что такое киц в сбербанке расшифровка

DS, ML и люди, которые этим занимаются. Взгляд Сбербанка

Через банк проходят сотни миллионов транзакций ежедневно, поэтому на серверах накапливаются большие данные: сведения о самих клиентах, паттерны их покупок, требования в целом. По сути, банки превращаются в IT-компании так, как это произошло с телеком-операторами. Они предоставляют все больше цифровых сервисов и услуг, а собираемые ими данные и извлекаемая из них информация активно используются в создании новых сервисов.

Применить эту информацию можно в множестве приложений, от классических задач оптимизации обработки транзакций и кибербезопасности с выявлением мошенничества, вплоть до создания персональных финансовых ассистентов и сверх-таргетированного маркетинга.

Современные банки не только превосходно понимают, чем живут их клиенты, но и могут моделировать, что может произойти с ними: будь то социальная группа в конкретном городе, отдельная индустрия или страна в целом. Это помогает банкам управлять своими рисками и рисками своих клиентов.

С развитием data science (DS) в финансовых и IT-компаниях стало популярным централизовать R&D отделы и data science в том числе. Централизованная DS-практика внутри компании позволяет более продуктивно создавать новые информационные продукты, при этом не теряя и не отставая в технологиях по всему перечню связанных с анализом данных задач.

Осталось самое важное — собрать DS-команду. Под data scientist понимается большое количество ролей — от бизнес-эксперта, который хорошо разбирается в переводе задач бизнеса на язык задач анализа, до разработчика алгоритмов в продакшен системах, включая также визуализаторов, аналитиков, математиков и промежуточные роли. Важно соблюдать баланс между решением реальных бизнес-задач и экспериментами с последними передовыми технологиями. При этом невозможно создавать передовые сервисы, если загнать аналитиков в сверх жесткие рамки и не давать им развиваться.

Банкам приходится конкурировать с другими IT-компаниями за таланты. Специалисты в свою очередь пока не рассматривают банки как высокотехнологичные компании, в которых они могли бы проявить себя, использовать передовые технологии и решать интересные задачи. Чаще всего банки ассоциируются у таких людей с мощными бюрократическими машинами и офисными костюмами, но никак не с agile R&D командами и разработкой, где можно активно публиковать исследования и обмениваться опытом с ведущими специалистами на международных конференциях.

А банку есть что рассказать и показать.

Банк вплотную подошел к проблеме детектирования и последующего прогноза паттернов поведения владельцев карт. Анализируя активность кардхолдеров, мы эти паттерны научились определять.

Мы детектируем паттерны поведения клиентов банка по их транзакциям. Первые модели были связаны с дескриптивным анализом транзакционного поведения. Например, у клиента появились покупки, связанные с авто. Значит, теперь можно предложить ему продукты или услуги, полезные для автовладельцев.

Следующая задача – предсказывать те или иные события, в том числе сам факт покупки. В дополнение к паттернам, с появлением тех или иных MCC-кодов становится возможным извлекать из данных достаточно интересные истории, в том числе связанные с накопительной деятельностью владельцев карт. То есть мы видим, кто из клиентов банка копит деньги, помогаем формировать для них новые предложения.

На рисунке мы видим три кейса: покупка авто, ремонт в квартире/покупка мебели и затраты на лечение. Особенно ценно, если от клиента возможна обратная связь по предлагаемым ему продуктам. Поэтому необходимо делать модели, способные учитывать эту обратную связь. Во многом это тот же принцип, что лежит в основе моделей reinforcement learning, которые мы сейчас начинаем разрабатывать.

Суть. Сначала определяли некий триггер: событие уже произошло (транзакция была совершена). Клиент потратил деньги на обучение, лечение: может получить налоговый вычет. Купил квартиру, взял в ипотеку: предложения о ремонте.

Второй класс задач – предиктивные. Использовался метод рекуррентных нейронных сетей. У клиента большие накопления, то есть он, вероятно, планирует совершить крупную покупку: купить квартиру или машину.

