Аналітика даних у банках: 10 практичних сценаріїв використання
  • Практика, цифри та реальні кейси

Аналітика даних у банках:
10 практичних сценаріїв використання

Де ваша фінансова установа втрачає гроші, які ризики можна побачити раніше та що вже дає вимірюваний ефект? Розбираємо на досвіді Cobit Solutions і міжнародних банків.

30-хвилинна консультація
Читати статтю

2–3×

вища увага до персоналізованих пропозицій

18 %

вище рівень утримання клієнтів

15–20 %

менший ризик проблемних кредитів

на 67,6 %

менше випадків фінансових втрат

до 3×

більше виявлених AML-схем

Що дає банку аналітика в грошах?

Саме через ці показники на дані дивляться власники та керівники банків.

Більше продажів на клієнта

Менше кредитних втрат

Точніше планування капіталу

Нижчі операційні витрати

У цьому матеріалі розберемо 10 практичних сценаріїв використання аналітики в банках.

Ви побачите:

  • які рішення вже використовують міжнародні банки
  • яких результатів вони досягають
  • які дані та інфраструктура потрібні для запуску таких сценаріїв
  • де аналітика може дати найбільший бізнес-ефект

У матеріалі ми спираємося на досвід нашої компанії Cobit Solutions та відкриті кейси міжнародних банків, оскільки через NDA не можемо називати клієнтів із власних банківських проєктів.

Почнемо з питання, яке стоїть першим для будь-якого бізнесу.

ЗРОСТАННЯ ДОХОДІВ

Як аналітика допомагає банку заробляти більше

Розглянемо ситуацію, коли клієнт уже користується банком. Як збільшити дохід від цих відносин? Персоналізація на основі даних допомагає підвищити цінність кожного клієнта для банку.

За її допомогою банк може враховувати поведінку клієнта, транзакції, залишки, продукти та активність у цифрових каналах — і визначати наступну найбільш релевантну дію.

Гіпер-персоналізація

Прогнозування відтоку

Нові джерела доходу

01
Гіперперсоналізація в реальному часі

Уявімо клієнта, який щойно придбав авіаквитки. Для банку це сигнал: найближчим часом йому можуть знадобитися страхування, вигідні умови для розрахунків за кордоном або інший продукт для подорожей.

Таких сигналів може бути сотні: зростання залишку, регулярний платіж, зміна структури витрат, новий великий переказ. Прогнозна аналітика дозволяє обробляти ці сигнали та визначати, який продукт найімовірніше зацікавить конкретного клієнта.

З нашого досвіду персоналізовані пропозиції можуть у 2–3 рази частіше привертати увагу клієнтів.

2–3×

Персоналізовані пропозиції можуть у 2–3 рази частіше привертати увагу клієнтів.

02
Прогнозування відтоку клієнтів

Коли варто починати працювати з клієнтом, який може піти? Найкраще — ще до закриття рахунку. Перші сигнали з’являються раніше. Клієнт рідше користується карткою, переводить регулярні платежі в інший банк, скорочує залишки або зменшує оборот за рахунком.

Прогнозна аналітика допомагає об’єднати ці зміни та визначити клієнтів із високим ризиком відтоку. 

В одному з наших кейсів європейський банк використав машинне навчання для прогнозування відтоку споживачів банківських послуг. Цільова кампанія допомогла підвищити рівень утримання активних клієнтів на 18 %.

18 %

Вищій рівень утримання клієнтів.

03
Нові джерела доходу з даних

Чи можуть дані допомогти банку знайти додаткові джерела доходу? Так. Агрегована аналітика дозволяє досліджувати споживчу активність, структуру платежів, поведінку окремих сегментів і зміни попиту. На основі таких висновків банк може знаходити нові можливості у вже наявних продуктах або створювати окремі аналітичні сервіси для корпоративних клієнтів і партнерів.

В одному з кейсів Visa великий американський емітент карток за допомогою аналітики виявив втрачені можливості для отримання комісійного доходу. Після змін дохідність портфеля зросла на 3 %, а банк почав отримувати додаткові $100 000 на рік.

+3 %

Доходність портфеля зросла

+$100К

Прибутку додатково на рік

Ключові висновки

Як дані перетворюються на дохід?

