Dyrektor Departamentu Aplikacji Centralnych, ING Bank Śląski S.A.

W jakim celu wykorzystuje się analizę predyktywną w instytucjach finansowych? Jakie korzyści z niej płyną dla banków lub innych organizacji sektora finansowego?

Możemy wyróżnić dwa nadrzędne obszary, w których analiza predyktywna ma zastosowanie. Pierwszym z nich jest customer intelligence, czyli próba modelowania zachowań i potrzeb klientów – zarówno tych już korzystających z usług bankowych, jak i potencjalnych, którym można by zaoferować produkty bankowe. Do tych działań predyktywnych należy podejść dwojako: krótkoterminowo, kiedy klient potrzebuje dodatkowego zastrzyku gotówki, oraz długoterminowo, począwszy od samodzielności zawodowej klient po jego podeszły wiek.

Drugim obszarem, o którym warto również wspomnieć, jest temat ryzyka; i to pojęty zarówno bardziej „klasycznie” jako ryzyko kredytowe, jak i szerzej – jako ryzyko powiązane z transakcjami, komunikacją sieciową, transferami w sieci oraz niespodziewanymi ruchami. Zastosowanie analizy predyktywnej wydaje się zatem bardzo szerokie – służy ona zarówno do detekcji anomalii, jak i analizy sytuacji o znanych nam cechach.   

W jakiej formie prezentuje się wnioski wynikające z analizy predyktywnej, tak aby stały się zrozumiałe dla odbiorców?

Część z końcowych produktów pracy analityka predyktywnego stanowią prezentacje. Na tym etapie następuje tworzenie modelu weryfikacji hipotez lub wstępne testowanie już działających algorytmów. Jednakże do jego głównych zadań należy przede wszystkim wdrożenie modeli w cykl życia działającego systemu informatycznego banku. W praktyce ten proces wiąże się z implementacją modelu i jego walidacją w systemie light banku. Aby zaprojektować i zakodować aplikację, która będzie wykorzystywać model predyktywny, musimy rozpocząć współpracę z programistami aż do momentu uruchomienia tej aplikacji w ramach systemu, który potrafi przeliczać ten model i na jego podstawie wyciągać wnioski, np. wysyłać oferty, proponować konkretne rozwiązania klientowi, albo podpowiadać pewne zachowania. Ta metoda nie jest jeszcze wykorzystywana w ING Banku Śląskim, ale miałoby to działać na takiej zasadzie, że, np.: w sytuacji, gdy saldo klienta nietypowo zmierza do zera, bank chce uprzedzić moment, kiedy konto użytkownika zostanie puste i proponuje kredyt. To jest taki najbardziej oczywisty przykład. Natomiast takich sytuacji, znacznie subtelniejszych, można by przytoczyć znacznie więcej.

Jak wygląda współpraca analityków predyktywnych z innymi działami w banku? Czy to departamenty niejako składają zamówienie na weryfikację jakiejś hipotezy lub skonstruowanie modelu czy jest wręcz odwrotnie – to Państwo proponują swoje rozwiązania?

Analityk predyktywny pracuje na granicy dwóch światów – biznesowego oraz IT. Dział IT zapewnia analitykom zestaw narzędzi oraz dostęp do danych, z których bank legalnie może korzystać. Natomiast rzeczywiście możemy mieć do czynienia z sytuacją, kiedy pomysł lub hipotezę dostarcza odpowiedni dział biznesowy.

Z jakich narzędzi korzysta analityk predyktywny?