Reinforcement learning или обучение с подкреплением, которое сейчас развивают, в том числе, OpenAI и DeepMind – это предвестник ИИ, каким его хотят видеть. В систему заранее не закладывают какой-либо модели мира, и о нем система фактически ничего не знает. Она начинает взаимодействовать с миром, получать обратную связь, так называемые reward’ы, после чего корректирует свое поведение на их основании. В случае с банковскими продуктами reward – это, например, то, насколько интересным или неинтересным для клиентов оказывается то или иное предложение банка.

Используя методы с определенными свойствами, обеспечивающими применение reinforcement learning, мы можем адаптировать эти алгоритмы в режиме реального времени. Из новых подходов можно ещё отметить, что буквально недавно в Nature выходила статья того же DeepMind, где они рассказывают о том, как в нейросеть внедрили элементы машины Тьюринга. В результате нейросеть получила возможность обладать памятью, которой нейросетям на данном этапе не хватает.

На слайдах показано, какие паттерны мы можем находить и какие продукты в этом случае можем предлагать. В целом понятная история – здесь предполагаются определенные методы, связанные с кластеризацией. Проекция данных, например.

Для выделения шаблонов трат клиентов был использован метод LDA. Цель LargeVis визуализации – отобразить пользователей с близкими профилями, так чтобы результирующие точки, соответствующие таким пользователям находились близко друг к другу, и наоборот, пользователей со значительно отличающимися профилями разместить дальше друг от друга. Исходя из этого соображения для изучения полученного отображения была реализована программа, позволяющая для любой точки плоскости выделить K ближайших точек, соответствующих клиентам. После чего по выбранным клиентом вычислялось среднее значение LDA-профиля, то есть для каждой темы было посчитано среднее проявление данной темы среди выбранных клиентов. Полученные усредненные профили показаны на следующем рисунке. Кроме усредненного профиля на гистограмме отображены стандартные отклонения проявления тем от среднего значения.

Источник

Термины и сокращения используемые при описании системы Сбербанк Бизнес ОнЛайн

Перечень сокращений руководства по Сбербанк Бизнес ОнЛайн

Перечень терминов

Customer Relationship Management – система управления взаимоотношениями с клиентами.

International Mobile Subscriber Identity – международный идентификатор мобильного абонента (индивидуальный номер абонента), ассоциированный с каждым пользователем мобильной связи стандарта GSM, UMTS или CDMA.

Автоподпись – вариант формирования электронной подписи, при котором система Сбербанк Бизнес ОнЛайн сама выбирает, какие криптопрофили должны быть использованы для формирования подписи.

Аналог собственноручной подписи – одноразовый пароль, высылаемый по СМС. Может использоваться в системе Сбербанк Бизнес ОнЛайн для подтверждения авторства документа и отсутствия в документе искажений наряду с электронной подписью.

Бизнес-счет – счет юридического лица (или индивидуального предпринимателя) в подразделении Сбербанка для учета операций, совершаемых Держателями карт с использованием Корпоративных карт, выпущенных к этому счету.

Вексель – ценная бумага, содержащая письменное безусловное долговое абстрактное денежное обязательство Банка перед векселедержателем. Вексель может быть передан другому лицу посредством передаточной надписи.

Возобновление обслуживания в системе (возобновление действия договора) – возврат учетной записи клиента АС Сбербанк Бизнес ОнЛайн в штатное состояние, при котором доступны все подключенные услуги, а также списывается комиссия за обслуживание в системе.

Депозитный сертификат – именная ценная бумага, удостоверяющая сумму депозита в валюте Российской Федерации, внесенного в Банк, и права вкладчика (держателя сертификата) на получение по истечении установленного срока суммы депозита и обусловленных в сертификате процентов.

Держатель корпоративной карты – сотрудник Предприятия, получивший карту по заявлению Предприятия с отнесением операций, совершенных с использованием Корпоративной карты, на бизнес-счет.

