различных технологичных инструментов, которые активно применяются для сбора, анализа, предоставления данных. Основными целями данной системы являются:

  1. Интеллектуальный анализ;
  2. Интеграция данных;
  3. Агрегация данных;
  4. Собирание данных, которые получены из информационных источников [5].

Данные цели будут очень ценным корпоративным элементом, который обладает определенным качественным признаком. В результате все эти собранные данные будут определенным решением все управленческих проблем компании. Все собранные данные будут служить определенным помощником, потому что информация может потребоваться в любое время для сотрудников компании для проведения каких-либо аудиторских мероприятий.

Так, мы можем выделить основные функциональные характеристики Business Intelligence:

  1. Формирование данных по определенной информации;
  2. Исследование большого количества информации;
  3. Увеличение большого количества переработки информации;
  4. Представление отчетности в более упрощенном варианте;
  5. Упрощение управлениями бизнес-процессов;
  6. Упрощение моделирования принятия бизнес-решений.

Так, мы можем сказать, что главная цель Business Intelligence: принятие решений с помощью аналитического анализа большого объема данных.

Результаты

Пример внедрения аналитической модели обработки данных можно рассмотреть на примере деятельность АО АКБ «Новикомбанк», который финансирует важные направления промышленной деятельности.

Цели АО АКБ «Новикомбанк» таковы:

  1. Развитие важнейших отраслей промышленности;
  2. Улучшение банковского обслуживания в решении задач клиентов АО «Новикомбанк».

АО АКБ «Новикомбанк» использует определенные подходы к каждому клиенту для понимания их обращения в банк. Основное отличительное качество деятельности данного коммерческого банка – включение инвестиций в промышленный бизнес.

АО АКБ «Новикомбанк» активно изучает проекты еще до начала финансовой деятельности. Данный банк полностью понимает какие риски он может понести при определенном проекте. На данный момент АО АКБ «Новикомбанк» является достаточным лидером по финансированию достаточно важных проектов в промышленной отрасли. Но чтобы эти показатели поддерживать надо постоянно обновлять аналитически модели обработки больших данных для достижения достаточно важных стратегических целей коммерческой организации.

image001

Рисунок 1. Динамика показателей по кредитам и средствам клиентов корпоративного сегмента по плановому и фактическим показателям за 2020 год, а также целевым показателям на 2027 год, в млрд. руб.

На основании вышеприведенной диаграммы мы можем отчасти отметить, что в деятельности АО АКБ «Новикомбанк» присутствуют следующие аспекты его направлений:

  1. Включение банка в финансовую составляющую государственной корпорации «Ростех»;
  2. Популяризация банковского обслуживания среди сотрудников государственной корпорации.

Чтобы понимать какие аналитические модели обработки больших данных использует АО АКБ «Новикомбанк», выделим следующие бизнес-процессы, которые там осуществляются:

  1. Управленческие;
  2. Главные;
  3. Обеспечительные.

Следующий рисунок покажет более детальную схему визуализации происходящей обработки аналитических данных. Рисунок демонстрирует одну из аналитических моделей «Организация процесса визуализации и анализа состояний по управленческим решениям».

image002 

Рисунок 2. Функциональная модель «Организация процесса визуализации и анализа состояний по управленческим решениям».

 Таким образом, по вышеприведенной модели мы можем сказать:

  • в данной модели задействованы главные участники;
  • все начинается с финансового мониторинга;
  • проводится глубокий анализ данных для формирования того или иного управленческого решения.

Обсуждение результатов

Чтобы оценить важность формирования таких аналитических моделей обработки данных при принятия управленческих решений, нужно провести пример расчета уровня ценности данных управленческих решений при применении аналитической модели обработки данных. Стоит отметить заранее, что средний показатель равен 3,6. Высчитываем оценочный коэффициент.

image003 

 Далее уже определяется средняя удовлетворенность, которая равна для всех банков 4.

 image004

 Далее уже раcсчитывается приоритет:

image005

 Дальше уже идет подсчет по каждому направлению (показателю). Общая удовлетворенность равна 80,74%.

