CC BY
121
ставлены заведомо ложные данные; незаконная банковская деятельность (ст. 172 УК РФ) - если в состав преступной группы входит руководитель банка или другой кредитной организации [8].
Лица, обеспечивающие процесс незаконного оборота денежных средств: бухгалтеры, курьеры могут быть привлечены к ответственности как соучастники преступления.
Несмотря на действующее незаконному обналичиванию в целом противодействие, даже при наличии доказательств, преступления рассматриваемой категории нельзя назвать эффективным. Мероприятия всех контролирующих органов, направленные на предотвращение совершения этих преступлений, приносят мало результата. В связи с этим необходимы мероприятия по улучшения сложившейся ситуации:
1. постоянное освещение в средствах массовой информации последствий осужденных по данному виду экономических преступлений;
2. ввести уголовную ответственность для руководителей кредитных организаций, вовлекающих свою организацию в легализацию незаконных оборотов;
3. ввести государственный контроль над процессом изготовления печатей и штампов юридических лиц.
Таким образом, государство ведет борьбу с легализацией денежных средств, мы видим все новые попытки правительства поставить потоки финансов организаций под свой контроль.
СПИСОК ЛИТЕРАТУРЫ
1. Федеральный закон от 07.08.2001 N 115-ФЗ (ред. от 31.12.2014) «О противодействии легализации доходов, полученных преступным путем, и финансированию терроризма».
2. Российский предприниматель http:// ekonomizer.ru / page80.html.
3. Молодой ученый научный журнал http://www.moluch.ru /archive/67/11153/.
4. Инвестиции и финансы. Способы обналички денег. http://1investfin.ru/zarabotok/sposoby-obnalichki-deneg.
5. Тимин Е. Теневой рынок обналички: схемы и способы их выявления Практическое налоговое планирование. ноябрь 2014. № 5.
6. Архипова В.В. Теневая экономика и пути ее ограничения в России 2009. № 2. С. 17-19.
7. Налоговый кодекс Российской Федерации (часть вторая) от 05.08.2000 № 117-ФЗ (ред. от 06.04.2015) (с изм. и доп., вступ. в силу с 01.05.2015).
8. Уголовный кодекс Российской Федерации от 13.06.1996 № 63-Ф3 (ред. от 30.03.2015, с изм. от 07.04.2015.
ILLICIT DRUG FUNDS AS A DEVELOPMENT FACTOR SHADOW ECONOMY
AND WAYS TO COMBAT IT
© 2015
O. A. Lugovkin, candidate of economical science of «Accounting and Audit»
M. S. Shutkina, master Togliatti State University, Togliatti (Russia)
Annotation. In this article the question of illicit trafficking of money. The findings revealed ways to deal with the state organizations involved in drug trafficking and money to determine the level of responsibility of these organizations and individuals involved.
Keywords: illegal money circulation, one-day firms, criminal liability, illegal business, cashing funds. УДК 336.051
ПРИМЕНЕНИЕ ИННОВАЦИОННЫХ СЕРВИСОВ В КРЕДИТОВАНИИ НА ПОТРЕБИТЕЛЬСКОМ РЫНКЕ
© 2015
С. В. Семенов, кандидат экономических наук, доцент кафедры «Сервис и экономика в сфере услуг» Нижегородский государственный инженерно-экономический университет, Княгинино (Россия)
Аннотация. В статье рассматриваются современные тенденции по обработке информации на основе программного продукта по анализу данных - Big Data (большие данные). Современные тенденции задают направления развития компаниям различных отраслей экономики. В данной статье предлагаются к рассмотрению методы анализа показателей на основе данного программного продукта, применяемые компаниями банковского сектора, которые позволяют повысить их конкурентоспособность на потребительском рынке.