Сигнал

Клієнт змінює поведінку, залишки, платежі або активність.

Прогноз

Модель визначає потребу, ризик або потенційну можливість.

Дія

Банк запускає персональну пропозицію, контакт або інший сценарій.

Ефект

Банк збільшує продажі, утримує клієнтів і знаходить нові джерела доходу.

ЗАХИСТ ДОХОДІВ

Як аналітика захищає капітал банку?

Наступне питання власника: де ми можемо втратити гроші? Тут аналітика працює одразу на кількох рівнях. Вона допомагає оцінювати позичальників, стежити за кредитним портфелем, знаходити шахрайство та моделювати навантаження на капітал.

04
Кредитний скоринг нового покоління

Два клієнти можуть мати схожий кредитний рейтинг і зовсім різний рівень ризику. Для точнішої оцінки банк може використовувати прогнозну аналітику, побудовану на моделях машинного навчання. Такі моделі враховують рух коштів, транзакційну поведінку, характеристики бізнесу та інші доступні фактори.

На основі цих даних можна точніше оцінити ймовірність неповернення кредиту. Результати аналізу допомагають під час ухвалення рішення, визначення ліміту й ставки та подальшого моніторингу позичальника. 

З нашого досвіду використання ML моделей допомагає зменшити ризик виникнення проблемних кредитів на 15–20 %.

15-20 % менший ризик проблемних кредитів

05
Раннє виявлення проблемних кредитів

Кредит виданий. Що відбувається з ризиком далі? Адже фінансовий стан позичальника може змінюватися. Падіння оборотів, скорочення надходжень, збільшення боргового навантаження та зміна платіжної поведінки можуть свідчити про майбутню проблему. 

Система раннього попередження на основі прогнозної аналітики збирає такі сигнали та формує список клієнтів, які потребують уваги. Тож ризикова команда отримує можливість працювати з ними раніше та правильно розставляти пріоритети. 

У дослідженні міжнародного банку 2025 року, ML допомагала запобігти 67,6 % випадків, які могли призвести до фінансових втрат.

67,6 % фінансових втрат було попереджено

06
Інтелектуальний антифрод та AML

Одна підозріла транзакція може нічого не показати. А що, якщо подивитися на весь ланцюжок? Машинне навчання та мережевий аналіз допомагають знаходити зв’язки між рахунками, платежами й учасниками, які залишаються непомітними під час перевірки окремих операцій.

Показовий приклад — міжнародний проєкт Aurora Банку міжнародних розрахунків.

Під час тестування завдяки поєднанню машинного навчання, мережевого аналізу та технологій захисту даних вдалося втричі збільшити виявлення складних схем відмивання коштів. Кількість помилкових спрацьовувань при цьому скоротилася на 80%.

Кількість помилкових спрацьовувань при цьому скоротилася на 80 %.

до 3× більше складних AML-схем · на 80 % менше помилкових спрацьовувань

07
Стрес-тестування та планування капіталу

Що станеться з портфелем банку під час глибокої рецесії? Відповісти на це питання допомагає сценарне моделювання. Банк може оцінити можливі збитки, доходи, витрати та рівень капіталу за різних економічних умов.

У 2026 році регулятор Federal Reserve перевірив 32 великі банки, серед яких Bank of America, JPMorgan Chase, Citigroup, Goldman Sachs, Capital One та Wells Fargo.

За сценарієм глибокої глобальної рецесії сукупні втрати могли перевищити $708 млрд, а показник основного капіталу першого рівня знизився б на 1,6 відсоткового пункту. Водночас усі 32 банки зберегли капітал вище мінімальних регуляторних вимог і могли продовжувати кредитування.

виявлено $708 млрд потенційних втрат тільки за неповний 2026 рік

Окрім регуляторних перевірок, банки можуть проводити власні внутрішні стрес-тести під конкретні ризики та управлінські завдання. Наприклад, моделювати різке зростання прострочень, зміну процентних ставок або погіршення ситуації в окремому кредитному сегменті. Такі розрахунки допомагають заздалегідь оцінити запас капіталу, скоригувати кредитну політику та підготуватися до можливих змін на ринку.