Так, мы можем определить следующие цели, которые нужны для оперативного принятия управленческих решений при использовании аналитических моделей обработки данных:

  • увеличение прибыли;
  • уменьшение издержек;
  • обеспечение финансовой безопасности;
  • укрепление отношений с клиентами;
  • увеличение перечня предлагаемых услуг;
  • повышение уровня автоматизации процессов;
  • улучшение сервисных услуг и так далее.

Перейдем уже к более детальному анализу расходов, которые будут понесены при внедрении аналитической модели обработки данных (например, Power BI Premium P2).

image006

Рисунок 3. Капитальные затраты.

image007

Рисунок 4. Денежный поток по внедрению аналитической модели обработки больших данных.

 Нужно обратить в данном случае внимание на то, что расчеты осуществлялись по новым аналитическим моделям, которые будут внедрены в деятельность АО АКБ «Новикомбанк».

Данные финансовые изменения позволят привести к следующим показателям АО АКБ «Новикомбанк»:

  • формирование данных в единое информационный поток, в котором будет содержаться вся необходимая информация;
  • правильное и корректное отображение представленных данных;
  • правильное представление отчетных документов [6].

image008

Рисунок 5. Схема влияния качественных показателей на количественные показатели.

Далее мы получим следующий экономический эффект от данных изменений:

image009

NPV = -12 468,93+((8 760,53 / (1+0,22)1 ) + (8 558,33 / (1+0,22)2 ) + (10 151,33 / (1+0,22)3 )+ (8 461,25 / (1+0,22)4 )+ (13 410,85 / (1+0,22)5 ) = 14 833,66 тыс. руб. [7].

Итог внедрения аналитической модели обработки данных при принятии управленческих решений будет равен:

image010

Выводы

Таким образом, мы можем сказать, что все-таки активное внедрение аналитических моделей обработки данных является отличным решением для принятия важных управленческих решений, которые требуются для компании.

По итогам проведения оценки эффективности проекта, исходя из пессимистического прогноза, можно сделать вывод, что показатели являются положительными, срок окупаемости составит 1,3 лет. В целом, даже в случае возникновения рисковых ситуаций, например, снижения объемов оказания банковских услуг, кадровых сбоев, а также технологических проблем, проект по использованию программного средства для поддержки и визуализации в процессе принятия управленческих решений может быть реализован и является рентабельным.

Список литературы

  1. Васильева, И.С. Эффективные методы и модели принятия управленческих решений // Экономика и менеджмент инновационных технологий. – 2018. – № 3. – С. 13-15.
  2. Методы принятия управленческих решений: учебное пособие/Л.А. Трофимова, В.В. Трофимов. – СПб.:Изд-во СПбГУЭФ, 2012. – 101 с.
  3. Королев, И.Д. Методика формирования электронных дел системы электронного документооборота / И.Д. Королев, В.С. Назинцев, А.С. Мезенцев, А.П. Махнев // Наукоемкие технологии в космических исследованиях Земли. – 2020. – № 4. – С. 65-70.
  4. Моазед, А. Платформа.Практическое применение революционной бизнес-модели / А. Моазед. – М.: Альпина Паблишер, 2019. – 288 c
  5. Христодуло, О.И., Павлов С.В., Соколова А.В. Информационная поддержка принятия решений по предупреждению и ликвидации чрезвычайных ситуаций на промышленных объектах на основе технологий трехмерного геоинформационного моделирования. Auditorium. Электронный научный журнал Курского государственного университета. – 2019. – № 1 (21). – С. 24-34.
  6. Орлов, А.И. О влиянии методологии на последствия принятия решений / А.И. Орлов // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета. – 2017. – № 125. – С. 319-345.
  7. Рубчинский, А.А. Методы и модели принятия управленческих решений: учебник и практикум для академического бакалавриата. – М: Издательство Юрайт, 2019. – 526 с.

Интересная статья? Поделись ей с другими: