Выпускной квалификационной работы

метки: Данные, Анализ, Средство, Кредитный, Электронный, Режим, Норматив, Доступ

Современные технологии Big Data в любой сфере деятельности позволяют максимально эффективно извлекать из огромного количества данных, полезную информацию. В рамках стратегии инновационного развития большинство российских кредитных организаций регулярно разрабатывают новые продукты, процессы и технологии. Рост конкуренции обуславливает значимость не только активного использования традиционных банковских продуктов и услуг, но и внедрения инновационных решений, немаловажным направлением из которых в банковской сфере является технология обработки данных Big Data. Многие успешные кредитные организации в последние годы ведут конкуренцию за завоевание доверия клиентов на базе внедрения передовых технологий в сфере обслуживания, что позволяет им ко всему прочему снижать издержки и получать высокие прибыли. В связи с этим тема выпускной квалификационной работы является актуальной. Комплексное развитие технологии Big Data должно стать приоритетным направлением для кредитных организаций РФ. Сравнительный анализ состояния технологии Big Data в РФ и за рубежом позволяет утверждать, что уровень развития данной технологии за рубежом превосходит российский. Объектом исследования является ПАО Сбербанк.

Предмет исследования – особенности использования технологии Big Data в банковской сфере и ПАО Сбербанк. Цель работы – разработка рекомендаций по совершенствованию использования технологии Big Data в ПАО Сбербанк. Для достижения поставленной цели необходимо решить следующие задачи: 1) рассмотреть теоретические основы использования технологии Big Data в банковской деятельности; 2) проанализировать финансовое состояние ПАО Сбербанк; 3) проанализировать использование технологии Big Data в банковской сфере и ПАО Сбербанк; 4) разработать рекомендации по совершенствованию использования технологии Big Data в ПАО Сбербанк. Основой работы для написания теоретической части послужили труды Л.П. Кириченко, А.Л. Поспелова, А.Ф. Савдеровой, Л.А. Самсоновой, Э.П. Дуваловой, М.Ю. Старенкова. Для написания практической части были использованы труды Л.Г. Батраковой, Е.П. Жарковской, А.В. Смирнова. Информационной базой анализа деятельности кредитной организации являются данные бухгалтерского учета и отчетности, изучение которых позволяет оценить финансовое положение кредитной организации, изменения, происходящие в ее активах и пассивах, выявить перспективы развития. Также нормативные и правовые документы, данные Центрального Банка РФ, аналитических агентств, литература и научные журналы. В работе использованы общенаучные методы научного исследования, такие как эмпирико-теоретические (измерение, описание), логико-теоретические (аналогия, моделирование, анализ, синтез, сравнение, обобщение), мыслительнотеоретические (проблема, гипотеза, доказательство).

Банковское дело : Автоматизированные информационные технологии ...

... курсовой работы является изучение автоматизированных информационных технологий в качестве инструмента повышения эффективности банковской деятельности. В рамках достижения поставленной цели были поставлены и решены следующие задачи: 1. Исследовать состояние банковской системы. ...

Так же в работе использовались специальные методы анализа, такие как горизонтальный и вертикальный анализ, а также метод финансовых коэффициентов. Цель и задачи работы определили логику исследования. В первой главе рассмотрены основы использования технологии Big Data в банковской деятельности. Во второй главе проведен финансовый анализ ПАО Сбербанк. В третьей главе проведен анализ использования технологии Big Data в банковской сфере на примере ПАО Сбербанк, а также разработаны рекомендации по совершенствованию использования технологии Big Data в ПАО Сбербанк. Для разработки рекомендаций были использованы референции практикующих специалистов в области внедрения технологии Big Data в банковскую сферу.

1 ТЕОРЕТИЧЕСКИЕ АСПЕКТЫ ИСПОЛЬЗОВАНИЯ ТЕХНОЛОГИИ

АНАЛИЗА БОЛЬШИХ ДАННЫХ В БАНКЕ

1.1 Основные задачи использования технологии Big Data в банкинге

Постоянные изменения внешней среды, конъюнктуры рынка, потребностей и поведения клиентов, политики регуляторов и многих других внешних и внутренних факторов приводят к тому, что в настоящее время все участники экономических отношений работают в условиях высокой неопределенности. Одним из факторов неопределенности является большой объем разнородной поступающей информации, влияющей на принятие решений, вынуждающий организации использовать современные информационные технологии. Одной из технологий, дающих возможность не только обработки накопленной и вновь поступающей информации, но и использования ее для получения дополнительных доходов, стала технология Big Data [7].

Исследования в сфере Big data начались с конца 1980, когда данные были в основном в текстовом виде, позже, в 1990-ых с развитием интернета, компании уже не могли ограничиваться работой с текстами, в следствии чего возникла необходимость хранить веб-контент, изображения, аудио и видеозаписи, а также управлять ими [13].

В конце 90-х годов технологии Big Data расшифровывали через определение из трех «V»:  volume: большие по размеру данные;  variety: слабо структурированные и разнородные данные;  velocity: высокая скорость обработки данных. По мере повышения точности и универсальности системы, в качестве типичных характеристик «больших данных» были дополнительно сформулированы четыре новых измерения:  value: степень важности или влиятельности информации;  veracity: степень достоверности данных;  variability/variance: характеристика естественной волатильности данных;  viability: фундаментальность или долговечность параметров. В качестве основных пользователей технологий Big Data эксперты называют банки. По мнению специалистов технологии Big Data решают основные три типа задач: 1. Хранение и управление объемом данных в сотни терабайт или петабайт, которые обычные реляционные базы данных не позволяют эффективно использовать. 2. Организация неструктурированной информации, состоящей из текстов, изображений, видео и других типов данных. 3. Генерация аналитических отчетов, а также внедрение прогностических моделей [13].

Корпоративные базы данных экономических информационных систем

... анализа пользователем предоставляют необходимую информацию. Цель данного исследования - ознакомление с корпоративными базами данных в учебных целях. Предмет данной курсовой работы - полезность баз данных, подходящих под классификацию "корпоративные". Необходимо ли использование подобного рода систем для ...

Основные задачи, для которых банки используют технологии Big Data представлены в Таблице 1.

Таблица 1 – Основные задачи, для которых банки используют технологии Big Data. № п/п Наименование Краткая характеристика

задачи 1. Скоринг Скоринг — оценка кредитных рисков физического или

юридического лица, основанная на статистических методах.

Например, при заведении заявки на ипотечное жилищное

кредитование, скорингровые системы проверяют клиента. Окончание таблицы 1 2. Оперативное Технологии Big Data позволяют подключить к анализу финансового

получение состояния клиента и огромный объем внешней информации,

отчетности например, анализ социальных сетей.

Например, прототип решения по взаимодействию с социальными

сетями быт запушен в Альфа-Банке еще в 2013 г. Причем

социальные сети могут быть не только источником данных для

анализа отзывов о банке. В них можно выявить, например, начало

массовых сокращений в организации-заемщике, что явно говорит об

ее ухудшившихся делах. И сделать соответствующие выводы —

поднять процентную ставку по кредиту или вообще отказать в займе.

И наоборот, в случае положительной динамики рассмотреть

возможность выдачи кредита, не обеспеченного залогом. 3. Безопасность Недопущение проведения сомнительных операций и мошенничества

Несмотря на то, что исследования Big Data начались довольно давно, популярность данная тема приобрела относительно недавно. В 2015 году в базе данных научной периодики «SciVerse Scopus» было опубликовано 22 документа на тему Big data, в 2016 году 19 научных статей, а в 2017 году – 24 документа. За период 2014 – 2017 гг. наибольшее количество публикаций на данную тему было сделано Грузинским научным журналом «Management Information Systems Quarterly». Помимо этого, большое количество статей на тему Big data было опубликовано журналами «Wiley Interdisciplinary Reviews» (США), «IEEE Communication Magazine» (США), «ISPRS Journal of Photogrammetry and Remote Sensing» (Канада).

Страны, проявляющие наибольший интерес к исследуемой теме в 2014 – 2017 гг. – Грузия, Соединенные Штаты Америки, Канада, Великобритания, Индия и Китай (согласно статистике по опубликованным работам в базе данных «SciVerse Scopus») [9].

Ценность технологии больших данных состоит в том, что она позволяет организациям сохранять большие объемы разнообразной информации, создавая соответствующие базы данных, а также управлять ими и обрабатывать их в требуемое время с требуемой скоростью в соответствии с поставленными задачами. По типу хранимой информации базы данных подразделяются на три группы, представленные на рис. 1.

Базы данных

Структурированные Неструктурированные Слабоструктурированные

Рисунок 1 – Классификация баз данных по типу хранимой информации

Структурированные базы данных содержат информацию, имеющую определенную длину и формат (например, комбинации слов и чисел, даты, адреса клиентов, имена, и т. д.).

По мнению экспертов, к информации, хранящейся в структурированных базах данных, относится порядка 20 % от общего объема данных. Структурированные данные являются наиболее привычным форматом данных. Источниками структурированных данных являются:  данные с датчиков (например, GPS);  финансовые данные (например, данные, относящиеся к торговле на бирже);  данные о посещениях веб-сайтов;  любые данные, вводимые человеком на различных сайтах, например, при участии в социологических опросах. В неструктурированных базах данных содержится информация, не имеющая определенного формата. На долю неструктурированной информации относится большая часть всего объема данных (порядка 70 %).

Информационно-коммуникационные технологии в банковской деятельности

... клиента, а следовательно, качество сервиса должно постоянно улучшаться; банковская система Республики Узбекистан включается в мировую, а следовательно нужно соответствовать международным стандартам (преимущества стандартизированной системы - единая технология обработки информации, защита информации ...

Таким образом, большая часть информации, с которой сталкивается организация, является неструктурированной. Источниками неструктурированных данных являются:  спутниковые снимки;  фото и видеодокументы (записи с видеорегистраторов);  данные социальных сетей (YouTube, Twitter и т. д.);  мобильные данные (текстовые сообщения, информация о месте нахождения).

Слабоструктурированная информация обладает признаками как структурированной, так и неструктурированной информации и не соответствуют четким стандартам. К слабоструктурированной относится информация в форматах стандартов EDI, SWIFT и XML. Информацию подобного типа можно рассматривать как промежуточный результат обработки сложных данных [7].

Самыми крупными пользователями технологии больших данных в России можно назвать банки. Основываясь на использовании открытых данных, технология «Big Data» применяется в таких банках, как «Банк ВТБ (ПАО)», ПАО «Сбербанк России», АО «АЛЬФА-БАНК», ПАО «БАНК УРАЛСИБ», АО «ОТП Банк», АО «Газпромбанк», АО «Райффайзенбанк». В целом, поступающие и имеющиеся в наличии данные можно охарактеризовать как потенциальную «золотую жилу» для любого банка, но чтобы добраться до настоящего золота, нужно качественно обработать внушительный объем разнородного материала и извлечь из него информацию о закономерностях и тенденциях, которые наиболее важны для принятия решений, связанных с деятельностью банка. На рис. 2 показана общая схема получения необходимых для организации проанализированных данных, построенная на использовании технологии больших данных и различных аналитических систем.

Слабоструктурированные и

неструктурированные источники Структурированные источники данных

данных

Интеллектуальный интеграционный

архив

BI платформа

Графики Диаграммы Модифицированные Отчеты

хранилища баз данных

Рисунок 2 – Схема получения данных, основанная на использовании технологии

больших данных и различных аналитических систем

На рис. 2 видно, что вся имеющаяся и вновь поступающая информация попадает на так называемую BI платформу. BI платформа (Платформа Business intelligence) представляет собой совокупность разнообразных методов и инструментов для перевода исходной информации в форму, оптимальную для использования организацией в соответствии с имеющимися целями. Стоит отметить, что структурированная информация передается на BI платформу напрямую, а неструктурированная и слабоструктурированная проходит предварительную обработку посредством технологии «Big Data» и трансформируется в интеллектуальный интегрированный архив. Результатом работы BI Платформы является качественно иная информация, представленная в удобном и привычном формате в виде отчетов, графиков, диаграмм, предупреждений систем мониторинга, а также в виде хранилищ баз данных, имеющих существенные отличия от моделей, используемых в традиционных реляционных системах управления базами данных, делающих возможным обнаружение новых трендов посредством применения сводного поиска. Одной из самых востребованных в мире систем для работы с большими данными является «Data Mining». «Data Mining» — технология, позволяющая обрабатывать информацию с целью автоматического поиска шаблонов, способных охарактеризовать какие-либо фрагменты неоднородных многомерных данных. Рассмотрим возможности применения систем анализа больших данных в банке на примере использования данной технологии. Область применения «Data Mining» не имеет ограничений. В методах работы этой системы в первую очередь заинтересованы именно банки, так как она позволяет выявить характеристики наиболее успешных для работы регионов, филиалов и клиентов для планирования дальнейшей деятельности банка. Применяемая в этой системе программа профилирования используется для оценки риска при выдаче кредитов клиентам банка. На рис. 3 представлены задачи, решаемые с помощью «Data Mining» в банковской сфере.

Расчетно-кассовое обслуживание клиентов банка

... и территориальный бюджет необходимыми денежными средствами. «Организация расчетно-кассового обслуживания клиентов банка». Целью своей работы считаю: 1. СУЩНОСТЬ ОРГАНИЗАЦИИ РАСЧЕТНО-КАССОВОГО ОБСЛУЖИВАНИЯ КЛИЕНТОВ 1.1 РАСЧЕТНО-КАССОВОЕ ОБСЛУЖИВАНИЕ ЮРИДИЧЕСКИХ ЛИЦ В БАНКЕ Расчетно-кассовое обслуживание клиентов - это совокупность банковских операций, удовлетворяющих определенные ...