W naszej pracy użyteczny jest nawet program Excel, wykorzystywany najprawdopodobniej przez wszystkich, w prawie każdym większym biurze i w tym podobnych instytucjach. Ktoś kiedyś jednak powiedział, że big data to tak naprawdę zbiór danych, których nie można opracować w Excelu lub analiza przy jego pomocy jest trudna do zrealizowania. W banku analitycy predyktywni pracują na dużych zbiorach danych – w praktyce, przykładowo właśnie w takiej instytucji jak nasza, taki specjalista ma do dyspozycji cały klaster hadoopowy, czyli wielką infrastrukturę służącą do przechowywania dużych, niekoniecznie ustrukturyzowanych zbiorów danych. To tak naprawdę fundament jego pracy. Ponadto, w naszej pracy używa się również języka programowania Python, albo oprogramowania do analizy danych Visual Analytics firmy SAS. Korzystamy też z pakietu R. Narzędzi jest dość sporo.

Jakie są Pana zdaniem najbliższe trendy dotyczące analizy predyktywnej? W jakim kierunku będzie ona zmierzać? Jaka przyszłość ją czeka? Jakie możliwości otwiera ona przed przedsiębiorstwami? Czy klienci powinni się jej obawiać? Czy big data może stać się zagrożeniem?

Instytucje europejskie starają się sumiennie kontrolować używanie danych klientów do wszelkiego rodzaju analiz. Zwłaszcza organizacje, takie jak banki ściśle stosują się do narzucanych przez te organy przepisów. Z tych danych, które możemy analizować – miejmy nadzieję z dużą korzyścią dla klienta – nie korzysta się na szczególnie szeroką skalę, gdyż tworzenie klastra hadoopowego i procesu analizy danych, popularnie nazywanych big data, to de facto kwestia ostatniego roku. W rzeczywistości wdrażanie analizy predyktywnej w instytucjach finansowych dopiero się rozpoczyna. Mówimy zatem o początkach analizy wykonywanej w kontekście dużych zbiorów danych, ale już teraz możliwych zastosowań mamy wiele, co zależy od przepisów prawa oraz pomysłowości i umiejętności analizy danych. W tym wypadku trudno przecenić rolę analityka, bez którego nie byłoby dobrej analizy i interpretacji tych danych. Wnioski zależą również od kontekstu, który uda nam się zdobyć lub który klient nam dobrowolnie udostępni. Im więcej informacji o geolokalizacji klientów w momencie dokonywania jakichś czynności, o źródłach transakcji, o miejscu i sposobie jej wykonywania, tym bliżej do zaoferowania klientowi takiej oferty, na której użytkownik na pewno skorzysta. Jednakże myślę, że banki powinny być bardzo ostrożne w próbie zdobywania informacji o kliencie w takich wirtualnych miejscach, jak Facebook lub inne portale społecznościowe. Te źródła są kontrowersyjne i trzeba uważać, by nie osiągnąć efektu odwrotnego i nie urazić klienta, który może się poczuć inwigilowany.

Wspominał pan o przepisach prawnych i regulatorach rynku. Mógłby Pan podać przykład?

Najistotniejszym regulatorem na polskim rynku jest oczywiście GIODO, czyli Generalny Inspektor Ochrony Danych Osobowych.

Czy mógłby Pan przybliżyć, na czym polega praca analityka predyktywnego?

Praca analityka predyktywnego rozpoczyna się od rozpoznania potrzeb klienta. Na ich podstawie powstają tezy. Zdarzają się również tacy analitycy, którzy sami zagłębiają się w szereg danych, próbując sformułować własne hipotezy. Najczęściej jednakże ktoś stawia przed nimi jakiś cel biznesowy. Później analityk sam musi zdobyć lub rozpoznać potrzebne informacje. Ten etap możemy określić mianem analitycznego, ale jeszcze nie predyktywnego, gdyż brak na tym etapie jeszcze związku ze statystyką, ekonometrią czy matematyką. Dodatkowo, na początku procesu analityk potrzebuje kompetencji komunikacyjnych, żeby się dowiedzieć, skąd pozyskać zbiory danych oraz jak z nich skorzystać. Po tymetapie rozpoczyna się złożony i skomplikowany proces wyznaczania oraz walidacji cech, przeliczania modelu, jego weryfikacji z rzeczywistością, a później prezentacja i próba przekonania innych do jego zastosowania. Należy pamiętać, że modelu nie tworzy się do jednorazowego użytku (przy okazji akcji marketingowej, jak było kiedyś). Nadrzędny cel polega na wdrożeniu modelu do codziennego użytku.