ОПЕРАЦІЙНА ЕФЕКТИВНІСТЬ

Як знизити операційні витрати банку

Тепер перейдемо до Cost-to-Income. Де банк витрачає гроші щодня? Готівка, інкасація, праця співробітників, обслуговування великої мережі обладнання.

У масштабах великої фінансової установи навіть кілька відсотків економії перетворюються на суттєві суми.

Оптимізація готівкового обігу

Генеративний ШІ як помічник

Прознозування збоїв банкоматів

08
Оптимізація готівкового обігу

Скільки готівки потрібно конкретному банкомату завтра? Відповідь можна спрогнозувати. Модель враховує історію операцій, день тижня, сезонність, свята, місце розташування та інші фактори. На основі прогнозу банк планує поповнення банкоматів і маршрути інкасації.

Cobit Solutions оцінює, що робота з готівкою може формувати 5–9 % загальних операційних витрат банку.

При цьому майже половина наших клієнтів використовувала ручні розрахунки для прогнозування потреб відділень і банкоматів.

5–9 %

операційних витрат банку може припадати на роботу з готівкою

09
ШІ-помічник для співробітників банку

Скільки часу працівник банку витрачає на пошук документа, внутрішньої політики або потрібної інструкції?

Корпоративний ШІ-помічник може знаходити інформацію, узагальнювати документи та допомагати підготуватися до зустрічі. Такі рішення вже використовуються в реальних банківських процесах.

Один із найпоказовіших прикладів — Bank of America. Внутрішнім помічником Erica користуються понад 90 % працівників банку, а кількість звернень до ІТ-служби підтримки зменшилася більш ніж на 50 %. 

90 %

працівників користуються Erica, а кількість звернень у підтримку зменшилася на 50 %

10
Прогнозування збоїв банкоматів

Поломку банкомата теж можна передбачити. Обладнання постійно генерує журнали подій, повідомлення про помилки та технічні показники. Моделі машинного навчання аналізують ці дані й знаходять ознаки, які можуть передувати відмові окремих компонентів.

Такий підхід використовував Bank of New Zealand. Система прогнозного обслуговування допомогла банку скоротити простої банкоматів на третину, зменшити кількість помилок на 65 % і витрати на технічне обслуговування — на 30 %.

1/3

зменьшення простоїв банкоматів

30 %

зменьшення витрат на обслуговування

Ключові висновки

Де банк економить щодня?

Готівка та інкасація

точніші прогнози поповнення і кращі маршрути

Час працівників

швидший доступ до документів та інструкцій

Обладнання

стає значно менше простоїв та аварійних ремонтів

Процеси

нижчі операційні витрати і стабільний сервіс

Чому хорошого сценарію недостатньо?

Припустимо, банк хоче запустити персоналізацію. Де лежать потрібні дані? Частина — в CBS. Інша — в CRM, картковому процесингу, мобільному банкінгу та кредитних системах.

Показники можуть мати різні формати, правила розрахунку та періодичність оновлення. Об’єднання цих джерел і створює складнішу частину аналітичного проєкту.

Силоси
даних

Для більшості описаних сценаріїв потрібна інформація одразу з кількох систем. Тому першим завданням стає інтеграція джерел і створення спільного середовища даних.

Якість
даних

Модель успадковує проблеми початкових даних. Дублікати, пропуски, різні правила розрахунку показників і помилки безпосередньо впливають на результат.

Застаріла архітектура

Нові рішення часто інтегруються із системами, які працюють десятиліттями. Архітектура має забезпечити стабільний обмін даними та можливість підключати нові сценарії.

Дефіцит експертизи

Для повноцінної аналітичної системи потрібні архітектори, інженери даних, BI-фахівці, аналітики та спеціалісти з машинного навчання. Команда має одночасно розуміти технологію та бізнес-завдання банку.

Безпека та комплаєнс

Доступ до банківських даних потребує чітких правил. Ролі, журналювання, захист персональної інформації, контроль моделей та відповідність регуляторним вимогам закладаються в архітектуру проєкту.

У результаті окремий сценарій перетворюється на системне завдання.

Технічна основа

Як Cobit Solutions допомагає банкам працювати з даними

Усі 10 сценаріїв, які ми розглянули вище, потребують якісних даних, правильної архітектури та аналітичних моделей.