Data Mining

Выявление мошенничества Сегментация клиентов

Оценка

Управление кредитоспособности Привлечение новых клиентов

ликвидностью

клиентов банка

Рисунок 3 – Основные направления использования технологии «Data Mining» в

банковской сфере

Определение некредитоспособности клиента без применения рассматриваемой аналитической технологии основывается преимущественно на интуиции, опыте, субъективных представлениях сотрудников банка о благонадежности или неблагонадежности клиентов. Инструменты «Data Mining» профилируют клиентов, разделяя их на добросовестных и неблагонадежных заемщиков. Кроме того, становится возможным классифицировать заемщика по группам риска, то есть не только решить вопрос о возможности кредитования, но и установить лимит, проценты и срок возврата кредита. Выявление мошенничества осуществляется с помощью применения «подозрительных стереотипов поведения», определяемых системой в результате анализа банковских транзакций, которые впоследствии были признаны банком мошенническими. Определение подозрительных случаев осуществляется путем использования совокупности последовательных операций на определенном временном интервале. Если в дальнейшем система воспринимает текущую операцию подозрительной, сотрудник банка, ориентируясь на полученную с помощью «Data Mining» информацию, имеет право, например, заблокировать операции с определенной картой. С помощью средств «Data Mining» банк также осуществляет сегментацию клиентов, что позволяет найти «профиль» наиболее выгодных клиентов и далее акцентировать свою маркетинговую политику для привлечения клиентов, соответствующих найденному «профилю». «Data Mining», интегрируя поступающие из внешних источников данные с имеющимися базами данных банков и обрабатывая огромное количество информации, помогает банкам строить прогнозные модели ценностей своих клиентов и соответствующим образом обслуживать каждую категорию. В целях привлечения новых клиентов, банк классифицирует клиентов на «более выгодных» и «менее выгодных». После определения наиболее выгодного сегмента клиентов банк проводит более активную маркетинговую политику по привлечению клиентов именно среди группы «более выгодных» [7].

Также перспективным считается направление по применению Big Data в работе банка, в сфере сбора просроченной задолженности, так как для сбора просроченной задолженности необходим контакт с должником. Для установления связи с клиентом, нужна актуальная контактная информация. Благодаря технологии Big Data становится возможным обрабатывать не только те данные, которые есть у банка для поиска подобной информации, но искать и контактную информацию и в других местах. На пример в социальных сетях, форумах и других ресурсах, где клиент мог бы оставить свои актуальные данные. Для обработки таких больших объемов информации и требуется технологии Big Data. Более того информация в социальных сетях может быть представлена и в формате текста или даже фото или видео. Следовательно, переход на работу с большими объемами данных как никогда актуален в данной сфере. Согласно CyberSecyrity.ru, исследования университета Британской Колумбии в Ванкувере, применение ботов в социальных сетях, показало, что с помощью данных ботов возможно получить достаточно большие объемы информации: сколько поделились той или иной ссылкой, сколько раз тот или иной клиент заходил на определенную страницу и многое другое. Из данного исследования видно, что поиск контактной информации (телефон, адрес) становится возможным. Так как при этом приходится обрабатывать большие объемы данных и работать с ними, когда они представлены в различных форматах, необходимо использовать технологии Big Data. Наличие актуальных контактов клиента в разы повышают эффективность и скорость выполнения функции по сбору просроченной задолженности. Что в свою очередь снижает затраты банка на создание резервов [19].

Оценка кредитоспособности клиентов коммерческого банка (на примере Сбербанка РФ)

... влияния различных факторов на уровень кредитоспособности заемщика и дается оценка возможных способов снижения рисков кредитования. Целью данной дипломной работы является изучение теории и практики оценки кредитоспособности клиентов коммерческого банка, а также методик ее ...

1.2 Современная практика использования технологии Big Data в Российских и

зарубежных банках

Исторически аналитические системы играют важную роль в деятельности банка, так как их конечное назначение состоит в том, чтобы дать управленцу возможность «дотянуться» до любого уголка своего бизнеса, критически взглянуть на каждый показатель и дать его объективную и всестороннюю оценку, принять правильное решение. В этом состоит ключевой долгосрочный тренд развития технологий Big Data – охватывать все больший спектр задач, расширяя свой инструментарий [11].

Примером наиболее активного использования аналитической системы «Data Mining» в российском банковском секторе является ПАО «Сбербанк России». Тема важности анализа больших массивов информации затрагивается в стратегии банка на 2014 – 2018 гг. Банк в полной мере осознает маркетинговые преимущества использования современных технологий, посредством использования системы «Data Mining». В банке ведется постоянная работа по борьбе с мошенничеством, повышением эффективности продаж и совершенствованию технологии привлечения новых и удержания уже имеющихся клиентов банка. В банке работает лаборатория по большим данным, формирующая личные профили клиентов на основе анализа банковских транзакций, данных программ лояльности, информации госструктур, социальных сетей и коллекторских агентств. В октябре 2016 г. Сбербанк заявил о внедрении новой системы кредитования малого бизнеса без залога, основанной на анализе больших данных о потенциальном заемщике. В ноябре 2016 г. Сбербанк расширил текущую функциональность используемой платформы «Informatica Intelligent Data Platform», путем приобретения дополнительного компонента «Informatica Big Data Management», что позволило аналитикам осуществлять всесторонний предварительный анализ данных и их профилирование в целях обеспечения высокой скорости внесения изменений и передачи на поддержку разработанных процессов. В январе 2017 г. Сбербанк запустил проект «Открытые данные». К основным задачам проекта относятся сбор информации о частных и корпоративных клиентах банка, ее систематизация, обобщение и предоставление всем желающим [7].

Ипотечное кредитование в России на примере банка ОАО «Сбербанк»

... год; изучить проблемы, сдерживающие развитие ипотечного кредитования и на этой основе обосновать основные направления его развития; спрогнозировать перспективы развития рынка ипотечного кредитования. Объектом исследования является ипотечное кредитование в России на примере банка ОАО «Сбербанк». ...

ВТБ 24 благодаря внедрению специальной системы анализа больших данных своих заемщиков в 2016 году увеличил чистую процентную маржу от кредитных операций на 16%. Это принесло около 19 млрд рублей чистого процентного дохода. До этого ВТБ 24 делил клиентов на девять маркетинговых групп. На данный момент банк ввел для каждой группы семь профилей риска. Получилось 63 сегмента. Улучшив сегментирование, банк стал предлагать клиентам индивидуальные условия, зависящие от платежеспособности. Иными словами, рискованным заемщикам предлагаются продукты с пониженными ставками, и наоборот. Затраты на систему за три года составили около 33 млн долларов, и она уже окупилась в десять раз. ВТБ 24 установил американскую систему Teradata и отмечает, что статьи расходов — это железо, лицензии на софт, затраты на интеграцию и обслуживание. Сейчас в хранилище находится около 60% всей имеющейся в IT-системах ВТБ 24 информации о клиентах, это около 130 Тб данных [15].

«Альфа-Банк» за большие данные взялся в 2013 году. Он использует эти технологии для анализа соцсетей и поведения пользователей сайта, оценки кредитоспособности, прогнозирования оттока клиентов, персонализации контента и вторичных продаж. Для этого он работает с платформами хранения и обработки Oracle Exadata, Oracle Big Data Appliance и фреймворком Hadoop. Возможности дополнительной монетизации своих массивов данных, «АльфаБанк» видит в рекомендательных системах, анализе линейки продуктов и предиктивном анализе поведения клиентов [12].

«Тинькофф-Банк» с помощью EMC Greenplum, SAS Visual Analytics и Hadoop банк управляет рисками, анализирует потребности потенциальных и существующих клиентов. Большие данные задействованы также в скоринге, маркетинге и продажах. В банке уже восемь лет используются BI системы, создано традиционное хранилище данных Data Warehouse (DWH), в котором накоплено 80 Тб данных (в течение двух лет планируется расширить объем данных до 700 Тб), а система Big Data стала дополнением к этой системе [13].

«Газпромбанк» применяет Big Data для скоринга, противодействия мошенникам, оперативного получения отчетности, персонализации предложений, доскоринговой проверки репутации потенциальных заемщиков, предоставления информации регуляторам и других задач [12].

В «Райффайзенбанке» выполняется несколько проектов Big Data, направленных на улучшение обслуживания и работы с потенциальными частными клиентами за счет отслеживания поведенческих характеристик при противодействии мошенничеству, принятии решений по кредитным заявкам, а также при сегментации клиентов и создании маркетинговых кампаний в аналитической CRM. Внедрение технологий Big Data помогла «Райффайзенбанку» значительно ускорить обработку данных для формирования ежедневной отчетности [14].

Помимо перечисленного, технологии Big Data используются и в банковском маркетинге. Банки могут сразу сделать точное рекламное предложение, зная предпочтения своих клиентов. Например, узнав, что клиент ищет новую машину, предложить автокредит на выгодных условиях. Или сделать адресное предложение по ипотеке, узнав о рождении нового ребенка. Особенно активен в этой области Сбербанк — крупнейший банк, имеющий огромное количество данных о клиентах и их транзакциях. У него есть все возможности для бизнес-аналитики и использования технологий больших данных. Для их реализации Сбербанк приобрел контрольный пакет в RuTarget, разработавшей рекламную платформу Segmento. То есть банк вышел на новый рынок — рынок умной рекламы. Эффективная банерная реклама нового поколения, предлагаемая рекламодателям Segmento, основана на разработанной RuTarget платформе, включающей системы больших данных и искусственного интеллекта. Технология Segmento обрабатывает огромный объем данных о поведении людей в сети. Какие страницы посещал пользователь, чем интересовался в соцсетях. На основе этих данных платформа позволяет предсказывать действия целевых пользователей и точно таргетировать рекламу во всех онлайн-каналах. Обработка информации, содержащейся в клиентских базах Сбербанка, может сделать такое таргетирование сверхточным. Поняв своего клиента, банк может не только сделать ему точное рекламное предложение, но и подстроить под него интерфейс своих автоматизированных систем. Так, используя технологии Big Data, испанский банк CaixaBank делает настраивающееся под клиента меню банкомата. Технологии больших данных также применяются для анализа клиентской среды. Американский банк PNC данные о поведении своих клиентов на сайтах, информацию о покупках и образе жизни конвертирует в политику гибкого начисления процентных ставок, которая в итоге выражается в цифрах роста капитализации. Common wealth Bank of Australia (CBA) анализирует все транзакции своих вкладчиков, дополняя этот анализ сбором данных о них в социальных сетях. Связав эти потоки данных, банк добился значительного снижения процента неуплаты по кредитам [13].

Управление персоналом банка на примере Сбербанка России

... деятельности и структура управления ОАО «Сбербанк России». Проведен анализ основных проблем в системе управления персоналом Краснопресненского отделения № 1569 г. Москвы. Разработаны рекомендации по совершенствованию системы управления персоналом банка, а именно: по совершенствованию системы оплаты ...

Финансовый холдинг ING Wholesale Banking (Евразия) с помощью технологии Big Data собирает и анализирует информацию о действиях посетителей сайта. При этом решаются задачи оптимизации пользовательского интерфейса и генерации индивидуальных маркетинговых предложений для клиентов. В рамках реализации концепции «Next Best Action» технологии Big Data обеспечивают выбор и персонализацию банковских продуктов, предлагаемых конкретным клиентам. В банке HSBC (Hong-Kong and Shanghai Banking Corporation) Big Data, используемая для противодействия мошенничеству с кредитными картами, позволили повысить эффективность службы безопасности в 3 раза, а точность распознавания инцидентов – в 10 раз. Экономический эффект превысил 10 млн. долларов. Об успешном опыте использования технологий Big Data также сообщают VISA, Merrill Lynch, Bank of America, Central Bank of India, HSBC и другие [10].

1.3 Преимущества и недостатки использования технологии Big Data в

банкинге

Грамотное использование Big Data способно изменить и уже меняет финансовую систему. Необходимо признать, что большие данные всецело стали частью жизни мирового общества. В этих условиях задачей университетов является обучение специалистов навыкам работы с массивами данных и приоритизации данных, умению грамотно формировать запрос и возможностям применения технологий. Главным вопросом, помимо понимания анализа и обработки данных, остается понимание, для чего финансист работает с этими данными, какого результата он может достичь [17].

Преимущества использования технологии Big Data [42]: 1. Оценка кредитоспособности. Развитие технологии Big Data дает возможность проанализировать кредитоспособность заемщика, без использования этой технологии определение кредитоспособности заемщика основывается преимущественно на интуиции, опыте, субъективных представлениях сотрудников банка о благонадежности или неблагонадежности клиентов. Технология Big Data профилирует клиентов, разделяя их на добросовестных и неблагонадежных заемщиков. Кроме того, становится возможным классифицировать заемщика по группам риска, то есть не только решить вопрос о возможности кредитования, но и установить лимит кредита, проценты по нему и срок возврата. Внедрение технологий Big Data позволит сократить время рассмотрения кредитных заявок. 2. Индивидуальные предложения для клиента. С помощью Big Data можно проанализировать операции конкретного клиента и предложить подходящие именно ему банковские услуги. В интересах банка стимулировать клиента тратить больше, взамен предоставляя клиенту некоторые выгоды – прямую или косвенную экономию. Тут на первое место выходит именно актуальность предложения от банка для клиента. Предложения от банка можно условно поделить на 2 категории: 1) рекомендации банковских продуктов (депозиты, кредитные и кобрендинговые карты).

Эмиссия ценных бумаг коммерческими банками и ее роль в формировании ...

... банков в эмиссии собственных ценных бумаг также велика. Эмитентами ценных бумаг ... ценных бумаг. Однако сложный механизм эмиссии в условиях конкуренции, потребность в гарантированном размещении ценных бумаг требует не только больших расходов, но и профессиональных знаний, специализации, навыков. Характеристика ценных бумаг, выпускаемых коммерческими банками: ... его активов, оставшейся ... акционера по ...

2) рекомендации покупок (программы лояльности от различных ритейлеров).

Так для первой категории банк может предложить клиенту потребительский кредит на отдых при покупке авиабилета за границу или оформить кобрендинговой карты со скидками у авиаперевозчиков. Для второй категории банк N может предложить клиенту, который часто покупает ювелирные изделия в магазине Х, скидки на покупку драгоценностей у магазина У, чей расчетный счет открыт в банке N [20].

3. Обнаружение мошенничества. Банки могут использовать и используют технологии Big Data для противодействия мошеннических операций с пластиковыми картами. Выявление мошенничества осуществляется с помощью применения «подозрительных стереотипов поведения», определяемых системой в результате анализа банковских транзакций, которые впоследствии были признаны банком мошенническими. Определение подозрительных случаев осуществляется путем использования совокупности последовательных операций на определенном временном интервале. Если в дальнейшем система воспринимает текущую операцию подозрительной, сотрудник банка, ориентируясь на полученную с помощью «Data Mining» информацию, имеет право, например, заблокировать операции с определенной картой [18].

4. Сегментация клиентов. С помощью средств «Data Mining» банк также осуществляет сегментацию клиентов, что позволяет найти «профиль» наиболее выгодных клиентов и далее акцентировать свою маркетинговую политику для привлечения клиентов, соответствующих найденному «профилю». «Data Mining», интегрирую поступающие из внешних источников данные с имеющимися базами данных банков и обрабатывая огромное количество информации, помогает банкам строить прогнозные модели ценностей своих клиентов и соответствующим образом обслуживать каждую категорию. В целях привлечения новых клиентов, банк классифицирует клиентов на «более выгодных» и «менее выгодных». После определения наиболее выгодного сегмента клиентов банк проводит более активную маркетинговую политику по привлечению клиентов именно среди группы «более выгодных» клиентов [7].

5. Неэффективность операционной деятельности. Анализ данных по инкассации банкоматов, данных с автоматов очередей внутри банков, данных камер внутреннего наблюдения, открытых данных города помогут оптимизировать количество банкоматов и банковских отделений и, как следствие, сократить (часто значительно) операционные издержки розничных банков [20].

6. Маркетинг. Преимущества использования технологии Big Data в маркетинге:  лучше узнавать своих потребителей, привлекать аналогичную аудиторию в Интернете;  оценивать степень удовлетворенности клиентов;  понимать, соответствует ли предлагаемый сервис ожиданиям и потребностям;  находить и внедрять новые способы, увеличивающие доверие клиентов;  создавать проекты, пользующиеся спросом и т. д. [16].

Факторами, которые стимулируют развитие Big Data в России, являются рост данных, ускорение принятия управленческих решений и повышение их качества. Недостатки использования технологии больших данных [42]: 1. Проблема выбора и высокой стоимости. Одним из главных факторов, тормозящих внедрение Big Data в банковский сектор, помимо высокой стоимости, является проблема выбора обрабатываемых данных: то есть определения того, какие данные необходимо извлекать, хранить и анализировать, а какие – не принимать во внимание [13].

2. Конфиденциальность. Еще одна проблема Big Data носит этический характер. Другими словами, можно ли подобный сбор данных (особенно без ведома пользователя) считать нарушением границ частной жизни или нет. Не секрет, что информация, сохраняемая в поисковых системах Google и Яндекс, позволяет банкам постоянно дорабатывать свои сервисы, делать их удобными для пользователей и создавать новые интерактивные приложения. Для этого банки собирают пользовательские данные об активности пользователей в интернете, IP-адреса, данные о геолокации, интересах и онлайн-покупках, личные данные, почтовые сообщения и т. д. При этом обычно согласия пользователей на это не спрашивается, а возможности выбора, какие сведения о себе предоставлять, не дается. То есть по умолчанию в Big Data собирается все, что затем будет храниться в базе данных банков. 3. Проблема безопасности Из выше сказанного вытекает следующая важная проблема, касающаяся обеспечения безопасности хранения и использования данных. Неизвестно, является ли безопасной та или иная аналитическая платформа, которой потребители в автоматическом режиме передают свои данные. 4. Дефицит кадров В банковском секторе отмечают дефицит высококвалифицированных аналитиков и маркетологов, способных эффективно оперировать большими объемами данных и решать с их помощью конкретные задачи. Такого рода технологические решения требуют специалиста с довольно специфическим набором знаний в области математики, программирования, а также предметной области (финансах).

Дефицит таких специалистов как в России, так и в мировом ИТ-секторе чувствуется уже довольно давно, что не позволяет построить современную платформу анализа данных быстро, даже при наличии выделенного под такую разработку бюджета [20].

Однако современный экономист не обязан в одиночку глубоко погружаться в тонкости технологий, позволяющих обрабатывать и анализировать большие данные, он должен понимать основы, так как его целью, как и задачей менеджера, является правильная постановка задачи, а построением алгоритмов и созданием программ занимаются профильные специалисты: математики и программисты [13].

Несмотря на все сложности с внедрением Big Data, банки намерены увеличивать вложения в это направление. По данным исследования Gartner, лидерами инвестирующих в Big Data отраслей являются банковский сектор, медиа и сервисные компании [16].

Подводя итог можно сказать, что в условиях современной экономики описанные выше технологии Big Data, просто необходимы крупным финансовым организациям в целях укрепления их конкурентных преимуществ на рынке и получения в будущем дополнительных доходов [7].

2 ФИНАНСОВЫЙ АНАЛИЗ ПАО СБЕРБАНК

2.1 Организационно-экономическая характеристика ПАО Сбербанк

Публичное акционерное общество «Сбербанк России» (далее – ПАО

Сбербанк) – крупнейший транснациональный и универсальный банк России,

Центральной и Восточной Европы, который был основан 12 ноября 1841 года, с подписания указа об учреждении в России сберегательных касс «для доставления через то средств к сбережению и выгодным способом». Сбербанк сегодня – это кровеносная система российской экономики, треть ее банковской системы. Банк дает работу и источник дохода каждой 150-й российской семье. На долю лидера российского банковского сектора по общему объему активов приходится 28,6% совокупных банковских активов (по состоянию на 1 августа 2015 года).

Банк является основным кредитором российской экономики и занимает крупнейшую долю на рынке вкладов. На его долю приходится 44,9% вкладов населения, 37,7% кредитов физическим лицам и 32,7% кредитов юридическим лицам (по состоянию на 1 августа 2015 года).

Спектр услуг Сбербанка для розничных клиентов максимально широк: от традиционных депозитов и различных видов кредитования до банковских карт, денежных переводов, банковского страхования и брокерских услуг. Все розничные кредиты в Сбербанке выдаются по технологии «Кредитная фабрика», созданной для эффективной оценки кредитных рисков и обеспечения высокого качества кредитного портфеля. Стремясь сделать обслуживание более удобным, современным и технологичным, Сбербанк с каждым годом все более совершенствует возможности дистанционного управления счетами клиентов. Сбербанк является крупнейшим эмитентом дебетовых и кредитных карт. Совместный банк, созданный Сбербанком и BNP Paribas, занимается POSкредитованием под брендом Cetelem, используя концепцию «ответственного кредитования». Банк обслуживает все группы корпоративных клиентов, причем на долю малых и средних компаний приходится более 33% корпоративного кредитного портфеля банка. Оставшаяся часть – это кредитование крупных и крупнейших корпоративных клиентов [10].

ПАО Сбербанк работает на основании Генеральной лицензии на осуществление банковских операций №1481 от 11.08.2015 г. ПАО Сбербанк также имеет отдельные лицензии:  на привлечение во вклады и размещение драгоценных металлов;  на осуществление депозитарной деятельности;  на осуществление дилерской деятельности;  на осуществление брокерской деятельности;  на осуществление разработки, производства, распространения шифровальных (криптографических) средств, информационных систем и телекоммуникационных систем, защищенных с использованием шифровальных (криптографических) средств, выполнения работ, оказания услуг в области шифрования информации, технического обслуживания шифровальных (криптографических) средств, информационных систем и телекоммуникационных систем, защищенных с использованием шифровальных (криптографических) средств (за исключением случая, если техническое обслуживание шифровальных (криптографических) средств, информационных систем и телекоммуникационных систем, защищенных с использованием шифровальных (криптографических) средств, осуществляется для обеспечения собственных нужд юридического лица или индивидуального предпринимателя) [21].

ПАО Сбербанк находится под значительным контролем Центрального Банка Российской Федерации, которому принадлежат более 52% акций (рисунок 4):

ПАО Сбербанк

52,32% 47,68%

Центральный банк Российской Акции банка, находящиеся в федерации (Банк России) является публичном обращении, собственники лицом, под контролем которого в которых не установлены (в том числе соответствии с критериями МСФО принадлежащие миноритарным

(IFRS) 10 находится банк акционерам)

Рисунок 4 – Схема взаимосвязей ПАО Сбербанк и лиц, под контролем либо

значительным влиянием которых находится Банк По состоянию на 01.01.2018 ПАО Сбербанк занимает лидирующие позиции в банковской системе Российской Федерации [22]:  1-е место по размеру активов;  1-е место в кредитовании физических лиц;  1-е место в кредитовании предприятий и организаций;  1-е место по размеру чистой прибыли;  1-е место по размеру кредитного портфеля;  1-е место по размеру вкладов физических лиц;  1-е место по размеру вложений в ценные бумаги. Основными конкурентами ПАО Сбербанк по объему собственных активов являются ПАО Банк ВТБ и АО «Газпромбанк», а основными конкурентами по прибыльности являются ПАО Банк ВТБ и Банк «Открытие» [23] Если рассматривать конкурентоспособность и позицию ПАО Сбербанк в сфере предоставления кредитов, то можно утверждать, что данный банк, как и по остальным своим показателям, рассмотренным выше, занимает лидирующую позицию. Следом за Сбербанком на втором месте располагается ПАО Банк ВТБ, а на третьем месте – Россельхозбанк. Кроме того, ПАО Сбербанк является явным лидером по размерам размещенных депозитов [23].

Сбербанк занял первое место среди банков Центральной и Восточной Европы в списке журнала The Banker в 2017 году. В общем зачете Сбербанк по сравнению с прошлым годом поднялся на 15 позиций и занял 36-е место [24].

Sberbank Private Banking занял первое место в рейтинге Forbes [24].

Сбербанк назван лучшим банком в России по версии журнала Global Finance, по результатам исследования лучших банков Центральной и Восточной Европы в 2017 году [24].

В целях сохранения инвестиционной привлекательности, Сбербанк принимает решение о более раннем старте разработки «Стратегии 2020», поскольку ключевые цели предыдущей «Стратегии 2014-2018» выполнены. За период 2014-2017 гг., Сбербанку удалось увеличить базу активных розничных клиентов в России на 7,5 млн человек, а количество клиентов – юридических лиц за тот же период выросло более чем на 195 тысяч. В последние голы Сбербанк находится в авангарде технологических и инновационных изменений в стране. Банк успешно трансформирует собственную технологическую платформу и создает крупнейшую промышленную ИТ-систему на базе самых современных технологий. Помимо этого, активно развиваются инновационные технологии, такие как искусственный интеллект, машинное обучение, блокчейн, робототехника и другие. На базе Сбербанка не просто внедряются новые технологии в бизнес- процессы, Банк также инвестирует в их развитие и популяризацию в масштабах государства [25].

Сбербанк начал активно работать с данными и аналитикой: заложил основы инфраструктуры хранения и обработки данных на базе «облачных» технологий, запустил масштабирование основных процессов управления данными, создал Data Science — сообщество и Академию технологий и данных в Корпоративном университете (переобучение более 35 тыс. сотрудников) [25].

Банк построил эффективную систему противодействия кибермошенничеству и в 2017 году предотвратил попытки мошенничества со средствами клиентов на сумму 17,9 млрд руб. С 2015 года Сбербанк успешно отражает 100% DDoS атак, направленных на Банк [25].

Главная цель стратегии 2020 – реализация инициатив, которые позволят Банку выйти на новый уровень конкурентоспособности, дающий возможность конкурировать с глобальными технологическими компаниями, оставаясь лучшим банком для населения и бизнеса [25].

1 Цель – Лучший клиентский опыт и экосистема. Для реализации обеспечения возможности экономии времени и денег клиента банк планирует продолжить расширять и совершенствовать продуктовую и сервисную линейку. Для розничных клиентов:  предложение лучших на рынке карточных и расчетных продуктов;  создание экосистемы P2P – переводов;  обеспечение цифрового доступа к государственным услугам. Для корпоративных клиентов:  реализация моментальных расчетов между всеми розничными и корпоративными клиентами;  предложение лучших на рынке зарплатных продуктов;  запуск продуктов по финансированию государственного – частного партнёрства. Сбербанк планирует выстраивать индивидуальные отношения с клиентами, предоставлять персонализированные продукты и сервисы в удобном для клиента формате. Помимо этого, банк предложит умные советы, которые будут помогать клиенту сэкономить время и деньги. Для крупных корпоративных клиентов, будут предоставляться услуги консалтинга. 2 Цель – Технологическое лидерство. Для реализации планов по усовершенствованию клиентского предложения Сбербанк планирует завершить масштабную технологическую трансформацию по 5-ти основным аспектам: обеспечение надежности и эффективности, создание новой платформы для банка и экосистемы, обеспечение безопасности данных и систем, развитие организации на основе данных и алгоритмов (data – driven) и усиление инфраструктуры инноваций [25].

3 Цель – Люди нового качества в эффективных командах Банк формулирует основные компетенции, которыми должен обладать сотрудник:  решение проблем и системное мышление;  управление результатом и ответственность;  инновационность;  клиентоцентричность;  развитие команд и сотрудничество;  управление собой. Сбербанк запустил Академию технологий и данных в Корпоративном университете, где обучает руководителей и сотрудников новым для них навыкам. Для взаимодействия команд, сотрудники бизнес – блоков получать навыки из IT, а их коллеги из IT получат бизнес знания. Клиентский персонал обучается по таким направлениям как, сервис, эмпатия и эмоциональный интеллект. Главная финансовая цель Сбербанка до 2020 года – нарастить масштаб деятельности с заданным уровнем рентабельности и значительно увеличить прибыль Группы. Банк планирует поддерживать устойчиво высокое значение ROE – на уровне 20%, что должно привести к росту объема собственных средств Банка к 2020 году. В то же время в соответствии с новой дивидендной политикой Сбербанк планирует обеспечить последовательное увеличение доли прибыли, выплачиваемой акционерам в форме дивидендов. 2.2 Горизонтальный и вертикальный анализ отчетности ПАО Сбербанк

Анализ финансового состояния представляет собой совокупность методов исследования процесса формирования и использования денежных фондов банка, а также достаточности денежных средств, необходимых для организации эффективной банковской деятельности. В ходе управления активами ставится задача достижения их наивысшей прибыльности при соблюдении необходимого уровня ликвидности и допустимого уровня рискованности. Эта задача выполнима только на основе системного анализа финансовых активов в указанных направлениях и целенаправленных действий по формированию соответствующей структуры активов [26].

Управление пассивами связано с: анализом средств, не приносящих доходов; изучением основных направлений поиска необходимых кредитных ресурсов для выполнения обязательств перед клиентами и для развития активных операций; анализом возможных способов привлечения «недорогих» ресурсов. Анализ является основным методом управления рисками. С его помощью исследуются и оцениваются условия возникновения риска, масштабы предполагаемого ущерба, способы предупреждения рисков, источники его возмещения [26].

Итак, анализ финансового состояния как часть финансового анализа, как практика, как вид управленческой деятельности предшествует принятию 9 решений по финансовым вопросам, являясь этапом, операцией и условием их принятия (информационно-аналитическим обеспечением), а затем обобщает и оценивает результаты решений на основе итоговой информации. ПАО Сбербанк является крупнейшим банком на российском рынке банковских услуг, поэтому анализ финансового состояния должен проходить на регулярной основе. Прежде всего, проводится вертикальный и горизонтальный анализы финансовых показателей. Анализ активов, пассивов и отчета о финансовых результатах банка. Информационной базой для проведения оценки финансового состояния банка является его бухгалтерская отчетность. Для проведения финансового анализа использовались бухгалтерский балансы (приложение А, Б).