Jakie perspektywy stoją przed analitykami predyktywnymi? Jak może przebiegać ich modelowa ścieżka kariery?

Osobiście uważam, że analityk predyktywny musi posiadać wiedzę z obszaru informatyki – powinien posiadać podstawowe umiejętności programowania i generalnie algorytmizowania. Bez umiejętności kodowania w językach typu R i Python nie będzie efektywnie pracować.

Kariera analityka predyktywnego zaczyna się zazwyczaj od korporacji, ponieważ instytucje parające się tego rodzaju analizą to zazwyczaj duże przedsiębiorstwa. To tutaj zdobywa pierwsze szlify w zawodzie, uczy się pozyskiwania danych i stara się rozumieć przebieg procesu analitycznego. Później następuje etap pogłębienia wiedzy z poszczególnych obszarów. Świetnym przykładem jest jeden z naszych pracowników, który jeszcze studiuje i dobrze sobie radzi, nie posiadając specjalistycznej wiedzy. Na początku liczy się pracowitość oraz kreatywność, konieczne, by zwizualizować i wymodelować pewne zachowania.  Z czasem ten pracownik zacznie przyswajać coraz więcej wiedzy dziedzinowej z różnych obszarów, która pozwoli mu lepiej interpretować hipotezy oraz walidować dane.

Jakie obszary specjalizacji w obszarze analizy predyktywnej ma Pan na myśli?

Ryzyko finansowe oraz detekcja i weryfikacja potencjalnych anomalii, których można poszukiwać praktycznie wszędzie w banku, np. w sekwencji zdarzeń na rachunku bankowym. Jeżeli do tej pory wydawał Pan 100 zł miesięcznie, a nagle obroty na Pana rachunku osobistym sięgają miesięcznie pułapu 10 tys. zł, możemy ten fakt potraktować jako anomalię właśnie i przyjrzeć się jej z bliska. Inny przykład – do tej pory dokonywał Pan przelewów w Europie i nagle pojawiają się transakcje z krajów bardziej egzotycznych, a kwoty przelewów są coraz większe. Bank powinien tym działaniom się również przyjrzeć i zweryfikować Pana, dzwoniąc, sprawdzają i dokonując czynności autoryzacji transakcji.

Czy zatem analiza predyktywna ma zastosowanie w wykrywaniu procederów prania brudnych pieniędzy?

Obszar przeciwdziałania praniu brudnych pieniędzy to jeszcze inna dziedzina, w której również można używać analizy predyktywnej. Jednakże, algorytmy stosowane w obszarze anti-money laundering wykorzystujemy już od dłuższego czasu.

Rozumiem, że aby zaangażować się w analizę predyktywną trzeba mieć wiedzę z obszaru IT. Ale czy to wystarczy? Co z metodami ilościowymi? Statystyką?

Analitycy predyktywni w naszym banku to ludzie po statystyce, ekonometrii, informatyce, matematyce, czyli ogólnie przedmiotach ścisłych. Może się zdarzyć, że będzie nim ktoś po socjologii. Ważne jest, by posiadał on wiedzę z zakresu kodowania, choćby na podstawowym poziomie, gdyż bez tego trudno mówić, że pracuje się jako analityk danych.

Jak rozumiem, wśród kompetencji kluczową rolę odgrywają twarde umiejętności analityczne, zaś wśród miękkich – zdolności komunikacyjne?

Komunikacja dotyczy w tym przypadku zarówno klientów, jak i współpracowników. Analityk predyktywny, który prawdopodobnie realizuje kilka projektów jednocześnie, czasami z różnych obszarów, nie będzie jednocześnie analitykiem aplikacji. Sam raczej nie znajdzie odpowiednich tablic w bazie danych lub ekstraktów z danej aplikacji, żeby się w nie zagłębić i  przeprowadzić swoją analizę. Będzie w tym wypadku polegał na swoich współpracownikach. Natomiast później wykorzystuje on swoje umiejętności w zakresie walidacji hipotez i generacji zbioru pewnych cech, które charakteryzuję dane zjawisko.