На протяжении всей истории человечества информация была дефицитом и ценностью. Однако последние десятилетия заставляют менять отношение к ней. Данные накапливаются эксабайтами (1018 байт), охватывая все: от частоты пульса пользователей «умных» браслетов до снимков удаленных галактик, от расхода воды в каждой квартире до параметров ядерных реакторов. Согласно оценкам компании Cisco, к концу 2014 г. только ежемесячный мобильный трафик данных в мире составил 2,5 эксабайт, к 2019-му он достигнет 24,3 эксабайт в месяц, а число подключенных мобильных устройств превысит 10 млрд единиц. На Facebook ежечасно загружается более 10 млн фотографий. На YouTube каждую секунду загружается более часа видео. По прогнозам международных экспертов, к 2020 г. общий объем цифровых данных достигнет 40 зеттабайт. Для понимания масштабов: если записать 40 зеттабайт (40* 1021 байт) данных на самые емкие современные диски Blue-ray, суммарный вес дисков без упаковки будет равен весу 424 авианосцев. При этом используется лишь менее 3 % из 23 % потенциально полезных данных.
Ключевые слова: анализ, большие данные, заемщик, инвестиция, кредит, мультибиометрические данные, онлайн-магазин, потребитель, предсказательная модель, профиль пользователя, ритейл, скоринг, скоринговая система.
Накопленные данные росли в объеме на протяжении всего развития современной цивилизации, и их анализом занимались издавна. Стремительное снижение стоимости хранения и обработки лишь делает работу с данными все более доступной.
Количественные изменения начинают переходить в качественные. Отличие первое: данные становятся все детальнее и персонифицированнее и собираются у все большего числа игроков. Если раньше анализ велся преимущественно на макроуровне, то сейчас даже владелец небольшой сети магазинов может отслеживать и анализировать действия своих покупателей и монетизировать результаты этого изучения. Второе отличие - качественное: отказ от проверки простых гипотез о причинно-следственных взаимосвязях в пользу более сложных математических моделей. То, что раньше делалось «вручную», теперь начинают доверять системам машинного обучения.
Чтобы показать разницу, разберем методы анализа. Из имеющихся данных с известными «ответами» делаются две выборки: обучающая и контрольная. К первой подбираются функции, максимально точно отражающие зависимость искомого показателя от имеющихся данных. Обычно при этом используются логистическая регрессия, случайные «леса», бустинг деревьев решений, байесовские алгоритмы. Подобрав конкретные параметры в семействе алгоритмов, получаем искомую модель [2, с. 43].
Затем производится проверка предсказательной способности полученной модели на контрольной выборке. Это позволяет избежать «переобучения» - излишней подгонки модели под случайные особенности обучающей выборки, отсутствующие в генеральной совокупности. На ней полученная модель используется в рабочем режиме.
Практическое применение программного продукта «больших данных» рассмотрим на примере проведения задания, предложеннгое на открытом конкурсе компаниями SAS и «Алгомост». Участникам пред-
лагалась реальная база клиентов Промсвязьбанка с просроченными кредитами. На основании трех десятков стандартных критериев (размер кредита, остаток задолженности, возраст, пол, место проживания заемщика и т. д.) необходимо было составить модель, предсказывающую, вернет ли должник кредит, а следовательно, стоит ли на него тратить усилия коллекторов.
Для начала на обучающей выборке участниками проверялись очевидные закономерности: между продолжительностью просрочки, величиной остатка кредита, размером ставки и вероятностью непогашения кредита имеется прямая зависимость. А, например, наличие поручителей и зрелый возраст заемщика повышают вероятность возращения долга.
После этого выделяются признаки, формирующие подгруппы, «живущие по своим законам». Например, смерть заемщика резко повышает риск невозврата при любых других параметрах. Уменьшение размера остатка положительно влияет на вероятность возврата только до некоторого значения, после которого шансы на возврат резко падают. Можно предположить, что коллекторы не заинтересованы тратить время на задолженности в 1-2 тыс. рублей. Женщины платят чаще, чем мужчины; города в зависимости от региона делятся на благополучные и не очень, в деревне вне зависимости от региона не платят одинаково. После этого для каждой группы подбираются функции, наиболее точно связывающие вероятность погашения со значимыми параметрами. Совокупность этих функций образует модель, тестируемую на контрольной выборке и, в случае успеха, используемую в рабочем режиме на генеральной совокупности [3, с. 11].