Вертикальный (структурный) анализ активов банка представляет собой определение удельного веса в зависимости от целевого использования, степени ликвидности активов, уровня доходности. Данный анализ позволяет экономическому аналитику судить о перераспределении вложений в различные активы, свидетельствует об изменении источников формирования активов [27].

Результаты вертикального анализа задействованы в процессе оценки качества состава активов банка и их оптимизации. Обычно такой анализ сопровождается оформлением таблиц графически в форме круговых и столбиковых диаграмм. Горизонтальный анализ — это такой анализ, который позволяет проанализировать динамику активов в целом и отдельных их видов во временном промежутке, выявить и изучить общие тенденции изменения активов [28].

Результаты, как правило, представлены в таблицах, а также в виде линейных графиков и столбиковых диаграмм. Во-первых, был произведен полный вертикальный анализ активов ПАО Сбербанк, результаты представлены в таблице 2. Таблица 2 – Вертикальный анализ активов ПАО «Сбербанк»

Сумма в тысячах рублей Удельный вес в процентах Наименование на на на на на на на

на 01.01.2015г.

01.01.2016г. 01.01.2017г. 01.01.2018г. 01.01.2015г. 01.01.2016г. 01.01.2017г. 01.01.2018г. 1. Денежные средства 1 240 712 425 732 789 740 614 848 983 621 718 630 5,71 3,23 2,83 2,68 2. Средства кредитных

369 675 704 586 685 384 967 161 874 747 906 470 1,70 2,58 4,45 3,23 организация в ЦБ РФ 2.1 Обязательные

142 522 154 118 363 174 154 713 883 158 658 496 0,66 0,52 0,71 0,69 резервы 3. Средства в кредитных 356 487 333 355 984 910 347 942 780 299 995 122 1,64 1,57 1,60 1,30 организациях 4. Финансовые активы 825 688 140 405 977 877 141 343 233 91 468 983 3,80 1,79 0,65 0,39 5.Чистая ссудная

15 889 379 335 16 869 803 465 16 221 622 141 17 466 111 114 73,07 74,29 74,68 75,42 задолженность 6. Чистые вложения в ЦБ и другие

1 745 489 852 2 316 356 734 2 269 613 004 2 517 864 732 8,03 10,20 10,45 10,87 финансовые активы в наличии 6.1 Инвестиции в дочерние и зависимые 385 839 342 536 732 037 691 905 668 664 464 539 1,77 2,36 3,19 2,87 организации 7. Чистые вложения в ЦБ, удерживаемые до 366 474 111 436 472 311 455 961 164 645 442 126 1,69 1,92 2,10 2,79 погашения 8. Требования по текущему налогу на 67 057 790 19 774 223 8 124 301 372 664 0,31 0,09 0,04 0,00 прибыль Окончание таблицы 2

Сумма в тысячах рублей Удельный вес в процентах Наименование на на на на на на на на

01.01.2015г. 01.01.2016г. 01.01.2017г. 01.01.2018г. 01.01.2015г. 01.01.2016г. 01.01.2017г. 01.01.2018г.

9. Отложенный

0 0 0 21 311 177 0,00 0,00 0,00 0,09 налоговый актив

10. ОС, НМА о

478 611 700 477 354 992 469 120 697 483 555 870 2,20 2,10 2,16 2,09 материальные запасы

11. Долгосрочные активы,

0 0 8 076 804 11 364 582 0,00 0,00 0,05 предназначенные для продажи

12. Прочие активы 407 183 754 505 716 457 217 263 502 251 808 469 1,87 2,23 1,00 1,09

13. Всего активов 21 746 760 144 22 706 916 093 21 721 078 483 23 158 919 939 100,00 100,00 100,00 100,00

1,87% 5,71% 0,09% 2,10% 1. Денежные средства

0,31% 1,70% 3,23% 2,58% 8,03% 1,79%

3,80%

10,20% 2. Средства кредитных

1,69% 2,20% 2,23% организация в ЦБ РФ

1,64% 1,92% 1,57%

3. Средства в кредитных

оргнизациях

4. Финансовые активы

73,07% 74,29% 5.Чистая ссудная

задолженность

6. Чистые вложения в ЦБ

На 01.01.2015 На 01.01.2016 и другие финансовые

активы в наличии

2,16%

0,04% 2,83%4,45%

0,00% 2,09% 2,69% 3,23%

0,65% 0,40% 7. Чистые вложения в 10,45% ЦБ, удерживаемые до

10,89% погашения

2,10%1,00%

1,60% 1,09%

2,79% 1,30%

8. Требования по

текущему налогу на

прибыль

10. ОС, НМА о

материальные запасы

74,71% 75,53%

12. Прочие активы

На 01.01.2017 На 01.01.2018

Рисунок 5 – Структура актива баланса ПАО Сбербанк в период с 01.01.2015 –по 01.01.2018 гг. Структурное распределение активов банка представлено на рисунке 5. Вертикальный анализ в большей степени направлен на изучение самой структуры имущества кредитной организации, его обязательств, доходов и расходов. По полученным данным можно сделать вывод о том, что в течение анализируемого периода произошло увеличение активов банка с 21 746 760 144 тыс. руб. до 23 158 919 939 тыс. руб., т.е. на 1 412 159 795 тысяч рублей (или на 6,49 %).

Амплитуда динамики изменения активов – низкая. Наибольшую долю в активах Сбербанка занимает Чистая ссудная задолженность, в период с 2015 по 2018 год, чистая ссудная задолженность увеличилась с 73% до 75%. Так как чистая ссудная задолженность состоит из выданных кредитов физическим и юридическим лицам – это означает, что у банка возросло количество выданных кредитов, как физическим, так и юридическим лицам. Чистые вложения в ценные бумаги, и другие финансовые активы, составляют в среднем 10%. Статья средства кредитных организаций в ЦБ РФ занимает третье место по величине в структуре активов и составляет около 3%. Следующая статья по величине в структуре активов за 2017 год– чистые вложения в ценные бумаги, удерживаемые до погашения с значением в 2,79 %. По полученным результатам можно сказать, что в анализируемом периоде самую низкую долю в активных операциях банка занимают долгосрочные активы, предназначенные для продажи и отложенные налоговые активы, данные показатели и вовсе отсутствовали в 2015 и 2016 годах. За рассматриваемый период доля денежных средств снижена с 5,71% до 2,68%, это означает, что банк стал держать меньше наличности и больше вкладывает наличные денежные средства в другие активы. Доля средств в Центральном Банке увеличилась с 1,7% до 3,23%. По полученным данным можно отметить, что банк к 2018 году перевел часть своих денежных средств в депозит Банка России. Так как доля денежных средств уменьшилась прямо пропорционально увеличению доли средств в Центральном Банке. На втором этапе проведен вертикальный анализ пассивов ПАО Сбербанк, за 2015-2017 гг. Данные представлены в таблице 3. Пассивная часть баланса банка характеризует источники средств и природу финансовых связей банка, поскольку пассивные операции в значительной мере определяют условия, формы и направления использования банковских ресурсов На рисунке 6 представлена структура пассивов Банка, которая наглядно показывает изменение долей статей пассива кредитной организации. По полученным данным можно сделать ряд следующих выводов. Во-первых, за анализируемый период значительно снизилась доля заемных средств от Центрального Банка. На 1 января 2015 года доля данного показателя составляла 17,79%, а к 2018 году, снизалась на 17,47% и составила 0,32% – это означает, что банк практически полностью рассчитался по обязательствам перед Центральным Банком. Во-вторых, наибольшую долю в структуре пассивных операций Сбербанка составляют средства клиентов, не являющихся КО, причем их доля за четыре года увеличилась с 70,97% до 89,61% (то есть на 18,64%), в то время как средства КО, наоборот, уменьшились с 4,02% до 2,99 %. Исходя из этого можно сделать вывод, что Сбербанк делает акцент на работу с юридическими и физическими лицами. В-третьих, в 2017 году самую низкую долю в пассивных операциях кредитной организации занимают обязательства по текущему налогу на прибыль их доля составляет 0,06%, а значение статьи «Отложенные налоговые обязательства» составило 0. Таблица 3 – Вертикальный анализ пассивов ПАО Сбербанк

Сумма в тысячах рублей Удельный вес в процентах

Наименование на на на на на на на на

01.01.2015г. 01.01.2016г. 01.01.2017г. 01.01.2018г. 01.01.2015г. 01.01.2016г. 01.01.2017г. 01.01.2018г. 14. Кредиты, депозиты и

3 515 817 946 768 989 234 581 160 307 591 164 171 17,79 3,77 3,08 2,99 другие средства ЦБ РФ 15. Средства кредитных

794 856 364 618 363 818 364 499 528 464 300 153 4,02 3,03 1,93 2,34 организаций 16. Средства клиентов, не являющихся

14 026 723 547 17 722 423 458 16 881 988 991 17 742 620 034 70,97 86,97 89,36 89,61 кредитными организациями 16.1 Вклады физических

7 999 051 651 10 221 284 952 10 937 747 277 11 777 377 023 40,47 50,16 57,90 59,48 лиц 17. Финансовые

617 944 480 228 167 483 107 586 935 82 400 673 3,13 1,12 0,57 0,42 обязательства 18. Выпущенные

513 402 485 647 694 355 610 931 898 575 341 051 2,60 3,18 3,23 2,91 долговые обязательства 19. Обязательство по текущему налогу на 2 170 5 404 321 5 771 617 11 241 468 0,00 0,03 0,03 0,06 прибыль 20. Отложенное

42 891 174 93 348 434 17 878 331 0 0,22 0,46 0,09 0,00 налоговое обязательство 21. Прочие обязательства 216 252 982 256 566 985 280 194 323 270 017 973 1,09 1,26 1,48 1,36 22. Резервы на

36 530 500 37 805 399 42 145 668 62 686 684 0,18 0,19 0,22 0,32 возможные потери 23. Всего обязательств 19 764 421 648 20 378 763 487 18 892 157 598 19 799 772 207 100,00 100,00 100,00 100,00

2,60% 0,22% 0,18% 0,46% 1,26% 14. Кредиты, депозиты и

1,12% 3,77%

другие средства ЦБ РФ 3,13% 17,79% 3,18%

3,03%

15. Средства кредитных

0,00% 1,09% 0,03% 0,19% организаций

4,02%

16. Средства клиентов, не

являющихся кредитными

организациями

70,97% 17. Финансовые

86,97%

обязательства

18. Выпущенные долговые

На 01.01.2015 обязательства

На 01.01.2016

3,23% 1,48% 0,22% 3,08% 2,91% 1,36% 0,32% 2,99%

1,93% 0,42% 2,34% 19. Обязателсьво по текущему 0,57% налогу на приыбль

0,03% 0,09% 0,06% 0,00% 20. Отложенное налоговое

обязтельсво

21. Прочие обязательсва

89,61%

22. Резервы на возможные

89,36%

потери

На 01.01.2017 На 01.01.2018

Рисунок 6 – Структура пассива баланса ПАО Сбербанк в период с 01.01.2015 – 01.01.2018 гг. Таблица 4 – Вертикальный анализ собственных средств ПАО Сбербанк

Сумма в тысячах рублей Удельный вес в процентах Наименование на на на на на на на на

01.01.2015г. 01.01.2016г. 01.01.2017г. 01.01.2018г. 01.01.2015г. 01.01.2016г. 01.01.2017г. 01.01.2018г. 24. Средства акционеров

67 760 844 67 760 844 67 760 844 67 760 844 3,42 2,91 2,40 2,02 (участников) 25. Собственные акции, выкупленные у 0 0 0 0 0,00 0,00 0,00 0,00 акционеров 26. Эмиссионный доход 228 054 226 228 054 226 228 054 226 228 054 226 11,50 9,80 8,06 6,79 27. Резервный фонд 3 527 429 3 527 429 3 527 429 3 527 429 0,18 0,15 0,12 0,11 28. Переоценка ценных

• 197 450 451 -46 427 290 39 900 064 54 667 423 -9,96 -1,99 1,41 1,63 бумаг 29. Переоценка

80 536 315 66 357 126 45 400 901 39 933 964 4,06 2,85 1,60 1,19 основных средств 30. Переоценка обязательств по выплате

0 0 0 -17 982 0,00 0,00 0,00 0,00 долгосрочных вознаграждений 33. Нераспределенные

1 488 697 172 1 790 492 964 1 945 987 988 2 311 656 423 75,10 76,91 68,79 68,82 прибыль прошлых лет 34. Неиспользованная прибыль за отчетный 311 212 961 218 387 307 498 289 433 653 565 405 15,70 9,38 17,61 19,46 период 35. Всего источников

1 982 338 496 2 328 152 606 2 828 920 885 3 359 147 732 100,00 100,00 100,00 100,00 собственных средств На следующем этапе произведен вертикальный анализ собственных средств ПАО Сбербанк который представлен в таблице 4. В большинстве случаев доля собственного капитала является определяющей в том, какую политику банк ведет – консервативную, то есть использует в основном собственный капитал в своей деятельности, рисковую или сбалансированную [25].

За анализируемый период абсолютная величина средств акционеров, эмиссионного дохода и резервного фонда не изменилась. Их доля уменьшилась только за счет значительного увеличения нераспределенной и неиспользованной прибыли. Всего источники собственных средств за период с 2015 по 2018 год увеличилась с 1 982 338 496 тыс. до 3 359 147 732 тыс. рублей (увеличилась на 70%).

Это говорит о том, что банк ведет эффективную финансовую деятельность и имеет стабильный доход. Горизонтальный анализ производится с помощью составления нескольких аналитических таблиц, где показатели сравниваются в динамике на временном промежутке. В данном анализе рассчитываются абсолютные и относительные изменения показателей. В рамках горизонтального анализа производится исследование в разрезе активов и отдельно пассивов. [26].