Инструкция – в рамках документации по системе инструкция (сокращенно инстр.) – подробное описание последовательности действий, которые необходимо выполнить в системе «Сбербанк Бизнес ОнЛайн» или в сторонней системе для решения некоторой элементарной задачи: осуществления операции над одним или несколькими объектами системы, запуска приложения, задания значений конфигурационных параметров и т.д. Примеры инструкций: создание / редактирование документа ДБО, подпись документа ДБО, измение пароля для входа в систему.

Квалифицированный сертификат ключа проверки электронной подписи – сертификат ключа проверки электронной подписи, выданный аккредитованным удостоверяющим центром или доверенным лицом аккредитованного удостоверяющего центра либо федеральным органом исполнительной власти, уполномоченным в сфере использования электронной подписи.

Клиент банка – юридическое лицо, индивидуальный предприниматель или физическое лицо, занимающееся частной практикой в порядке, установленном действующим законодательством Российской Федерации, заключившее с банком договор на предоставление услуг с использованием системы «Сбербанк Бизнес ОнЛайн».

Клиентская служба – банковская служба технической поддержки клиентов. Контактные данные службы указаны, в частности, в форме авторизации (при подключении к системе посредством канала доступа Интернет-Клиент).

Консалтинговый центр – центр по обслуживанию ВЭД и валютному контролю.

Корпоративная карта – карта, позволяющая её Держателю проводить операции по бизнес-счету.

Неснижаемый остаток (HCO) – сумма денежных средств, которую Клиент обязуется иметь на своем банковском счете в течение оговоренного Банком и Клиентом срока.

Отчет по операциям с картой (картами) – документ, составленный Банком, который отражает операции по карте (картам) за отчетный период.

Отчет по бизнес-счету карты – документ, составленный Банком, который отражает операции по БС за отчетный период.

Приостановление обслуживания в системе (приостановление действия договора) – состояние временной блокировки пользовательской активности в Сбербанк Бизнес ОнЛайн, при которой не начисляется комиссия и недоступны никакие функции, кроме возобновления обслуживания.

Профиль отображения списка документов – именованный набор параметров фильтрации и сортировки списка документов некоторого типа.

Реестр платежей – документ по операциям с банковскими картами (в электронной форме), подготовленный ЦСИТ, содержащий информацию об операциях, совершенных Держателями банковских карт Банка, а также информацию об операциях эквайринга, совершенных в пунктах выдачи наличных (ПВН) Банка, банкоматах Банка, на предприятиях торговли и сферы услуг, расчеты с которыми проводят филиалы Банка. Реестр платежей служит основанием для проведения операций по счетам, открытым в Банке, в том числе и по счетам МФР территориальных банков, отделений, лицевым счетам Держателей карт и бизнес-счетам Предприятий.

Связанные поля экранных форм – логически связанные поля экранных форм, заполняемые данными из какого-либо одного справочника системы. При выборе из справочника значения одного из полей значения остальных полей система заполняет автоматически. Работа со связанными полями описана в инстр.

Справочник – структурированный набор справочной информации, используемой при формировании документов различного типа.

Токен (USB-токен, USB-брелок) – разновидность сменного носителя криптографических ключей: электронное персональное устройство хранения ключевой информации ЭП в защищенном на аппаратном уровне виде. Подключается к USB-разъему ПК пользователя.

Учреждения Банка России – учреждения, организации и подразделения, входящие в систему Банка России и включенные в справочник БИК РФ.

Унифицированные форматы электронных банковских сообщений – единые по всей территории России форматы электронных сообщений, предназначенные для электронного обмена подразделений Банка России с клиентами Банка России, расположенными на территории Российской Федерации, при осуществлении безналичных расчетов в валюте Российской Федерации.