Альтернативой здравому смыслу и проверке возможных взаимосвязей вручную является машинное обучение: автоматический перебор различных вариантов и нахождение наиболее значимых корреляций.
Подобный метод может найти зависимости неочевидные, а то и просто поразительные для человека.
Технология компании «Яндекс» «Матрикснет» способна строить формулы с десятками тысяч коэффициентов. Она используется и для оптимизации поиска в «Яндексе», и для поиска по событиям любого эксперимента, и для анализа больших данных. В недавно завершенном проекте «Яндекс», выполнявшемся для одного из крупнейших розничных банков России, стояла задача повысить доходность вторичных продаж, предложив каждому клиенту персонализированное предложение наиболее интересных для него продуктов. Также предстояло выяснить, какой именно способ донесения информации является наиболее эффективным для каждого клиента: обычная почта, e-mail, СМС или звонок из колл-центра. Для решения задачи были взяты данные о нескольких миллионах клиентов банка, их кредитную историю, историю сотрудничества с банком, данные об уже приобретенных банковских продуктах, о поле, возрасте, семейном положении и множество другой информации. На основе этого с помощью технологии компании «Яндекс» была сделана предсказательная модель, которая определяла вероятность подключения клиента исходя из его «исторической» и персональной информации к той или иной услуге банка. Потом мы применили эту модель к текущим данным банка, научив ее с высокой вероятностью рекомендовать именно то, что хочет клиент. И потом применили к полугодовым данным, обработав полученные рекомендации с учетом вероятности подключения к продукту и его прибыльности. Проведенный анализ позволил банку на 13 % улучшить рост продаж по сравнению с тем методом, который банк использовал до этого [10, с. 55].
Результатом работы системы машинного обучения является «черный ящик» - сложная система функций, не только не раскрывающая причинно-следственные связи, но и не показывающая даже логические соотношения используемых в анализе величин. Это связано с тем, что чаще всего в задачах Big Data используют нейросетевые методы, которые плохо интерпретируемы. В проектах Промсвязьбанка не устанавливаются взаимосвязи, особенность машинного обучения и его ценность состоит как раз в том, что для успешного построения модели не требуется понимать, что с чем связано. В противном случае человек всегда бы решал такие задачи лучше. При внедрении данного метода изменилось соотношение математиков и экономистов, до внедрения в отделах 90 % сотрудников были экономисты и лишь 10 % - математики; после внедрения соотношение обратное.
В результате получается подтверждение не причинно-следственных связей, а лишь наличия корреляций, рождаются гипотезы. Например, значимая корре-
ляция между уровнем образования и уровнем доходов еще не говорит о том, что причиной чего является, но может быть интуитивно предсказана. Во втором случае алгоритм обучения задается людьми и корректируется под решаемую задачу. Однако чем дальше, тем больше в принятии решений нам придется жертвовать пониманием ради эффективности.
В случае оценки платежеспособности одного клиента можно уточнить, перепроверить и запросить дополнительные сведения. При скоринге сотен тысяч потенциальных клиентов и необходимости дать ответ в течение минут приходится принимать решения с более высокой вероятностью ошибки. В банке это привычно, но представьте, что в дождливые осенние сум ерки на вас несется автопилотируемый автомобиль, система управления которого пытается сопоставить смутный образ на дороге с базой данных и понять, человек это или лишь дымка мороси. В этом случае точность выявления закономерностей вам может показаться куда более значимой.