Горизонтальный анализ активов ПАО Сбербанк представлен в таблице 4. Анализ активных операций банка показал, что в целом стоимость активных операций банка в 2016 году снизилась на 985 837 610 тыс. руб., а в 2017 году увеличилась на 1 437 841 456 тыс. руб. У таких статей активных операций, как чистая ссудная задолженность, чистые вложения в ценные бумаги и другие финансовые, наблюдается положительная динамика. Таблица 5 – Горизонтальный анализ активов ПАО Сбербанк

Отклонения

Темпа роста,

относительное отклонение, в процентах

Наименование абсолютное отклонение, в тысячах рублей

в процентах

2015 г. 2016 г. 2017 г. 2015 г. 2016 г. 2017 г. 2015 г. 2016 г. 2017 г. 1. Денежные средства -507 922 685 -117 940 757 6 869 647 -40,94 -16,09 1,12 59,06 83,91 101,12 2. Средства кредитных 58,70 64,85 -22,67 организация в ЦБ РФ 217 009 680 380 476 490 -219 255 404 158,70 164,85 77,33 2.1 Обязательные резервы -24 158 980 36 350 709 3 944 613 -16,95 30,71 2,55 83,05 130,71 102,55 3. Средства в кредитных

-0,14 -2,26 -13,78 организациях -502 423 -8 042 130 -47 947 658 99,86 97,74 86,22 4. Финансовые активы -419 710 263 -264 634 644 -49 874 250 -50,83 -65,18 -35,29 49,17 34,82 64,71 5.Чистая ссудная задолженность 980 424 130 -648 181 324 1 244 488 973 6,17 -3,84 7,67 106,17 96,16 107,67 6. Чистые вложения в ЦБ и другие финансовые активы в 32,71 -2,02 10,94 наличии 570 866 882 -46 743 730 248 251 728 132,71 97,98 110,94 6.1 Инвестиции в дочерние и

39,11 28,91 -3,97 зависимые организации 150 892 695 155 173 631 -27 441 129 139,11 128,91 96,03 7. Чистые вложения в ЦБ,

19,10 4,47 41,56 удерживаемые до погашения 69 998 200 19 488 853 189 480 962 119,10 104,47 141,56 8. Требования по текущему

• 70,51 -58,91 -95,41 налогу на прибыль -47 283 567 -11 649 922 -7 751 637 29,49 41,09 4,59 9. Отложенный налоговый актив 0 0 21 311 177 0,00 0,00 0,00 — — 10. ОС, НМА о материальные
• 0,26 -1,72 3,08 запасы -1 256 708 -8 234 295 14 435 173 99,74 98,28 103,08 11.

Долгосрочные активы,

0,00 0,00 40,71 предназначенные для продажи 0 8 076 804 3 287 778 — — 140,71 12. Прочие активы 98 532 703 -288 452 955 34 544 967 24,20 -57,04 15,90 124,20 42,96 115,90 13. Всего активов 960 155 949 -985 837 610 1 437 841 456 4,42 -4,34 6,62 104,42 95,66 106,62 Анализ активных операций банка показал, что в целом стоимость активных операций банка в 2016 году снизилась на 985 837 610 тыс. руб., а в 2017 году увеличилась на 1 437 841 456 тыс. руб. У таких статей активных операций, как чистая ссудная задолженность, чистые вложения в ценные бумаги и другие финансовые, наблюдается положительная динамика. В течение всего анализируемого периода наблюдается рост вложения и чистые вложения в ценные бумаги, удерживаемые до погашения: в 2016 году он составлял 19 488 853 тыс. рублей, в 2017 году их сумма увеличилась на 189 480 962 тыс. рублей. Причем их доля в общих активах предприятия также увеличивается. В анализируемом периоде произошло увеличение размера чистой ссудной задолженности. Если в 2015 году это увеличение составило 980 424 130 тыс. руб., то в 2017 году показатель увеличился еще на 1 244 488 973 тыс. руб. Такое увеличение может отрицательно сказаться на дальнейшем развитии банка. Заметным снижением темпов прироста характеризуются такие статьи, как средства кредитных организаций в ЦБ, финансовые активы, средства в кредитных организациях и требования по текущему налогу на прибыль. Сравнивая 2017 с 2016 годом, актив «Средства кредитных организаций в ЦБ» уменьшился на 219 255 404 тыс. руб., или на 1,22 %. Но на общем фоне, в целом за весь анализируемый период, это незначительное изменение, поскольку ранее говорилось о том, что за анализируемый период объем денежных средств уменьшился, а объем средств в кредитных организациях в ЦБ увеличился. Это означает, что банк стал держать меньше наличности и больше вкладывает наличные денежные средства в другие активы. Так же за анализируемый период происходило стабильное сокращение требований по текущему налогу на прибыль, каждый год в среднем на 0,05%. Кроме того, в 2016 году наблюдается сокращение основных средств, нематериальных активов и материальных запасов, причем это сокращение составило 8 234 295 тыс. руб., в 2017 году наблюдается увеличение на 14 435 173 тыс. руб. Для более детального представления изменения показателей активов ПАО Сбербанк представлен график темпов роста с 2015 по 2017 гг. Он содержит основные показатели статей активов баланса. Этот график представлен на рис. 7.

80,00

60,00

40,00

20,00

0,00

• 20,00
• 40,00
• 60,00
• 80,00
• 100,00

2015 г. 2016 г. 2017 г.

Рисунок 7 – Темп роста активов ПАО Сбербанк с 2015 по 2017 гг, в процентах

Таким образом, были выявлены основные структурные значения активов банка и проведен горизонтальный анализ активных операций кредитной организации. На следующем этапе анализа производится горизонтальный анализ пассивов и собственных средств, который представлен в таблице 6. Все обязательства показывали максимальный рост в 2017 году на 4,8 % и рост собственных средств в 2016 году на 21,51 %. За 2017 г. рост был связан, прежде всего, с увеличением обязательств по текущему налогу на прибыль (на 94,7%) и увеличением резервов на возможные потери (на 48,74%) В целом – это положительный результат, который означает, что банк ведет эффективную финансовую деятельность и имеет стабильный доход. Таблица 6 – Горизонтальный анализ пассивов ПАО Сбербанк

Отклонения

Темп роста, в процентах

Наименование абсолютное отклонение, в тысячах рублей относительное отклонение, в процентах

2015 г. 2016 г. 2017 г. 2015 г. 2016 г. 2017 г. 2015 г. 2016 г. 2017 г. 14. Кредиты, депозиты и -2 746 828 712 -187 828 927 10 003 864 -78,13 -24,43 1,72 21,87 75,57 101,72 другие средства ЦБ РФ 15. Средства кредитных -176 492 546 -253 864 290 99 800 625 -22,20 -41,05 27,38 77,80 58,95 127,38 организаций 16. Средства клиентов, не являющихся

3 695 699 911 -840 434 467 860 631 043 26,35 -4,74 5,10 126,35 95,26 105,10 кредитными организациями 16.1 Вклады физических

2 222 233 301 716 462 325 839 629 746 27,78 7,01 7,68 127,78 107,01 107,68 лиц 17. Финансовые -389 776 997 -120 580 548 -25 186 262 -63,08 -52,85 -23,41 36,92 47,15 76,59 обязательства 18. Выпущенные 134 291 870 -36 762 457 -35 590 847 26,16 -5,68 -5,83 126,16 94,32 94,17 долговые обязательства 19. Обязательство по текущему налогу на 5 402 151 367 296 5 469 851 248 947,05 6,80 94,77 249 047,05 106,80 194,77 прибыль 20. Отложенное 50 457 260 -75 470 103 -17 878 331 117,64 -80,85

217,64 19,15 0,00 налоговое обязательство 100,00 21. Прочие

40 314 003 23 627 338 -10 176 350 18,64 9,21 -3,63 118,64 109,21 96,37 обязательства 22. Резервы на 1 274 899 4 340 269 20 541 016 3,49 11,48 48,74 103,49 111,48 148,74 возможные потери 23. Всего обязательств 614 341 839 -1 486 605 889 907 614 609 3,11 -7,29 4,80 103,11 92,71 104,80 Таблица 7 – Горизонтальный анализ собственных средств ПАО Сбербанк

Отклонения

Темпа роста,

относительное отклонение, в процентах

Наименование абсолютное отклонение, в тысячах рублей

в процентах

2015 г. 2016 г. 2017 г. 2015 г. 2016 г. 2017 г. 2015 г. 2016 г. 2017 г. 24. Средства акционеров

0,00 0,00 0,00 0,00 0,00 0,00 100,00 100,00 100,00 (участников) 26. Эмиссионный доход 0,00 0,00 0,00 0,00 0,00 0,00 100,00 100,00 100,00 27. Резервный фонд 0,00 0,00 0,00 0,00 0,00 0,00 100,00 100,00 100,00 28. Переоценка ценных

151 023 161,00 86 327 354,00 14 767 359,00 -76,49 -185,94 37,01 23,51 -85,94 137,01 бумаг 29. Переоценка

• 14 179 189,00 -20 956 225,00 -5 466 937,00 -17,61 -31,58 -12,04 82,39 68,42 87,96 основных средств 30. Переоценка обязательств по выплате

0,00 0,00 -17 982,00 0,00 0,00 0,00 — — долгосрочных вознаграждений 33. Нераспределенные

301 795 792,00 155 495 024,00 365 668 435,00 20,27 8,68 18,79 120,27 108,68 118,79 прибыль прошлых лет 34. Неиспользованная прибыль за отчетный -92 825 654,00 279 902 126,00 155 275 972,00 -29,83 128,17 31,16 70,17 228,17 131,16 период 35. Всего источников

345 814 110,00 500 768 279,00 530 226 847,00 17,44 21,51 18,74 117,44 121,51 118,74 собственных средств Проведем анализ отчета о финансовых результатах. Таблица 8 – Анализ отчета о финансовых результатах

Относительное

Абсолютное отклонение, в Темп роста, в

Сумма, в тысячах рублей отклонение, в

тысячах рублей процентах

Наименование процентах

2016/ 2017/ 2016/ 2017/

2015 г. 2016 г. 2017 г. 2016/2015 2017/2016

2015 2016 2015 2016 1 Процентные доходы, всего, 1 999 027 786 2 079 766 069 2 032 170 704 80 738 283 -47 595 365 4,04 -2,29 104,04 97,71 в том числе: 1.1 От размещения средств в 45 298 638 64 397 494 116 102 323 19 098 856 51 704 829 42,16 80,29 142,16 180,29 КО 1.2 От ссуд, предоставленных клиентам, 1 823 328 858 1 867 144 838 1 759 389 151 43 815 980 -107 755 687 2,40 -5,77 102,40 94,23 не являющимся КО 1.3 От оказания услуг по 0 12 025 1 12 025 -12 024 — -99,99 — 0,01 финансовой аренде 1.4 От вложений в ценные 130 400 290 148 211 712 156 679 229 17 811 422 8 467 517 13,66 5,71 113,66 105,71 бумаги 2 Процентные расходы, 1 132 369 508 878 207 077 730 382 293 -254 162 431 -147 824 784 -22,45 -16,83 77,55 83,17 всего, в том числе: 2.1 По привлеченным

246 600 692 64 296 230 53 788 230 -182 304 462 -10 508 000 -73,93 -16,34 26,07 83,66 средствам КО 2.2 по привлеченным средствам клиентов, не 830 996 067 759 401 850 636 868 978 -71 594 217 -122 532 872 -8,62 -16,14 91,38 83,86 являющихся КО 2.3 По выпущенным 54 772 749 54 508 997 39 725 085 -263 752 -14 783 912 -0,48 -27,12 99,52 72,88 долговым обязательствам 3 Чистые процентные доходы (отрицательная 866 658 278 1 201 558 992 1 301 788 411 334 900 714 100 229 419 38,64 8,34 138,64 108,34 процентная маржа) Продолжение таблицы 8

Относительное

Абсолютное отклонение, Темп роста, в

Сумма, в тысячах рублей отклонение, в

в тысячах рублей процентах

Наименование процентах

2016/ 2017/ 2016/ 2017/

2015г. 2016г. 2017г. 2016/2015 2017/2016

2015 2016 2015 2016 4 Изменения резерва на возможные потери по ссудам,

• 258 867 154 -87 884 500 -119 132 217 170 982 654 -31 247 717 -66,05 35,56 33,95 135,56 ссудной и приравненной к ней задолженности 4.1 Изменение резерва на возможные потери по
• 5 995 500 -6 151 158 -8 926 467 -155 658 -2 775 309 2,60 45,12 102,60 145,12 начисленным процентным доходам 5 Чистые процентные доходы (отрицательная процентная

607 791 124 1 113 674 492 1 182 656 194 505 883 368 68 981 702 83,23 6,19 183,23 106,19 маржа) после создания резерва на возможные потери 6 Чистые доходы от операций с финансовыми активами, оцениваемыми по -12 676 170 -74 292 233 12 395 172 -61 616 063 86 687 405 486,08 -116,68 586,08 -16,68 справедливой стоимости через прибыль или убыток 8 Чистые доходы от операций с ценными бумагами,

-3 541 006 2 607 540 24 365 165 6 148 546 21 757 625 -173,64 834,41 -73,64 934,41 имеющимися в наличии для продажи 9 Чистые доходы от операций с ценными бумагами, -695 185 187 -13 596 185 882 -198 783 -26 746 -107,34 -26 646 -7,34 удерживаемыми до погашения Продолжение таблицы 8

Относительное

Абсолютное отклонение, Темп роста, в

Сумма, в тысячах рублей отклонение, в

в тысячах рублей процентах

Наименование процентах

2016/ 2017/ 2016/ 2017/

2015г. 2016г. 2017г. 2016/2015 2017/2016

2015 2016 2015 2016 10 Чистые доходы от операций с иностранной 91 277 379 29 511 322 38 955 167 -61 766 057 9 443 845 -67,67 32,00 32,33 132,00 валютой 11 Чистые доходы от переоценки иностранной -6 152 110 18 837 516 -13 134 618 24 989 626 -31 972 134 -406,20 -169,73 -306,20 -69,73 валюты 12 Чистые доходы от операций с драгоценными 0 2 217 651 620 076 2 217 651 -1 597 575 — -72,04 — 27,96 металлами 13 Доходы от участия в капитале других 3 508 086 8 725 625 13 796 624 5 217 539 5 070 999 148,73 58,12 248,73 158,12 юридических лиц 14 Комиссионные доходы 297 700 676 360 618 710 422 337 011 62 918 034 61 718 301 21,13 17,11 121,13 117,11 15 Комиссионные расходы 31 759 583 43 700 379 58 654 818 11 940 796 14 954 439 37,60 34,22 137,60 134,22 16 Изменение резерва на возможные потери по ценным бумагам, 1 533 840 -7 234 0 -1 541 074 7 234 -100,47 -100,00 -0,47 0,00 имеющимся в наличии для продажи 17 Изменение резерва на возможные потери по

• 5 155 700 2 208 381 653 231 7 364 081 -1 555 150 -142,83 -70,42 -42,83 29,58 ценным бумагам, удерживаемым до погашения 18 Изменение резерва по
• 31 893 241 -41 951 351 -111 546 646 -10 058 110 -69 595 295 31,54 165,90 131,54 265,90 прочим потерям Окончание таблицы 8

Относительное

Абсолютное отклонение, Темп роста, в

Сумма, в тысячах рублей отклонение, в

в тысячах рублей процентах

Наименование процентах

2016/ 2017/ 2016/ 2017/

2015г. 2016г. 2017г. 2016/2015 2017/2016

2015 2016 2015 2016 19 Прочие операционные

16 073 495 33 975 420 48 260 335 17 901 925 14 284 915 111,38 42,04 211,38 142,04 доходы

20 Чистые доходы (расходы) 926 706 095 1 412 610 647 1 560 689 297 485 904 552 148 078 650 52,43 10,48 152,43 110,48

21 Операционные расходы 619 806 168 764 715 933 714 803 671 144 909 765 -49 912 262 23,38 -6,53 123,38 93,47

22 Прибыль (убыток) до

306 899 927 647 894 714 845 885 626 340 994 787 197 990 912 111,11 30,56 211,11 130,56 налогообложения

23 Возмещение (расход) по

88 512 620 149 605 281 192 320 221 61 092 661 42 714 940 69,02 28,55 169,02 128,55 налогам

24 Прибыль (убыток) после

218 387 307 498 056 954 653 589 923 279 669 647 155 532 969 128,06 31,23 228,06 131,23 налогообложения

25 Прибыль (убыток) от

0 232 479 -24 518 232 479 -256 997 — -110,55 — -10,55 прекращенной деятельности

26 Прибыль (убыток) за

218 387 307 498 289 433 653 565 405 279 902 126 155 275 972 128,17 31,16 228,17 131,16 отчетный период По таблице 8 сделаны следующие выводы. Процентные доходы имеют положительную динамику, и за анализируемый период 2015-2017 года увеличились с 1 999 027 786 тыс. до 2 032 170 704, однако от 2016 к 2017 году произошло уменьшение показателя на 2,29% (или 47 595 365 %).