Dlaczego analiza predyktywna może przyciągnąć uwagę młodego człowieka? Dlaczego tę branżę i ten zawód możemy uznać za ciekawy?

Widziałem kiedyś grafikę, która przedstawiała kopalnię złota, a w niej mężczyznę przesiewającego złoto przez sito. Ten obraz można by zestawić z czasami nam współczesnymi. Kiedyś wnioski wyciągano z prostych zestawów danych, obecnie liczba danych to jest ogromna – informacje, które zostawiamy przy użyciu telefonów komórkowych, geolokalizacja, transakcje… Ta liczba jest naprawdę ogromna. Możliwość wyciągnięcia z tego wniosków, przynajmniej w mojej opinii, to unikalna kompetencja. Jak w przypadku grafiki – zamiast przeczesywania koryta rzeki, w którym poszukujemy złota, przyglądamy się informacjom, które w przyszłości mogą okazać się cenne i zapewnić naszym klientom lepsze usługi, ofertę szytą na miarę czy przewagę konkurencyjną. Nie da się tego zrobić innymi metodami. Czy to jest fascynujące? Moim zdaniem zdecydowanie tak. Czy to jest przyszłość? Trudno sobie wyobrazić konkurencyjną firmę, pracującą z dużą liczbą klientów, która nie będzie próbowała interpretować danych napływających do niej z różnych stron.

Analityk ds. Customer Intelligence, uczestnik programu ChallengING IT, ING Bank Śląski S.A.

W ING Banku Śląskim od 2015 r.

Absolwent: Szkoła Główna Handlowa w Warszawie
Kierunek studiów: Metody Ilościowe w Ekonomii i Systemy Informacyjne
Najbardziej lubię w mojej pracy: innowacyjność prowadzonych zadań i projektów
Wartości, które wyznaje moja organizacja, to: szacunek, profesjonalizm, pozytywne relacje między pracownikami

Czy Twój zakres obowiązków jest związany z analizą predyktywną oraz big data?

Pracuję na stanowisku Analityka ds. Customer Intelligence, które wiąże się z dziedziną business intelligence. BI moglibyśmy zdefiniować jako przekształcanie danych w informacje, a informacji w wiedzę.  Osobiście w banku zajmuję się  tematyką data science,  czyli dziedziną często utożsamianą z big data. W praktyce wszystkie te zagadnienia (BI, data science, big data) są ze sobą mocno powiązane, a ich definicje są stosunkowo płynne.

Jak Twój zawód łączy się z obszarem analizy predyktywnej?

Sama praca z danymi bardzo często może zostać sprowadzona do analizy predyktywnej, czyli, np. do modelowania zachowań i/lub atrybutów klienta, a w efekcie ich predykcji. Nie zawsze możemy ten proces uznać za  główny cel, ale nierzadko to bardzo istotny element naszych działań. Analiza predyktywna stanowi część pracy analityka nazywanego Data Scientist.

Czy data science możemy potraktować jako szersze pojęcie, które łączy business intelligence i analizę predyktywną?

Niekoniecznie samo business intelligence, ale ogólnie pracę z danymi, ponieważ pod pojęciem data science możemy rozumieć różnorodne analizy, jak np. analizę eksploracyjną, gdzie zapoznajemy się z zbiorem danych. Często dostając zestawy danych do końca nie wiemy, co możemy z nich uzyskać lub co się w nich znajduje. To tak naprawdę pierwszy etap: eksplorowanie i poznawanie danych. Następnie możemy wykonać różnego rodzaju analizy, chociażby analizę preskryptywną, czyli opisową, albo właśnie analizę predyktywną, czyli prognozowanie pewnych zdarzeń czy zachowań.