В больших данных Россия пока некритично отстает от мирового рынка. Многие крупные компании уже занимаются ими или как минимум присматриваются к Big Data. Например, в России о проектах анализа больших данных заявляли Сбербанк, ВТБ24, «Вымпелком», «Мегафон», «Юлмарт», Альфабанк, «Эльдорадо». Пока наибольшую активность проявляют банки, телеком и торговля. Серьезный и до сих пор неиспользуемый потенциал имеют здравоохранение, ЖКХ, транспорт и государственное управление, а также крупные промышленные корпорации «Объединенная судостроительная корпорация», «Объеденная авиастроительная корпорация», «Ростехнологии».
Именно банки сейчас главные российские энтузиасты в применении анализа больших данных. Экономическая ситуация их явно стимулирует. «Сегодня выдавать кредиты смерти подобно, а не выдавать -верная смерть», - с грустью объясняет банкир, вынужденный срочно заняться апгрейдом системы ско-ринга.
Вероятность возврата кредита можно прогнозировать по району проживания, марке автомобиля: наихудший прогноз для пешеходов и обладателей ГАЗов, наиболее дисциплинированные - владельцы «Фольксвагенов», утверждают в компании «Алго-мост», внедряющей сейчас скоринговую систему в одном из крупных розничных банков. Влияет на вероятность выплаты даже окончание фамилии. Например, самые добросовестные заемщики - обладатели армянских фамилий.
Анализ страниц клиентов в социальных сетях, содержания постов и связей с другими пользователями может помочь в оценке вероятности невыплат по кредитам. Но пока это скорее теория, успевшая, впро-
чем, стать популярной страшилкой. В автоматическом режиме верно отыскивается лишь 40 % персональных страниц. Считаные банки запрашивают у клиентов адреса личных страниц. Зато анализ социальных сетей помогает в маркетинге - массовое изучение содержимого социальных сетей помогает выявить граждан, с высокой вероятностью готовящихся, например, к покупке машины или квартиры, что позволяет сделать им опережающее предложение. Поэтому особого смысла «облагораживать» свой образ в социальных сетях нет: вы лишь получите меньшее число более выгодных персональных предложений, а отсутствие информации или ее искажение вряд ли приведет к негативным решениям банка или страховой компании. Однако в отличие от них, работающих с большими данными, работодатели, текущие и потенциальные, готовы тратить время на персональный анализ, поэтому расслабляться на своей «уютной страничке» все же не стоит [16, с. 24].
От банков не отстают торговцы, прежде всего работающие в онлайне. Рекомендательные сервисы и контекстная реклама, основанные на анализе данных, собранных при слежке за поведением пользователя, давно стали отраслевым стандартом. «Мы разработали модели индивидуальных рекомендаций для покупателей, чтобы определить наиболее релевантное предложение каждому из них. Мы можем персонально выстраивать страницу предложений для каждого посетителя в отдельности, основываясь на той истории покупок, поведения и прочих данных, которые есть в системе. Фактически это полностью персонализированная версия сайта, которая успела вас опознать, выгрузить все необходимые данные о поведении на различных сайтах, обработать их и показать вам индивидуальные предложения за мгновение. Каждую секунду мы обрабатываем около 300 тысяч событий», -рассказывает Саймон Проект, основатель российского стартапа Flocktory, уже работающего более чем с 40 % российского рынка e-commerce («Озон», «М.видео», Groupon, Lamoda, «Связной», «Утконос», S7). Для персонализации предложений собираются данные из модулей платформы, интегрированной с большинством крупных онлайн-ритейлеров, и из открытых источников, включая социальные сети, доступ к своим страницам в которых дает пользователь при авторизации через свой профиль.
Основной набор данных, которые используются сейчас, можно разделить на три группы:
- основные характеристики посетителя: сюда входят такие данные, как возраст и пол, регион покупок, сила социального влияния, страница «приземления» на сайте, источник трафика и др.;
- данные о поведении: текущая просматриваемая страница, глубина переходов и количество про-
смотренных страниц, наличие товаров в корзине, проведенное на сайте время, намерение покинуть сайт и т. п.;
- данные о покупках, такие как средний чек и частота покупок, тип клиента: новый, «спящий», возвращающийся и т. д.