В основном снижение произошло за счет уменьшения доходов от ссуд, предоставленных клиентам, не являющимся КО. Процентные расходы за 2016 и 2017 год уменьшаются, на 22,45% и 16,83% соответственно. Увеличение доходов и уменьшение расходов, это очень положительная тенденция, которая увеличивает инвестиционную привлекательность банка. Хотя темп роста комиссионных расходов за анализируемый период превышает темп роста комиссионных доходов 137 и 134%, против 121 и 117%, за 2016 и 2017 года соответственно, но в абсолютных показателей, рост комиссионных доходов намного выше, чем расходов. За анализируемый период комиссионные доходы увеличились на 62 918 034 тыс. и 61 718 301 тыс. соответственно, а расходы на 11 940 796 тыс. и 14 954 439 тыс. соответственно. Это также является положительной тенденцией. Прочие доходы также имеют прирост. Операционные расходы кредитной организации в 2017 году составили 714 803 671 тыс. рублей. Это на 49 912 262 тыс. рублей меньше показателя 2016 года, что связано с уменьшением объема расходов по выбытию ссудной задолженности. В общем чистая прибыль выросла с 498 289 433 тыс. до 653 565 405 тыс. рублей. Что свидетельствует об повышении финансового состояния банка. 2.3 Анализ финансового состояния ПАО Сбербанк

Произведя вертикальный и горизонтальный анализы финансового положения ПАО Сбербанк, было проанализировано и общее экономическое положение кредитной организации и оценена эффективность ее деятельности. Для этого были использованы баланс и отчет о прибылях и убытках кредитной организации за 2015, 2016 и 2017 года. Оформим ключевые финансовые показатели ПАО Сбербанк в обобщающей таблице 6. Таблица 9 – Ключевые финансовые показатели ПАО Сбербанк Показатель Порядок расчета 2015 г. 2016 г. 2017 г.

Нераспределенная прибыль ROA за период / средняя валюта 1,11 2,37 2,97

баланса

Нераспределенная прибыль ROE за период / средний размер 11,12 18,64 20,45

собственных средств ЧПМ (чистая Чистый процентный доход процентная / средняя величина 4,29 6,04 6,17 маржа) процентных активов

Процентные доходы / Доходность

средняя величина 10,42 10,37 9,52 активов

процентных активов

Процентные расходы / Стоимость

средняя величина 6,21 4,77 3,85 пассивов

процентных обязательств

Доходность активов Чистый спрэд 4,21 5,60 5,67

стоимость пассивов

Операционные расходы / Cost / income

операционные доходы до (операционная 47,52 41,87 36,44

создания/восстановления эффективность)

резервов Cost of assets Операционные расходы / (стоимость средние чистые 2,91 3,14 3,14 активов) процентные активы Окончание таблицы 9 Показатель Порядок расчета 2015 г. 2016 г. 2017 г. Средний

2 123 109 567 2 772 616 142 3 296 229 697 капитал Средние % Валюта баланса

18 460 599 850 19 142 527 660 20 476 807 871 активы — 1 — 8 — 9 -10 -11 Средние % Пассивы — 16 18 198 801 459 18 371 973 265 18 891 792 939 пассивы 19 — 20 — 21 ЧКД / ЧПД 39,3 29,3 31,5 Показатель Порядок расчета 01.01.2016 01.01.2017 01.01.2018

Процентные ЧПД (чистый

доходы процентный 792 940 565 1 157 795 066 1 264 888 077

процентные доход)

расходы

Комиссионные ЧКД (чистый

доходы комиссионный 311 881 645 338 961 122 386 342 722

комиссионные доход)

расходы Валюта баланса 21 198 595 159 21 764 126 004 22 667 739 728

Таким образом, показатели рентабельности активов за анализируемый период имеют возрастающий тренд, в каждом году есть значительный прирост показателя. Значение рентабельности активов в 2018 году составило 2,97%. Данный показатель является достаточно высоким, это положительно сказывается на имидже кредитной организации. Показатель рентабельности капитала в 2018 году составил 20,45%, что тоже является высоким результатом. Исходя из показателей прибыльности деятельности банка от различных операций видно, что чистая процентная маржа за весь анализируемы период имеет стабильный прирост. За 2017 год выросла на 0,13% и составляет 6,17%, это означает что процентная политика банка эффективна. Поскольку доходность активов за период с 2015 по 2018 год имеет стабильно высокий показатель, можно сделать вывод о том, что кредитная организация эффективно управляет собственными активами и пассивами [31].

Оценка доходности активов невозможна без определения чистого спрэда. Чистый спрэд характеризует уровень согласованности процентной политики банка по кредитным и депозитным операциям. С его помощью определяется необходимая минимальная разница между ставками по активным и пассивным операциям, которая даст возможность банку покрыть расходы, но не принесет прибыль (минимально значение показателя – 0).

Показатель чистого спрэда ПАО Сбербанк, имел стабильный прирост в каждом году, исследуемого периода, в 2017 году составил 5,67%, что свидетельствует о прибыльности совершенных операций, поскольку доходность активов превышает стоимость пассивов. Показатель операционной эффективности (Cost / income), за период 2016-2017 годов снизился, но при этом составил 36,44%, что больше среднего значения по России. Данный показатель означает, что доходы банка превышают расходы. Показатель стоимости активов (Cost of assets), имел прирост и составил 3,14% на 2017 год, это означает то, что 3,14 копейки расходов приходится на 1 рубль чистых активов. Показатели чистого процентного дохода и чистого комиссионного дохода увеличились на 107,1 и 47,4 миллиона рублей соответственно. ПАО Сбербанк находится в ломбардном списке, и Центральным Банком Российской Федерации принимаются в качестве залога облигации рассматриваемой кредитной организации. Кредитная организация имеет право работать с Пенсионным фондом РФ и может привлекать его средства в доверительное управление, в депозиты и накопления для жилищного обеспечения военнослужащих, имеет право работать с негосударственными пенсионными фондами, осуществляющими обязательное пенсионное страхование, и может привлекать пенсионные накопления для жилищного обеспечения военнослужащих. Банк имеет право открывать счета и вклады по закону 213-ФЗ от 21 июля 2014 г., т.е. организациям, имеющим стратегическое значение для оборонно-промышленного комплекса и безопасности РФ; находится под прямым или косвенным контролем ЦБ РФ; в кредитную организацию назначены уполномоченные представители Банка России. Каждая из форм отчетностей основывается на соблюдении или использует в своем формировании определенные нормативы банковской деятельности, определенные законодательством. Наибольшее значение для диагностики состояния кредитной организации, согласно внутренним положениям и указаниям Банка России, имеют следующие показатели [29]: 1) Н1 – норматив достаточности капитала. Он регулирует (ограничивает) риск несостоятельности банка и определяет требования по минимальной величине собственных средств (капитала) банка, необходимых для покрытия кредитного, операционного и рыночного рисков. Минимальное допустимое числовое значение норматива Н1 устанавливается в зависимости от размера собственных средств кредитной организации:

• для банков с размером собственных средств менее суммы эквивалентной 5 млн евро – 10%;
• для банков с размером собственных средств менее суммы, эквивалентной 5 млн евро – 11%. Расчет показателя производится по следующей формуле:

Капитал банка

Норматив Н1 = (1)

Активы−созданные резервы,взвешенные с учетом риска

2) Н2 – норматив мгновенной ликвидности. Он реагирует (ограничивает) риск потери банком ликвидности в течении 1 операционного дня и определяет минимальное отношение суммы высоколиквидных активов банка к сумме пассивов банка по счетам до востребования:

Высоколиквидные активы

Норматив Н2 = (2)

∑пассивов по счетам до востребования 3) Н3 – норматив текущей ликвидности. Он регулирует (ограничивает) риск потери банком ликвидности в течении ближайших к дате расчета норматива 30 календарных дней и определяет минимальное отношение суммы ликвидных активов банка к сумме пассивов банка по счетам до востребования и на срок до 30 календарных дней.

Активы со сроком погашения до 30 дней

Норматив Н3 = (3)

Пассивы со сроком погашения до 30 дней

4) Н4 – норматив долгосрочной ликвидности. Это норматив, утверждаемый центральными банками для кредитных организаций, он представляет собой отношение выданных банком кредитов, займов и депозитов со сроком погашения свыше одного года к капиталу банка, а также обязательствам банка по депозитным счетам, полученным кредитам и другим долговым обязательствам на срок свыше одного года.

Активы со сроком погашения >1 года

Норматив Н4 = (4)

Собственные средства+Пассивы со сроком погашения >1 года

5) Н6 – норматив максимального размера риска на одного заемщика или группу связанных заемщиков. Регулирует (ограничивает) кредитный риск КО в отношении одного заемщика или группы связанных заёмщиков и определяет максимальное отношение совокупной суммы кредитных требований КО к заёмщику или группе к собственным средства кредитной организации.

Сумма требований КО к 1 заемщику или группе заемщиков

Норматив Н6 = (5)

Капитал банка

6) Н7 – норматив максимального размера крупных кредитных рисков. Он регулирует (ограничивает) совокупную величину крупных кредитных рисков банка и определяет максимальное отношение совокупной величину крупных кредитных рисков и размера собственных средств банка. Крупные кредиты в сумме могут превышать капитал банка не более, чем в 8 раз.

∑крупных кредитов,каждый из которых превышает 5% капитала банка Норматив Н7 = (6)

Капитал банка

7) Н9.1 – норматив максимального размера кредитов, банковских гарантий и поручительств, предоставленных кредитной организацией своим участникам (акционерам).

Он регулирует (ограничивает) кредитный риск КО в отношении его участников (акционеров).

∑кредитов,выданных собственникам банка,владеющим >5% акций

Норматив Н9.1 = (7)

Капитал банка

8) Н10.1 – норматив совокупной величины риска по инсайдерам банка. Он регулирует (ограничивает) совокупный кредитный риск банка в отношении всех инсайдеров, к которым относятся физические лица, способные воздействовать на принятые решения о выдаче кредита банка.

∑кредитных требований к инсайдеру банка

Норматив Н10.1 = (8)

Капитал банка

9) Н12 – норматив использования собственных средств банка для приобретения акций (долей) других юридических лиц. Он регулирует (ограничивает) совокупный риск вложений банка в акции (доли) других юридических лиц и определяет максимальное отношение сумм, инвестируемых банком на приобретение акций (долей) других юридических лиц, к собственным средствам банка [30].

∑Акций(долей)других юр.лиц в активах банка

Норматив Н12 = (9)

Капитал банка В таблице 10 приводятся показатели обязательных нормативов за анализируемый период. Таблица 10 – Обязательные нормативы ПАО Сбербанк [26]

Фактическое значение, в процентах Наименование Нормативное показателя значение На На На На

01.01.2015 01.01.2016 01.01.2017 01.01.2018

Н1 — норматив достаточности ≥8% 11,50 11,87 13,58 14,97 капитала Н2 — норматив мгновенной ≥15% 74,46 116,35 120,11 161,89 ликвидности Н3 — норматив

≥50% 66,52 154,57 168,95 264,9 текущей ликвидности Н4 — норматив долгосрочной ≤120% 111,56 65,49 63,35 57,52 ликвидности Н7 — норматив максимального

≤800% 210,55 197,51 180,98 108,59 размера крупных кредитных рисков Н10.1 норматив совокупной величины

≤3% 1,02 0,76 0,63 0,38 риска по инсайдерам банка Н12 — норматив использования собственных средств банка для ≤25% 11,56 11,88 16,78 14,63 приобретения акций (долей) других юридических лиц

По результатам анализа обязательных нормативов кредитной организации можно сказать, что все нормативы находятся в пределах нормы. Следовательно, все кредитные риски банка также находятся в пределах нормы, что позволяет банку успешно осуществлять свою деятельность с минимумом возможных потерь. В данной главе была рассмотрена деятельность банка ПАО Сбербанк. Проанализировав динамику капитала и чистых активов можно сказать, что за 2017 год величина активов увеличилась на 1 437 841 454 тыс. рублей, или на 6,62% и по состоянию на 01.01.2018 составила 19 799 772 207 тыс. рублей. Объем собственных средств ПАО Сбербанк увеличился на 530 226 847 тыс. рублей (на 18,74 %), до 3 359 147 732 тыс. рублей. В структуре активов кредитной организации преобладает чистая ссудная задолженность, доля которой по состоянию на 01.01.2018 составляет 75,42 % от общего объема активов ПАО Сбербанк. Доля средств в кредитных организациях по состоянию на 01.01.2011 составила 1,3 % от величины активов, доля средств в Банке России – 3,23 %, денежных средств – 2,68%. В структуре пассивов ПАО Сбербанк основной объем (89,61%) приходится на средства клиентов, не являющихся кредитными организациями. На долю средств кредитных организаций приходится 2,34%, кредитов, на долю депозитов и прочих средств, привлеченных в Банке России, – 2,99 %. Процентные доходы имеют положительную динамику, и за анализируемый период 2015-2017 года увеличились с 1 999 027 786 тыс. до 2 032 170 704, однако от 2016 к 2017 году произошло уменьшение показателя на 2,29% (или 47 595 365 %).