Dlaczego zainteresowałeś się tą dziedziną wiedzy?

Mam spore podstawy teoretyczne po studiach, które nie dotyczyły bezpośrednio zagadnień big data, ale były powiązane z tą dziedziną, m.in. poprzez statystykę czy analizę danych. Posiadam również zainteresowania informatyczne, więc taka ścieżka kariery wydawała się właściwie naturalna. Eksperci często definiują data science jako połączenie m.in. analizy danych, statystyki oraz informatyki. O mojej karierze zadecydował również temat pracy licencjackiej; mój promotor zainteresował mnie tematyką przetwarzania dużych zbiorów danych, a dokładniej mówiąc technologią Hadoop.

W jaki sposób rozwijasz kompetencje i zdobywasz wiedzę w tym obszarze?

Podstawą jest oczywiście samodzielna nauka. Staram się czytać branżowe blogi i literaturę techniczną, a także uczestniczę w kursach internetowych prowadzonych przez światowej sławy uniwersytety. To wiedza wysokiej jakości, oferowana za darmo w Internecie. Ogromne znaczenie ma również sama praktyka. Wiedza i umiejętności to tylko jedna strona medalu; liczą się również codzienne obowiązki w pracy, wymiana doświadczeń ze współpracownikami oraz wykorzystanie posiadanej wiedzy teoretycznej w praktyce.

Wspomniałeś o platformie e-learningowej oraz kursach, w których bierzesz udział. Czy masz do nich dostęp dzięki pracodawcy?

Do tej pory szukałem takich kursów głównie na własną rękę. Od kiedy jednak pracuję, wymieniamy się ze znajomymi doświadczeniami oraz udzielamy sobie nawzajem cennych wskazówek.

Do ING Banku Śląskiego dołączyłeś niedawno. W jaki sposób wdrożono Cię w zakres Twoich obowiązków? Czy Twój pracodawca zaoferował Ci kursy wprowadzające? Jak oceniasz swoje początki w ING Banku Śląskim?

Nie brałem udziału w kursach wprowadzających. Powierzono mi natomiast  konkretne zadania oraz projekty, dzięki którym poznawałem specyfikę mojej pracy. Na początku – jak wiadomo – każdy z nas potrzebuje chwili, by się zaaklimatyzować w nowym miejscu. W ING przywitali mnie bardzo pozytywnie nastawieni koledzy i koleżanki, na których pomoc mogłem liczyć w każdym momencie. W późniejszym okresie wziąłem udział w szkoleniach: „Budowa modeli scoringowych z wykorzystaniem R” oraz „Prowadzenie prezentacji i organizacja spotkań”, a zdobytą wiedzę wykorzystuję w praktyce.

Na czym polega Twoja praca?

Moje obowiązki dotyczą takich czynności, jak programowanie, analiza, interpretacja osiągniętych rezultatów oraz ich wizualizacja, a w późniejszym okresie  także prezentacja wyników odpowiednim osobom. Ogromne znaczenie w mojej pracy ma również współpraca z innymi pracownikami – kiedy otrzymuję jakiś zbiór danych, jestem w stanie je przetworzyć, ale żeby to zrobić w odpowiedni sposób potrzebuję kontekstu biznesowego. Dlatego często niezbędne jest wsparcie specjalistów z innych dziedzin, np. w przypadku danych kredytowych będziemy musieli skontaktować się z działem ryzyka.  

Czy podczas takich dyskusji, np. właśnie z departamentem ryzyka przedstawiasz główne wnioski płynące z przeprowadzonej analizy? Jak wygląda taka prezentacja?

To zależy od odbiorcy projektu oraz celu samej analizy. Przykładem może być monitoring pewnych działań, w trakcie którego liczy się raportowanie, wizualizacja i wsparcie udzielane osobom, które będą docelowo korzystać z narzędzia analitycznego. W przypadku analizy predyktywnej mówimy raczej o z góry nakreślonych standardach. W scoringu kredytowym będą to pewne wytyczne, do których trzeba dostosować analizę. Kluczem zawsze jest zatem odbiorca.