Пример отдачи от инвестиций в анализ данных привел на круглом столе «Большие данные: тренд новых информационных технологий», проведенном CNews, Николай Валиотти, руководитель отдела стратегического анализа и сценарного планирования ри-тейлера «Юлмарт». Благодаря решениям, принятым на основе анализа данных, компания, затратив 150 млн рублей, сумела увеличить объем продаж на 3 млрд рублей.
Работа в офлайне имеет свою специфику. В он-лайн-магазинах преимущественно покупаются разовые товары, в традиционных - регулярно приобретаются одни и те же наименования, что дает больше информации и возможностей для манипулирования покупателем. Следующим шагом может стать идентификация на основе распознавания лиц. Тогда каждого покупателя можно будет преследовать рекламой не только в момент предъявления персональных карт, но и прямо у товарных полок и уличных витрин [18, с. 53].
Настоящий кладезь данных, в том числе для ри-тейла, информация о перемещениях людей. «Розничные сети могут принимать решения об открытии новых торговых точек на основе данных, имеющих географическую привязку: данных сотовых операторов и данных банков об использовании пластиковых карт. Ритейл сопоставляет их с информацией своей программы лояльности и данными об оплате. Таким образом, можно ранжировать места возможного открытия торговых точек с точки зрения присутствия и перемещений целевой аудитории, оценивать эффективность рекламных компаний, принимать решения об оптимизации или реструктуризации существующей сети», -утверждают эксперты компании Forecsys.
Геоданные востребованы также самими сотовыми операторами. В «Вымпелкоме» рассказывают, что занимаются анализом больших данных в десяти направлениях. Например, анализ перемещений клиентов наиболее перегруженных офисов позволяет предложить им информацию об адресах, которые, возможно, им более удобны. Анализ поведения клиента может позволить удержать его от ухода. Так, если сим-карту переставили из дорого смартфона в недорогой, вероятно, для смартфона была приобретена карта другого оператора, и стоит предложить клиенту тариф, выгодный для его личного профиля потребления услуг. Также возможны упреждающие меры в режиме
реального времени в случае звонка оператору-конкуренту или посещения его сайта.
Государственные институты России пока достигли незначительных успехов в оцифровке данных. Подобный опыт есть у Пакистана. Национальное агентство по управлению базами данных и регистра-циями граждан Пакистана (NADRA) создала одну из самых крупных мультибиометрических систем в мире - персональные данные получили более 100 млн граждан Пакистана. Сбор и очистка данных потребовали немалых усилий: для раздачи биометрических идентификационных документов в горных районах пришлось даже нанимать альпинистов и лыжников.
Поскольку многие операции, прежде всего финансовые, требуют предъявления удостоверения личности, то их анализ позволил получить картину хозяйственной деятельности значительной части населения и выделить потенциальных налогоплательщиков: владельцев дорогих автомобилей и множества банковских счетов, жителей дорогих районов, активных потребителей. Из них 2,4 млн не имели индивидуального номера налогоплательщика, а еще 1,2 млн граждан, его получивших, не подавали налоговую декларацию [20, с. 60].
Удостоверения личности выдаются бесплатно, деньги взимаются за ускоренную выдачу и за идентификацию при операциях. Например, при открытии счета банк платит за подтверждение личности 35 рупий (0,35 доллара). За пять лет доходы (сборы) выросли в три раза, а число сотрудников увеличилось до 18 тыс. чел.
России до этого еще далеко. Несмотря на пришедший из тоталитарного прошлого институт прописки, предполагающий контроль за каждым, государство по-прежнему мало что знает о своих гражданах. Ярким симптомом этого являются переписи, которые приходится регулярно проводить, несмотря на то, что, по словам переписчиков, 20-30 % анкет просто «нарисованы». Однако можно надеяться, что постепенная унификация и объединение многочисленных государственных баз данных и развитие систем их анализа позволят и в России реализовать тотальный контроль контингента [19, с. 54].