В основном снижение произошло за счет уменьшения доходов от ссуд, предоставленных клиентам, не являющимся КО. Процентные расходы за 2016 и 2017 год уменьшаются, на 22,45% и 16,83% соответственно. Увеличение доходов и уменьшение расходов, это очень положительная тенденция, которая увеличивает инвестиционную привлекательность банка. Хотя темп роста комиссионных расходов за анализируемый период превышает темп роста комиссионных доходов 137 и 134%, против 121 и 117%, за 2016 и 2017 года соответственно, но в абсолютных показателей, рост комиссионных доходов намного выше, чем расходов. За анализируемый период комиссионные доходы увеличились на 62 918 034 тыс. и 61 718 301 тыс. соответственно, а расходы на 11 940 796 тыс. и 14 954 439 тыс. соответственно. Это также является положительной тенденцией. Процентные доходы имеют положительную динамику, и за анализируемый период 2015-2017 года увеличились с 1 999 027 786 тыс. до 2 032 170 704, однако от 2016 к 2017 году произошло уменьшение показателя на 2,29% (или 47 595 365 %).

В основном снижение произошло за счет уменьшения доходов от ссуд, предоставленных клиентам, не являющимся КО. Прочие доходы также имеют прирост. Операционные расходы кредитной организации в 2017 году составили 714 803 671 тыс. рублей. Это на 49 912 262 тыс. рублей меньше показателя 2016 года, что связано с уменьшением объема расходов по выбытию ссудной задолженности. В общем чистая прибыль выросла с 498 289 433 тыс. до 653 565 405 тыс. рублей. Что свидетельствует об улучшении финансового состояния банка. По результатам анализа обязательных нормативов кредитной организации можно сказать о том, что все нормативы находятся в пределах нормы. Следовательно, все кредитные риски банка также находятся в пределах нормы, что позволяет банку успешно осуществлять свою деятельность с минимумом возможных потерь. Анализ финансовой деятельности и статистические данные ПАО Сбербанк свидетельствуют об отсутствии негативных тенденций, способных повлиять на финансовую устойчивость кредитной организации в перспективе. 3) АНАЛИЗ ИСПОЛЬЗОВАНИЯ ТЕХНОЛОГИИ BIG DATA В БАНКОВСКОЙ ДЕЯТЕЛЬНОСТИ НА ПРИМЕРЕ ПАО СБЕРБАНК

3.1 Анализ использования технологии Big Data в ПАО Сбербанк

Общепринято, что Big Data – один из основных современных трендов развития Интернет-Технологий в мире. Действительно, объемы информации растут по экспоненциальному закону. Основная доля информации относится к неструктурированным данным. Вопросы корректной интерпретации информационных потоков становятся все более актуальными и одновременно сложными. Ответом на эти новые вызовы являются технологии Big Data. Работа с большими данными – сегодня один из стратегических приоритетов

Сбербанка. Уже в 2017 году клиенты банка по всей стране получили на свои

мобильные устройства более 500 млн индивидуальных предложений, которые были сформированы на основе сведений о поведенческой модели, демографических характеристиках и истории операций. Использование технологии больших данных позволяет банку предугадывать желания. К примеру, уже сейчас тех, кто ранее несколько раз оплатил через Сбербанк жилищнокоммунальные услуги, система посредством SMS-оповещает об актуальной сумме задолженности за газ или электричество и предлагает провести оплату. Для корпоративных клиентов благодаря обработке больших данных банк формирует специальные кредитные предложения с предварительным расчетом возможной суммы займа. В Сбербанке заключено уже почти 15 тыс. таких сделок смарткредитования [34].

22 ноября 2016 года Сбербанк анонсировал запуск проекта «Открытые данные», в рамках которого кредитная организация начала делиться информацией по финансовой активности своих клиентов. Проект построен по технологиям Big Data. С технологиями Big Data Сбербанк может предоставить клиенту много полезных функций, например [32]: 65 1) подготовить и обработать массивы данных по запросу клиента; 2) построить модели отклика на продукты, паттернов поведения; 3) сегментировать клиентов по различным факторам – финансовое поведение,

профиль трат; 4) построить модели и данные на основе гео-аналитики: профили трат и

сбережений, паттерны покупок клиентов. Сбербанк выкладывает на регулярной основе массив уникальных данных бесплатно и для свободного использования. Однако кастомизированные отчеты могут быть подготовлены на платной основе. Данные которые имеются в доступе Сбербанка:  выручка юридических лиц в разрезе отраслей и регионов;  уровень доходов населения – зарплаты, пенсии, стипендии, пособия;  склонность к сбережениям и потреблению;  уровень закредитованности в разных регионах;  мобильность населения внутри страны и за рубежом;  доля расходов на еду, ЖКХ, транспорт и другие статьи. Преимущества «больших данных» Сбербанка перед официальными данными можно наблюдать в таблице 10. Таблица 11 – Преимущества «больших данных» Сбербанка Официальные данные Большие данные Сбербанка Частота данных – квартальная, По многим показателям ежедневная максимум ежемесячная динамика Детализация до субъектов Детализация до города или поселка федерации и укрупненных отраслей экономики Окончание таблицы 11 Практически отсутствуют данные по Сбербанку доступны атомарные физическим лицам транзакции клиентов – как

физических, так и юридических лиц.

Аналитика по любой группировке

сегментов клиентов: по доходам,

оборотам, отраслям и т. д.

Помимо проекта «открытые данные» в аналитическом центре Сбербанка имеется проект «Потребительское поведение» Исследование финансового и потребительского поведения жителей России, которое также основано на технологии Big Data [33].

Данное исследование строится на двух основных позициях:  большие данные, агрегированные данные Сбербанка о значительной части экономических процессов в стране, основанные на финансовых операциях 129 млн частных и 1,8 млн корпоративных клиентов;  опрос, результаты ежеквартальных опросов граждан в возрасте от 18 до 65 лет из 164 средник и крупных городов России. Проект «Потребительское поведение», дает возможность клиенту:  оценивать текущую и будущую динамику российского потребительского сектора;  прогнозировать развитие секторов экономики и перспективы компаний;  принимать инвестиционные и управленческие решения. В состав исследования входят:  анализ потребительского поведения и восприятия населением России текущей экономической ситуации;  анализ динамики доходов, расходов и сбережений граждан;  анализ текущих тенденций в розничной торговле, недвижимости, финансах, ИТ и других секторах экономики. Данные исследования интересны следующим группам клиентов:  инвесторам, держателям акций и облигаций российских компаний;  бизнесу, бизнес-аналитикам, маркетологам, кредитным аналитикам, рискменеджерам;  всем заинтересованным экономистам и представителям СМИ. Данный отчет могут получить только юридические и физические лица, являющиеся резидентами РФ. После отправки запроса на сайте Сбербанка, клиенту предоставляется возможность:  просмотреть краткую версию отчета, скачать ознакомительный фрагмент;  купить полную версию отчета, стоимость полный версии отчета 30 000 руб., также имеется возможность ознакомиться с договором-офертой;  заказать исследование по заданным параметрам, в этом случае стоимость будет рассчитываться индивидуально после оформления запроса. Сбербанк России — это один из основных игроков финансовой площадки РФ, который показывает самый большой процент инноваций. ПАО Сбербанк, благодаря использованию технологии Big Data за первое полугодие 2017 года заработал 371 млн. рублей, что превышает показатели прошлого года на 38%, а в перспективе на следующие 2-3 года ПАО Сбербанк планирует полностью перейти в цифровое пространство и создать новую банкинг- платформу [35].

В ходе конференции «Скоринг-2017. Инновации. Новые данные. Удаленная идентификация» Максим Еременко, старший управляющий директор и главный аналитик и исследователь данных в Сбербанке, сообщил, что основные проекты Сбербанка на ближайшие 2-3 года связаны с дескриптивным исследованием больших данных и самообучающимися системами. Основные инициативные направления дальнейшего развития Сбербанка указаны на рисунке 4.

2017 2018

Когнитивные

вычисления 1% 2%

Роботизация

5% 15%

Машинное самообучение 36% 35%

Дескриптивные исследования данных 58% 48%

Рисунок 8 – Инициативные направления развития ПАО Сбербанк

2017 – 2018 гг. Таким образом, основным полем внедрения технологии Big Data в банковском секторе является применение данных технологий на основе интеграции роботизации и машинного самообучения, другими словами – менеджмент, основанный на данных и знаниях или иначе Data Driven & Data Science [36].

На основе применения Data Driven & Data Science была разработана «Интеллектуальная система управления сетью отделений Сбербанка», направленная на усовершенствование работы персонала посредствам применения технологий обработки больших данных. Данная система была запущена в 2016 году и за прошедший год уже принесла положительные результаты:  на 22% сократилось время ожидания ответа менеджера в филиалах;  на 20% выросла активность использования мобильных приложении Сбербанк Онлайн. Достигнуты эти показатели за счёт мониторинга и выявления рабочей активности каждого отдельного сотрудника, насколько часто он оформляет кредиты, выдаёт дебетовые карты или проводит денежные транзакции. Важно отметить, что система фиксирует не только факт выполнения услуги, но и дальнейшую эксплуатацию карт, счетов. Если это пустые операции, то такие данные ухудшают статистику менеджера.

3.2 Разработка рекомендаций по совершенствованию использования

технологии Big Data в ПАО Сбербанк

Подытожив работу, проведенную по анализу использования технологии Big Data в банковской сфере и в ПАО Сбербанк, в банке было обнаружено несколько проблемных областей, без преодоления которых невозможно говорить о полной реализации его потенциала развития. К таким проблемам относится [37]: 1. Потребность введения передовых инструментов анализа клиентской базы и знаний о клиентах. Данные системы требуют улучшения, так как существует большая потребность введения передовых инструментов анализа клиентских данных с формированием и применением имеющейся информации для развития адресного предложения каждому клиенту. 2. Дефицит высококвалифицированных аналитиков и маркетологов, способных эффективно оперировать большими объемами данных и решать с их помощью конкретные задачи. 3. По результатам конференции «Скоринг-2017. Инновации. Новые данные. Удаленная идентификация» было выявлено, что ПАО Сбербанк не имеет в достаточных объемах таких возможностей как машинное самообучение и дескриптивные исследования данных. 4. Недостаточная безопасность и масштабируемость процессов и систем. Повторение сбоев в обслуживании клиентов, мошенничество, неоднородная, в недостаточной степени масштабируемая и ненадежная ИТ-архитектура может привести к репутационным рискам, снижению уровня доверия клиентов к Банку и к безналичным расчетам. Данные факторы привели к снижению темпов роста чистой прибыли в 4 раза. С целью совершенствования использования данной технологии и решения перечисленных проблем в ПАО Сбербанк, разработан ряд рекомендаций. 1. Исходя из анализа использования технологии Big Data в 2017 году и перспектив на следующие 2-3 года, можно сказать, что ПАО Сбербанк необходимо расширять функциональные возможности технологии Big Data. Развитие технологии Big Data в Сбербанке позволит эффективно решать следующие задачи: 1) хранение и управление объемом данных в сотни терабайт или петабайт, которые обычные реляционные базы данных не позволяют эффективно использовать; 2) организация неструктурированной информации, состоящей из текстов, изображений, видео и других типов данных; 3) генерация аналитических отчетов, а также внедрение прогностических моделей. Что позволит банку эффективно управлять огромными объемами, как структурированных, так и неструктурированных данных. В свою очередь это позволит банку извлекать финансовую выгоду из полученной информации и позволит значительно снизить риски. Помимо этого, развитие данной технологии позволит увеличить скорость операций банка, что положительно скажется на его имидже. Также реализация данного мероприятия позволит выполнить одну из поставленных Сбербанком целей, «лучший клиентский опыт и экосистема», цель заключается в выстраивании индивидуальных отношений с клиентами, предоставлении персонализированных продуктов и сервисов в удобном для клиента формате. Помимо этого, банк планирует предлагать умные советы, которые будут помогать клиенту сэкономить время и деньги. Для крупных корпоративных клиентов, планируется предоставление услуги консалтинга. Данная цель не сможет реализоваться без расширения функциональных возможностей технологии Big Data. 2. Повышение квалификации персонала в области технологии Big Data; Важной задачей является создание современной системы управления человеческими ресурсами, которая включает в себя обучение, развитие карьеры, развитие навыков и самосовершенствование. С этой целью банк будет создавать прозрачные и эффективные системы планирования карьеры и профессионального роста, ротации сотрудников и управления персоналом. Для этого потребуется формализация карьерных перспектив и условий для всех категорий сотрудников, формализация ротационных процедур и замена вакантных должностей (например, на основе внутренних и внешних конкурсов), а также значительное развитие системы оценки персонала и совершенствование роли и значения кадровых служб в работе Банка. В результате Банк предоставит своим сотрудникам возможность для самореализации, максимально используя свои знания и опыт, повышая свой профессиональный уровень и ценность на рынке труда. Во многих случаях повышение производительности труда также даст возможность оптимизировать количество сотрудников банка. На сегодняшний день Сбербанк уже стремится сократить среднее число сотрудников, не теряя возможности совершать сделки. Процесс оптимизации численности будет выполняться поэтапно, главным образом, за счет вакансий, оптимизации распределения персонала и не замещения естественных выбытий. 3. Перспективы реализации машинного самообучения и дескриптивного исследования данных достаточно значимы, поэтому для усовершенствования работы персонала посредствам применения технологии обработки больших данных следует использовать дополнительные ресурсы для освоения машинного обучения и дескриптивного исследования данных. 4. Темп роста чистой прибыли Сбербанка в 2016 году составил 128,06%, в 2017 году он снизился практически в 5 раз до значения в 31,23% В значительной мере на это повлияло недостаточная безопасность, мошенничество и как следствие потеря клиентского доверия к безналичным расчетам. Решением данной проблемы может служить технология на основе Big Data, которую можно назвать Voice Data Driven, это будет новым этапом развития безопасности безналичных расчетов. Voice Data Driven, будет идентифицировать голос клиента, на основании анализа большего количества данных о нем. Реализация данного предложения возможна по следующей причине, в декабре 2017 года, Сбербанк и «Яндекс» подписали обязывающее соглашение о создании совместного предприятия электронной торговли на базе «Яндекс.Маркета». Сбербанк совершил венчурную инвестицию в «Яндекс», выкупив 50% акций на 30 млрд рублей [39].