Электронная подпись – реквизит электронного документа, являющийся аналогом собственноручной подписи и предназначенный для защиты данного электронного документа от подделки и искажений. Под документом может быть несколько подписей, каждая из которых заверяет какое-либо действие.

Электронный документ – электронный образ документа (платежного или иного), представленный в согласованном участвующими в документообороте сторонами формате, определяемом программными средствами создания документа.

Источник

Киц сбербанка что это

Кассир ОО КИЦ № 9042/0602

Задачи:

Обязанности:

Требования:

Личные качества:

Условия:

Через банк проходят сотни миллионов транзакций ежедневно, поэтому на серверах накапливаются большие данные: сведения о самих клиентах, паттерны их покупок, требования в целом. По сути, банки превращаются в IT-компании так, как это произошло с телеком-операторами. Они предоставляют все больше цифровых сервисов и услуг, а собираемые ими данные и извлекаемая из них информация активно используются в создании новых сервисов.

Применить эту информацию можно в множестве приложений, от классических задач оптимизации обработки транзакций и кибербезопасности с выявлением мошенничества, вплоть до создания персональных финансовых ассистентов и сверх-таргетированного маркетинга.

Современные банки не только превосходно понимают, чем живут их клиенты, но и могут моделировать, что может произойти с ними: будь то социальная группа в конкретном городе, отдельная индустрия или страна в целом. Это помогает банкам управлять своими рисками и рисками своих клиентов.

С развитием data science (DS) в финансовых и IT-компаниях стало популярным централизовать R&D отделы и data science в том числе. Централизованная DS-практика внутри компании позволяет более продуктивно создавать новые информационные продукты, при этом не теряя и не отставая в технологиях по всему перечню связанных с анализом данных задач.

Осталось самое важное — собрать DS-команду. Под data scientist понимается большое количество ролей — от бизнес-эксперта, который хорошо разбирается в переводе задач бизнеса на язык задач анализа, до разработчика алгоритмов в продакшен системах, включая также визуализаторов, аналитиков, математиков и промежуточные роли. Важно соблюдать баланс между решением реальных бизнес-задач и экспериментами с последними передовыми технологиями. При этом невозможно создавать передовые сервисы, если загнать аналитиков в сверх жесткие рамки и не давать им развиваться.

Банкам приходится конкурировать с другими IT-компаниями за таланты. Специалисты в свою очередь пока не рассматривают банки как высокотехнологичные компании, в которых они могли бы проявить себя, использовать передовые технологии и решать интересные задачи. Чаще всего банки ассоциируются у таких людей с мощными бюрократическими машинами и офисными костюмами, но никак не с agile R&D командами и разработкой, где можно активно публиковать исследования и обмениваться опытом с ведущими специалистами на международных конференциях.

А банку есть что рассказать и показать.

Банк вплотную подошел к проблеме детектирования и последующего прогноза паттернов поведения владельцев карт. Анализируя активность кардхолдеров, мы эти паттерны научились определять.

Мы детектируем паттерны поведения клиентов банка по их транзакциям. Первые модели были связаны с дескриптивным анализом транзакционного поведения. Например, у клиента появились покупки, связанные с авто. Значит, теперь можно предложить ему продукты или услуги, полезные для автовладельцев.

Следующая задача – предсказывать те или иные события, в том числе сам факт покупки. В дополнение к паттернам, с появлением тех или иных MCC-кодов становится возможным извлекать из данных достаточно интересные истории, в том числе связанные с накопительной деятельностью владельцев карт. То есть мы видим, кто из клиентов банка копит деньги, помогаем формировать для них новые предложения.

На рисунке мы видим три кейса: покупка авто, ремонт в квартире/покупка мебели и затраты на лечение. Особенно ценно, если от клиента возможна обратная связь по предлагаемым ему продуктам. Поэтому необходимо делать модели, способные учитывать эту обратную связь. Во многом это тот же принцип, что лежит в основе моделей reinforcement learning, которые мы сейчас начинаем разрабатывать.