Внедрение решений на основе анализа больших данных на практике куда сложнее, чем это выглядит в кратких описаниях. Причиной тому несколько проблем. Первая - взаимопонимание с бизнесом. Результатом должен стать не прогноз, а решения, принятые на его основе. Зачастую клиенты ставят слишком узкие задачи, в принципе не решаемые на основе имеющихся данных.
Вторая проблема - доступность, чистота и совместимость данных. «Различные интернет-магазины хранят и каталогизируют свои данные совершенно по-разному. Один и тот же телефон в разных магазинах
может быть идентифицирован как гаджет, смартфон, телефон и т. д.
Третья сложность - взаимоотношения с заказчиком. Заказчики внедрение подходов на основе Big Data часто воспринимают как конкурентов. Сложно иногда заставить клиента сотрудничать, скажем, чтобы собрать бизнес-требования или сделать корректную выгрузку данных.
Проведенное исследование применения Big Data на современном этапе охватывают такие направления деятельности: банковский сектор, ретейл, продажа товара в Интернете и т. д. Промышленные корпорации: «Объединенная судостроительная корпорация», «Объеденная авиастроительная корпорация», «Росте-хнологии», на наш взгляд, могли использовать Big Data для повышения конкурентоспособности продукции, прогнозировать выход из строя дорогостоящего оборудования и т. д.
Причинами нежелания внедрять Big Data возможно является сохранение конфиденциальности, что накладывает ограничения на работу с персональными данными, в том числе и на законодательном уровне.
Однако, несмотря на существующие сложности и закрытость рынка, многие ИТ-компаний прогнозируют развитие данного рынка. Согласно оценке мировых экспертов, мировой объем рынка технологий и услуг в сфере больших данных будет ежегодно расти в среднем на 26,4 %, что примерно в шесть раз быстрее всего ИТ-рынка, и к 2018 году достигнет объема 41,5 млрд долларов.
СПИСОК ЛИТЕРАТУРЫ
1. Агамирзян И. Р. Территория Больших Данных: Terra Incognita? / АиТ, 2012. № 10. С. 22-30.
2. Балашов Е. Б., Наумов Е. А. О корпоративных моделях государственно-частного партнерства в сфере науки и инновационной деятельности // Государственно-частное партнерство в инновационных системах. М., 2008. 149 с.
3. Будзко В. И. Соколов И. А., Синицин И. Н. Построение информационно-телекоммуникационных систем высокой доступности / Системы высокой доступности. 2005. № 1. Т. 1. С. 6-14.
4. Будзко В. И., Леонов Д. В., Николаев В. С., Оныкий Б. Н., Соколина К. А. Мультиагентные информационно-аналитические системы (МИАС) по научно-техническим направлениям / Системы высокой доступности. 2011. № 4. Т. 7. С. 5-16.
5. Будзко В. И., Шмид А. В. О создании отказоустойчивых и катастрофоустойчивых центров коллективной обработки банковской информации // 6-я Всероссийская конференция «Информационная безопасность России в условиях глобального информационного общества»: сборник материалов. Москва. 2004. С. 145-158.
6. Бурков В. Н., Новиков Д. А. Как управлять проектами. М. : РОЭЛ, 2010. 128 с.
7. Бэгьюли Ф. Управление проектом. М. : ГРАНД, 2012. 245 с.
8. Варнавский В. Г. Государственно-частное партнерство в России: проблемы и перспективы // Отечественные записки. 2004. № 6. С. 50-54.
9. Воропаев В. И. Управление проектами в России. М. : Аланс, 2011. 210 с.
10. Гаврилов Н. И., Турлапов В. Е. Подходы к оптимизации GPU-алгоритма volume raycasting для применения в составе виртуального анатомического стола / Научная визуализация. 2012. Кв. 2. Т.4. № 2. С.21-56.