Czy ING Bank Śląski spełnił Twoje oczekiwania jako pracodawca?

ING Bank Śląski dba o utrzymanie najwyższych standardów pracy, nie zapominając przy tym o ludziach oraz o znaczeniu dobrych relacji pomiędzy nimi. Odpowiadając zatem wprost na Twoje pytanie – tak, ING spełnił moje oczekiwania jako pracodawca.

Czy zadania, które wykonujesz w swojej pracy, uważasz za ciekawe i rozwijające?

Zdecydowanie, a wynika to przede wszystkim ze swobody działania i zaufania, którym obdarzył mnie mój pracodawca. Jeżeli w trakcie prac przy projekcie znajdę obszary warte zbadania, to nie mam żadnych przeszkód, by poświęcić swój czas w celu ich bardziej wnikliwej eksploracji. Tak naprawdę moja praca polega na ciągłych poszukiwaniach. Dociekliwość zatem w moim zawodzie jest bardzo ważna, a przez to rozwijająca.

Pracujesz zespołowo czy raczej indywidualnie?

Pracujemy przede wszystkim w zespołach; samemu trudno by było zbadać cały obszar, który zazwyczaj jest bardzo rozległy. Zazwyczaj dzielimy się zadaniami oraz wspólnie wypracowujemy rozwiązania.

To pytanie powinno paść właściwie na początku. Jakie zbiory danych są przedmiotem Twojej pracy?

W przypadku banku szablonowym przykładem będą oczywiście dane kredytowe. Ale analiza predyktywna nie wiąże się wyłącznie z pracą nad liczbami. Za dane uznajemy również informacje tekstowe. Ich analiza ma swoją nazwę, tzn. text mining. To obszar obejmujący takie zagadnienia, jak. m.in. analiza sentymentu, czyli wydźwięk wypowiedzi i nastawienie. Ten proces dotyczy interpretacji, czy dana wypowiedź ma wydźwięk pozytywny czy też negatywny.

Co rozumiesz poprzez dane kredytowe?

Mam na myśli m.in. historię kredytową klienta, dane dotyczące dochodu, wieku, liczby dzieci itp., co stanowi podstawę przy budowie modeli scoringowych, potrzebnych do oceny zdolności kredytowej klienta.  Czyli istotne jest nie tylko to ile zarabiamy, ale np. także czy już kiedyś braliśmy kredyt i jak przebiegała spłata.

Czy Twoja praca ma charakter projektowy?

Praca analityka przypomina pracę projektową.  Nasze przedsięwzięcia trwają często kilka miesięcy bądź tygodni, przy czym jednak nie zawsze mamy skonkretyzowane cele do osiągniecia. Sama koncepcja data science opiera się na innowacyjności i kreatywności – często badamy nieznane nam obszary i trudno przewidzieć, ile czasu będziemy musieli poświęcić na ich zbadanie. Często się również zdarza, że jeden projekt badawczy zaczyna się łączyć z kolejnym i mieć na niego bezpośredni wpływ. Trudno czasem zatem mówić o pewnych etapach. Wyzwanie w naszej pracy stanowi opanowanie umiejętności identyfikacji badanych obszarów i osiągnięcia później wymiernych korzyści w związku z przenikaniem się pewnych zagadnień.   

Czy korzystasz z metodyk projektowych?

Pracuję w departamencie  IT, gdzie korzystamy z popularnych ostatnio w IT metodyk zwinnych. Agile świetnie wpasowuje się w styl naszej pracy, ponieważ daje największą elastyczność, która dla nas wydaje się być niezbędna. Konkretnie mowa tutaj o metodyce Scrum,  która charakteryzuje się m.in. tym, że pracujemy w dwutygodniowych przedziałach czasowych, tzw. sprintach, na które wyznaczamy sobie zadania do realizacji.