Суть. Сначала определяли некий триггер: событие уже произошло (транзакция была совершена). Клиент потратил деньги на обучение, лечение: может получить налоговый вычет. Купил квартиру, взял в ипотеку: предложения о ремонте.

Второй класс задач – предиктивные. Использовался метод рекуррентных нейронных сетей. У клиента большие накопления, то есть он, вероятно, планирует совершить крупную покупку: купить квартиру или машину.

Reinforcement learning или обучение с подкреплением, которое сейчас развивают, в том числе, OpenAI и DeepMind – это предвестник ИИ, каким его хотят видеть. В систему заранее не закладывают какой-либо модели мира, и о нем система фактически ничего не знает. Она начинает взаимодействовать с миром, получать обратную связь, так называемые reward’ы, после чего корректирует свое поведение на их основании. В случае с банковскими продуктами reward – это, например, то, насколько интересным или неинтересным для клиентов оказывается то или иное предложение банка.

Используя методы с определенными свойствами, обеспечивающими применение reinforcement learning, мы можем адаптировать эти алгоритмы в режиме реального времени. Из новых подходов можно ещё отметить, что буквально недавно в Nature выходила статья того же DeepMind, где они рассказывают о том, как в нейросеть внедрили элементы машины Тьюринга. В результате нейросеть получила возможность обладать памятью, которой нейросетям на данном этапе не хватает.

На слайдах показано, какие паттерны мы можем находить и какие продукты в этом случае можем предлагать. В целом понятная история – здесь предполагаются определенные методы, связанные с кластеризацией. Проекция данных, например.

Задача решалась с помощью рекуррентных нейронных сетей. Такой выбор обоснован несколькими факторами. Параметры нейросети настраиваются с помощью модификаций метода стохастического градиентного спуска. Градиенты вычисляются по минибатчу — небольшому подмножеству объектов. Чтобы избежать ситуации переобучения, когда алгоритм хорошо работает на обучающих данных и плохо на тестовых, используется техника dropout. Транзакции были сгруппированы по пользователям и для каждого пользователя отсортированы по времени. Транзакций, для которых время неизвестно, обнаружено очень мало (несколько десятков), поэтому они были исключены из рассмотрения. В итоге данные были представлены в виде набора последовательностей категорий, по одной последовательности на каждого пользователя. Слишком короткие последовательности (длина меньше 110) были удалены из набора данных. Обучение рекуррентной сети производилось на языке программирования Python3.4 с применением библиотек numpy, theano, lasagne. Для вычисления контроля качества использовались средства модуля sklearn.

Для выделения шаблонов трат клиентов был использован метод LDA. Цель LargeVis визуализации – отобразить пользователей с близкими профилями, так чтобы результирующие точки, соответствующие таким пользователям находились близко друг к другу, и наоборот, пользователей со значительно отличающимися профилями разместить дальше друг от друга. Исходя из этого соображения для изучения полученного отображения была реализована программа, позволяющая для любой точки плоскости выделить K ближайших точек, соответствующих клиентам. После чего по выбранным клиентом вычислялось среднее значение LDA-профиля, то есть для каждой темы было посчитано среднее проявление данной темы среди выбранных клиентов. Полученные усредненные профили показаны на следующем рисунке. Кроме усредненного профиля на гистограмме отображены стандартные отклонения проявления тем от среднего значения.

27.08.2019 460 Просмотры

«Мир сдвинулся с места…» — эти слова принадлежат Роланду из серии книг «Темная башня». Действительно, время требует перемен и эти перемены приходят. Они невидимы для глаза, но они есть в корпорации, где ощущают эти перемены на себе. Особенно это видно на примере банковских структур.

Управление талантами и финансами

«Vuca» в Сбербанке означает:

Философия отбора персонала

В Сбербанке «Vuca» воспринимается как философия и руководство к новым действиям. По философии людей разделяются на несколько типов:

По этим критериям идет отбор банковских служащих. По этим же параметрам подбирается должность. В соответствии с этой философией, определяется стратегия работы с определенным клиентом. Сбербанк стремиться идти в ногу со временем, а потому применяются все виды психологии и маркетинга для работы с клиентами.