Cobit Solutions може закрити цей технологічний цикл — від об’єднання банківських систем до прогнозної аналітики та рішень на основі ШІ.

Гіперперсоналізація

Об’єднаємо транзакційні та клієнтські дані й підготуємо їх для прогнозної аналітики. Побудуємо моделі машинного навчання для персональних пропозицій.

Прогнозування відтоку

Побудуємо прогнозну модель, яка визначає клієнтів із підвищеним ризиком відтоку. Вона допоможе формувати цільові групи для утримання.

Нові джерела доходу з даних

Створимо єдине сховище та підготуємо агреговані набори даних. Побудуємо аналітичні продукти для внутрішніх команд, корпоративних клієнтів або партнерів.

Кредитний скоринг

Розробимо моделі машинного навчання для оцінки кредитного ризику. Інтегруємо результати в аналітичну систему банку.

Раннє виявлення проблемних кредитів

Налаштуємо прогнозні моделі та систему ранніх сигналів. Вона допоможе визначати позичальників із підвищеним ризиком.

Антифрод та AML

Об’єднаємо транзакційні потоки та підготуємо дані для виявлення аномалій. Побудуємо моделі для пошуку підозрілих операцій та закономірностей.

Стрес-тестування та планування капіталу

Побудуємо сценарні моделі для різних економічних умов. Вони покажуть можливий вплив на кредитний портфель, прибуток і капітал.

Оптимізація готівкового обігу

Створимо прогнозні моделі для планування потреби банкоматів і відділень у готівці. Візуалізуємо результати у Power BI.

ШІ-помічники для співробітників

Підготуємо корпоративні дані для роботи з великими мовними моделями. Створимо внутрішні ШІ-рішення для пошуку, аналізу й опрацювання інформації.

Прогнозування збоїв банкоматів

Побудуємо моделі прогнозного технічного обслуговування. Для аналізу використаємо журнали подій, історію несправностей і технічні показники обладнання.

Для реалізації таких рішень команда Cobit Solutions працює з інтеграцією даних, ETL/ELT, DWH, Data Lake і Lakehouse, Power BI, прогнозною аналітикою, машинним навчанням та AI. Окремо можемо побудувати систему керування даними, налаштувати контроль якості, доступи та підготувати єдину аналітичну основу для кількох сценаріїв.

Як може виглядати аналітика в Power BI

Через конфіденційність даних ми не публікуємо реальні дашборди. Нижче — кілька прикладів, які демонструють можливості Power BI та підхід Cobit Solutions до візуалізації бізнес-даних.

Динаміка продажів

Динаміка продажів

Порівняння показників торгових точок

Cashflow

Cashflow

Рух грошових коштів

Фактичні показники бюджету

Фактичні показники бюджету

Аналіз доходів та відхилень від бюджету

Аналіз чеків

Аналіз чеків

Середні показники на один магазин

Аналіз оборотного капіталу

Аналіз оборотного капіталу

Аналітика готівки, дебіторської, кредиторської заборгованості та запасів

Контроль інвентаризації

Контроль інвентаризації

Аналіз нестач, списань і повернень

Cobit Solutions

Також пропонуємо вам ознайомитися з іншими нашими проектами

Мережа клінік «Добробут»

Медицина

Мережа клінік «Добробут»

Результат:

  • Директори клінік отримали щоденний звіт P&L;
  • Посібник мережі використовує щоденний план/факт звіт за оперативними показниками;
  • Об'єднали в BI дані 1С та медичної системи Doktor Eleks.
Більше про проєкт
Компанія “Meest China”

Логістика

Компанія “Meest China”

Результат:

  • Дашборди Power BI об'єднали дані 1С та BPM Online;
  • Маржинальність маршрутів обчислюється та контролюється щодня;
  • Щоденний звіт P&L;
Більше про проєкт
Симпатик — завод з виробництва косметики

Виробництво

Симпатик — завод з виробництва косметики

Результат:

  • Інтегрували Power BI с 1С. Обсяг бази даних ERP для аналітики 800 ГБ в год.
  • Ми створили вітрину даних та реалізували розрахунок основних аналітичних метрик на DAX
  • Забезпечили підключення Excel до моделі Power BI на Azure Analysis Services.
Більше про проєкт
Дізнатися більше
Cobit Solutions Cobit Solutions