11. Голубцов А. Н. Информационная политика -основа политики инновационной / Материалы VII Международной научно-практической конференции по проблемам стратегического управления 25 декабря 2009 года. Владимир: Собор, 2009. 344 с.
12. Грошева Н. Б. Методология интеграции проектного управления инновационной деятельностью в систему регионального управления: дисс...д-ра экон. наук: 08.00.05 / Н. Б. Грошева - Красноярск, 2011. 356 с.
13. Дюльманова Т. М. Основные тенденции трансформации экономической системы России: дисс. .канд. экон. наук: 08.00.01 / Дюльманова, Таттэ Михметовна. Саратов, 2006. 193 с.
14. Касперская Н. И. Большие Данные в информационной безопасности / Касперская Н. И. АиТ, 2013. № 10. С. 9-15.
15. Кузнецов С. О., Игнатов Д. И. Решетки формальных понятий в современных методах анализа данных и знаний. АиТ, 2013. № 10. С. 13-19.
16. Позин Б. А Современные тенденции Больших Данных. Взгляд технолога. АиТ, 2013. № 10. С.23-29.
17. Путин Р. В. Автоматизация подготовки и ведения нормативно-справочной информации на основе ретроспективного анализа Больших Данных / АиТ, 2013. № 10. С. 67-75.
18. Топорков В. В. Пакетная обработка заданий в распределенных вычислительных средах с неотчуждаемыми ресурсами. АиТ, 2012. № 10. С. 52-70.
19. Топорков В. В. Большие данные и экономические модели организации вычислений в распределенных средах / АиТ, 2013. № 10. С. 45-50.
20. Устюжанин А. Е. Машинное обучение как инструмент современного ученого / АиТ, 2013. № 10. С.60-67.
21. Шапиро В. Д. Управление проектами. СПб. : Изд-во С. Петербургского университета, 2011. 134 с.
22. Хартанович К. В. Модернизация экономики как основной механизм движения к инновационному обществу / Межвузовский сборник научных трудов. «Региональная экономика: проблемы и перспективы» // Владимир, Собор, 2008. 320 с.
THE USE OF INNOVATIVE SERVICES IN THE CONSUMER LENDING MARKET
© 2015
S. V. Semenov, the candidate of economic sciences, the associate professor of the chair «Service and economy in the service sector» Nizhniy Novgorod state engineering-economic university, Knyaginino (Russia)
Annotation. The article discusses current trends in information processing on the basis of software for data analysis - Big Data (big data). Modern trends set the direction for the development of companies in different sectors of the economy. In this paper we propose to consider methods of analysis indicators on the basis of the software used by the companies of the banking sector, which will improve their competitiveness in the consumer market.
Throughout human history, information was scarce and valuable. However, the last decades are forced to change the attitude to her. Data is accumulated exabytes (1018 bytes), covering everything from heart rate of users of smart wristbands close up pictures of distant galaxies, from water consumption in each apartment to the parameters of nuclear reactors. According to estimates by Cisco, by the end of 2014 only monthly mobile data traffic in the world was 2.5 exabytes to 2019 th he reach of 24.3 exabytes per month, and the number of connected mobile devices will exceed 10 billion units. On Facebook every hour downloaded more than 10 million photos. On YouTube every second, loading more than an hour of video. According to the forecasts of international experts, by 2020 the total volume of digital data will reach 40 zettabytes. To understand the scale: if we write 40 zettabytes (40*1021 bytes) of data to the most capacious modern disks Blue-ray, the total weight of the discs without packaging will be equal to the weight of 424 aircraft carriers. This uses only less than 3 % of the 23 % of potentially useful data.
Keywords: analysis, big data, borrower, investment, loan, multi biometric data, online shopping, the consumer, the predictive model of the user profile, retail, scoring, scoring system.