Источник

ПАО Сбербанк: расшифровка

Сбербанк является лидер ом этого года по кредитным показателям российских банков, что выводит его на первое место среди банковской системы Российской Федерации. Можно смело сказать – главный банк России! Начиная с лета 2015, ОАО Сбербанк сменил организационно-правовую форму на ПАО. ПАО Сбербанк расшифровка означает «Публичное акционерное общество».

Из ОАО в ПАО

Форма собственности стала такой в связи с требованием государства, что и было закреплено законодательством. Почему такое требование возникло? Появилась задача увеличить контроль над всеми АО, чтобы аудит каждый год становился прозрачнее, и никакой незаконной, двойной бухгалтерии, не велось. И хотя не было четких сроков для перевода открытых акционерных обществ в публичные, Сбербанк довольно оперативно отреагировал на внесение изменений в ГК РФ и поменял форму собственности.

В чем разница?

Существенные отличия в следующем:

Когда сбербанк стал ПАО? Дата: 4.08.15 года. Это официальная дата, когда банк сменил форму собственности по законам Гражданского Кодекса РФ.

Перемены

После смены правовой формы банком, в организации сменился Устав, были внесены правки, убраны, ставшими лишними пункты. Все было оформлено официально через налоговую, а также заменилась печать, наименование во всех документах, рекламе, названиях и интернет-изданиях, были оповещены клиенты и контрагенты, в реквизитах внесены соответствующие изменения.

То, что изменилась организационно-правовая форма Сбербанка, никак не повлияло на ИНН, корсчет, телефоны и БИК, но все же для юридических лиц и всех клиентов, для которых была актуальна смена реквизитов – перезаключены договора, изменены счета, подписаны новые соглашения.

Единственное, что осталось без изменений, и можно было продолжать этим пользоваться: чековые книжки и договора, которые действительны до истечения срока их заключения. Итак, мы рассказали, что такое ПАО Сбербанк и как расшифровывается, теперь поговорим о структуре публичного акционерного общества.

Структура банка

Структура управления ПАО выглядит следующим образом:

Что изменилось после смены организационно-правовой формы

То, что Сбербанк выполнил условия государства и последовал новым установленным законам гражданского кодекса Российской Федерации, говорит о серьезном подходе к своей работе и ответственности перед своими клиентами. Все это в нашем мире обозначается одним словом – профессионализм. И это действительно так.

Все договора, которые были заключены ранее со Сбербанком не нужно было перезаключать по новой. Это делали только те, кому для своей деятельности это было необходимо, и в основном, это юридические лица. Все остальные договора были действительны, пока не истечет их срок действия.

Все обязательства, которые банк взял на себя до того, как изменил свою форму, он продолжал выполнять без каких-либо изменений. И ждал от своих клиентов того же.

Вывод

Сбербанк не зря носит звание первого банка Российской Федерации. Ему доверяют граждане, он соответствует всем современным нормам и тенденциям, расширяет линию своих продуктов, улучшая сервис, увеличивая предложения по вкладам и депозитам.

Смело внедряя все инновационные технологии для удобства клиентов, Сбербанк твердо держится на ногах в жестком банковском конкурентном мире, не сдавая позиции и продолжая подниматься вверх, улучшая качество сервиса и финансовое благополучие граждан.

Это видно и по тому, какой сервис ввел Сбербанк в мобильном банкинге, как он заботится о своих клиентах, какие условия и возможности создает банк, предлагая ипотеки на выгодных условиях, что доступно многим гражданам. Сбербанк имеет самое большое количество банкоматов и офисов на территории нашей необъятной родины, что делает его ближе к своим клиентам и тем самым упрощает нам жизнь.

Источник