29 мая 2018 года, «Яндекс» представил умную колонку. С помощью умной колонки под названием «Яндекс.Станция», помимо оперативного поиска в сети интернет, благодаря предоставленной Сбербанком технологии Voice Data Driven, клиент сможет осуществлять безналичные операции с помощью голоса. В перспективе данная технология повысит безопасность транзакций, снизит риск мошенничества и повысит доверие к безналичным расчетам [40].

Экономический эффект от внедрения данной технологии, согласно экспертным оценкам, будет выражаться в увеличении чистый прибыли на 238 млрд руб. и увеличении ее темпа роста до 37%. Рассчитаем эффективность данного проекта, инвестиции на разработку и внедрение данной технологии составят приблизительно 900 млн руб., последующие расходы на поддержание работоспособности и оказания технической поддержки программного обеспечения составят приблизительно 30 млн. руб., а прогнозируемый доход 200 млн. руб. в первый месяц. По прогнозу, доход будет расти на 5% в месяц, так как будет расти популярность данного способа оплаты. Ставку дисконтирования определим путем сложения ключевой ставки Банка России и темпа инфляции за последние 12 месяцев [41].

𝑟 = 7,25% + 2,41% = 9,66% Теперь распределим денежные потоки и рассчитаем дисконтированные показатели эффективности. Таблица 12 – Расчет денежных потоков Показател Момент Феврал Сентябр

Январь Март Апрель Май Июнь Июль Август Октябрь Ноябрь Декабрь ь вложения ь ь Денежный поток 0 200 000 210 000 220 500 231 525 243 101 255 256 268 019 281 420 295 491 310 266 325 779 342 068 Доходы Расходы 900 000 30 000 30 000 30 000 30 000 30 000 30 000 30 000 30 000 30 000 30 000 30 000 30 000

Сальдо денежного -900 000 170 000 180 000 190 500 201 525 213 101 225 256 238 019 251 420 265 491 280 266 295 779 312 068 потока

Накопленн ое сальдо

• 900 000 -730 000 -550 000 -359 500 -157 975 55 126 280 383 518 402 769 822 1 035 313 1 315 579 1 611 357 1 923 425 денежного потока Дисконтир о-ванное сальдо -900 000 168 642 177 137 185 973 195 164 204 727 214 677 225 028 235 800 247 008 258 672 270 810 283 442 денежного потока Накопленн ое продискон ти -900 000 -731 358 -554 221 -368 248 -173 084 31 643 246 320 471 348 707 148 954 156 1 212 828 1 483 638 1 767 080 рованное сальдо денежного потока Распределив денежные потоки и рассчитав сальдо денежных потоков, определим чистый доход (ЧД), который соответствует накопленному сальдо денежного потока (см. таблицу 12), то есть, ЧД = 1 923 425 тыс. руб. А так как ЧД >
• 0, то можно сказать, что данный проект эффективен для Банка. Рассчитаем эффективность проекта по разработке и внедрению технологии Voice Data Driven с учетом временной стоимости денег, для этого рассчитаем следующие показатели:  чистый дисконтированный доход (NPV)  индекс доходности (PI)  срок окупаемости (PBP)  внутренняя норма доходности (IRR) Чистый дисконтированный доход (NPV) – это чистый прирост к потенциальным активам банка за счет реализации проекта по разработке и внедрению технологии Voice Data Driven. Иными словами, чистый дисконтированный доход определяется как разность между приведенной стоимостью и суммой начальных инвестиций:

N

Cn

NRV    C0 , (10)

i 1 (1  r )

n

где NPV – чистая приведенная стоимость, руб.;

C n – величина ожидаемого будущего потока платежей (сальдо денежного

потока) в определенный момент времени (период), руб.;

• C 0 – суммы начальных инвестиций, руб.;
• r – ставка дисконтирования, %;
• n – число периодов, единиц.

Чистая приведенная стоимость или чистый дисконтированный доход соответствует графе «накопленное продисконтированное сальдо денежного потока» в таблице 12, то есть ЧДД = 1 767 080 тыс. рублей. А так как ЧДД > 0, то можно сказать, что проекта по разработке и внедрению технологии Voice Data Driven эффективен для Банка. Индекс доходности (PI) – финансовый показатель, который определяет окупаемость инвестиций.

NPV+INV

PI = (11)

INV

PI = 2,96 > 1. Так показатель больше 1, следовательно, проект выгоден и показывает, что с одного рубля, вложенного в инвестиционный проект, предприятие будет иметь 1,96 рубль. Срок окупаемости (PBP) – период времени, необходимый для того, чтобы доходы покрыли затраты на инвестиции. Этот показатель определяют последовательным расчетом приведенной (дисконтированной) стоимости (PV) для каждого периода. Точка, в которой PV примет положительное значение, будет являться точкой окупаемости. Из таблицы 12 определим, что срок окупаемости составит 4 месяца. Внутренняя норма доходности (IRR или ВНД) представляет собой расчетную ставку дисконтирования, при которой чистая приведенная стоимость проекта равна нулю. Внутренняя норма доходности находится путем решения следующего уравнения:

C1 C2 C3 Cn

NPV  C 0     …   0, (12)

(1  IRR ) (1  IRR ) 2

(1  IRR ) 3

(1  IRR ) n где IRR – внутренняя норма доходности, %;

• NPV – чистая приведенная стоимость, руб.;
• C 0 – суммы начальных инвестиций, руб.;
• C n – величина ожидаемого будущего потока платежей (сальдо денежного потока) в определенный момент времени (период), руб.

С помощью MS Excel определим IRR = 49%. Правило внутренней нормы доходности: принимать необходимо те проекты, у которых ставка дисконтирования меньше внутренней нормы доходности проекта. Так как 9,66% < 49%, то можно сказать, что проект по разработке и внедрению технологии Voice Data Driven эффективен для Банка. В результате проведенного исследования, оценки эффективности в разработке и внедрении технологии Voice Data Driven в деятельности ПАО Сбербанк, можно сделать вывод, что данный проект является экономически целесообразным для банка в долгосрочной перспективе. Результатом комплексного внедрения предлагаемых инициатив станет достижение стратегических целей для всех финансовых показателей и формирование стабильной диверсифицированной балансовой структуры как с точки зрения соблюдения требований ликвидности, так и с точки зрения управления процентным спрэдом. Процентный спрэд – это разница между средними процентными ставками по активам и пассивам, приносящая проценты. На сегодняшний день, Сбербанк, является процветающим банком России, а также как, показал анализ, имеет финансово-устойчивое положение. Данный банк обладает весомым и значительным потенциалом, который может способствовать повышению уровня доходов. Для повышения эффективности деятельности банка нужно обращать внимание на мировой опыт, тенденции развития банковского бизнеса в целом. Среди мировых тенденций развития можно выделить следующие: развитие традиционных и внедрение новейших способов обращения с клиентами и предоставление им банковских услуг и операций, активизация рынка ценных бумаг, а также непосредственно, использование современных информационных технологий. ПАО «Сбербанк» при правильном поведении на рынке сможет в будущем выйти на более качественный уровень предоставления банковских услуг, при этом значительно повысив эффективность своей деятельности и свою конкурентоспособность на рынке.

ЗАКЛЮЧЕНИЕ

В условиях обострения конкуренции между крупнейшими участниками рынка розничных финансовых услуг необходимо применять новые способы формирования конкурентных преимуществ и повышения эффективности деятельности банка. Одним из важнейших факторов будущего успеха российских кредитных организаций является их способность управлять издержками и возможность снижать их за счет внедрения новых технологий и методов обслуживания клиентов. В данной работе были рассмотрены особенности использования технологий Big Data в банковской деятельности. Big Data – это технология дающая возможность не только обработки накопленной и вновь поступающей информации, но и использования ее для получения дополнительных доходов. В первой главе были изучены теоретические основы использования технологии Big Data в банковском деле, описана история возникновения и развития данной технологии за рубежом и в Российской Федерации, а также рассмотрены преимущества и недостатки технологии. Во второй главе, была дана общая характеристика ПАО Сбербанк, затем произведена оценка финансового состояния банка. Публичное акционерное общество Сбербанк является крупнейшим банком Российской Федерации, имеющий широкую сеть подразделений, предлагающий весь спектр инвестиционно-банковских услуг. Анализ активных операций банка показал, что в целом стоимость активных операций банка в 2016 году снизилась на 985 837 610 тыс. руб., а в 2017 году увеличилась на 1 437 841 456 тыс. руб. Все обязательства показывали максимальный рост в 2017 году на 4,8 % и рост собственных средств в 2016 году на 21,51 %. За 2017 г. рост был связан, прежде всего, с увеличением обязательств по текущему налогу на прибыль (на 94,7%) и увеличением резервов на возможные потери (на 48,74%) Наибольший рост собственных средств был зафиксирован в 2016 году в основном за счет увеличения неиспользованной прибыли за отчетный период (на 128,17%).

Далее, темп роста снизился, но все равно остался на достаточно высоком уровне. В целом – это положительный результат, который означает, что банк ведет эффективную финансовую деятельность и имеет стабильный доход. Процентные доходы имеют положительную динамику, и за анализируемый период 2015-2017 года увеличились с 1 999 027 786 тыс. до 2 032 170 704, однако от 2016 к 2017 году произошло уменьшение показателя на 2,29% (или 47 595 365 %).

В основном снижение произошло за счет уменьшения доходов от ссуд, предоставленных клиентам, не являющимся КО. Процентные расходы за 2016 и 2017 год уменьшаются, на 22,45% и 16,83% соответственно. Увеличение доходов и уменьшение расходов, это очень положительная тенденция, которая увеличивает инвестиционную привлекательность банка. Исходя из показателей прибыльности деятельности банка от различных операций видно, что чистая процентная маржа за весь анализируемы период имеет стабильный прирост. За 2017 год выросла на 0,13% и составляет 6,17%, это означает что процентная политика банка эффективна. По результатам анализа обязательных нормативов кредитной организации можно сказать, что все нормативы находятся в пределах нормы. Следовательно, все кредитные риски банка также находятся в пределах нормы, что позволяет банку успешно осуществлять свою деятельность с минимумом возможных потерь. Анализ финансовой деятельности и статистические данные ПАО Сбербанк свидетельствуют об отсутствии негативных тенденций, способных повлиять на финансовую устойчивость кредитной организации в перспективе. В третьей главе был проведен анализ использования технологий Big Data в банковской сфере и в ПАО Сбербанк. Описаны виды услуг предоставляемых на основе использования технологии Big Data, в ПАО Сбербанк, рассмотрены результаты исследования технологии «Скоринг-2017. Инновации. Новые данные. Удаленная идентификация», проанализирована статистика и планирование концентрирования ресурсов Сбербанка на увеличение освоения дескриптивных исследований данных. В банке было обнаружено несколько проблемных областей, без преодоления которых невозможно говорить о полной реализации его потенциала развития. К таким проблемам относится [33]: 1) потребность введения передовых инструментов анализа клиентской базы и знаний о клиентах. Данные системы требуют улучшения, так как существует большая потребность введения передовых инструментов анализа клиентских данных с формированием и применением имеющейся информации для развития адресного предложения каждому клиенту; 2) дефицит высококвалифицированных аналитиков и маркетологов, способных эффективно оперировать большими объемами данных и решать с их помощью конкретные задачи; 3) по результатам конференции «Скоринг-2017. Инновации. Новые данные. Удаленная идентификация» было выявлено, что ПАО Сбербанк не имеет в достаточных объемах таких возможностей как машинное самообучение и дескриптивные исследования данных; 4) недостаточная безопасность и масштабируемость процессов и систем. Повторение сбоев в обслуживании клиентов, мошенничество, неоднородная, в недостаточной степени масштабируемая и ненадежная ИТ-архитектура может привести к репутационным рискам, снижению уровня доверия клиентов к Банку и к безналичным расчетам. Данные факторы привели к снижению темпов роста чистой прибыли в 4 раза; С целью совершенствования использования данной технологии и решения перечисленных проблем в ПАО Сбербанк, был разработан ряд рекомендаций. 1. Исходя из анализа использования технологии Big Data в 2017 году и перспектив на следующие 2-3 года, можно сказать, что ПАО Сбербанк необходимо расширять функциональные возможности технологии Big Data. Развитие технологии Big Data в Сбербанке позволит эффективно решать следующие задачи: 1) хранение и управление объемом данных в сотни терабайт или петабайт, которые обычные реляционные базы данных не позволяют эффективно использовать; 2) организация неструктурированной информации, состоящей из текстов, изображений, видео и других типов данных; 3) генерация аналитических отчетов, а также внедрение прогностических моделей. Что позволит банку эффективно управлять огромными объемами, как структурированных, так и неструктурированных данных. В свою очередь это позволит банку извлекать финансовую выгоду из полученной информации и позволит значительно снизить риски. Помимо этого, развитие данной технологии позволит увеличить скорость операций банка, что положительно скажется на его имидже. Также реализация данного мероприятия позволит выполнить одну из поставленных Сбербанком целей, «лучший клиентский опыт и экосистема», цель заключается в выстраивании индивидуальных отношений с клиентами, предоставлении персонализированных продуктов и сервисов в удобном для клиента формате. Помимо этого, банк планирует предлагать умные советы, которые будут помогать клиенту сэкономить время и деньги. Для крупных корпоративных клиентов, планируется предоставление услуги консалтинга. Данная цель не сможет реализоваться без расширения функциональных возможностей технологии Big Data. 2. Повышение квалификации персонала в области технологии Big Data. Важной задачей является создание современной системы управления человеческими ресурсами, которая включает в себя обучение, развитие карьеры, развитие навыков и самосовершенствование. С этой целью банк будет создавать прозрачные и эффективные системы планирования карьеры и профессионального роста, ротации сотрудников и управления персоналом. Для этого потребуется формализация карьерных перспектив и условий для всех категорий сотрудников, формализация ротационных процедур и замена вакантных должностей (например, на основе внутренних и внешних конкурсов), а также значительное развитие системы оценки персонала и совершенствование роли и значения кадровых служб в работе Банка. В результате Банк предоставит своим сотрудникам возможность для самореализации, максимально используя свои знания и опыт, повышая свой профессиональный уровень и ценность на рынке труда. Во многих случаях повышение производительности труда также даст возможность оптимизировать количество сотрудников банка. На сегодняшний день Сбербанк уже стремится сократить среднее число сотрудников, не теряя возможности совершать сделки. Процесс оптимизации численности будет выполняться поэтапно, главным образом, за счет вакансий, оптимизации распределения персонала и не замещения естественных выбытий. 3. Перспективы реализации машинного самообучения и дескриптивного исследования данных достаточно значимы, поэтому для усовершенствования работы персонала посредствам применения технологии обработки больших данных следует использовать дополнительные ресурсы для освоения машинного обучения и дескриптивного исследования данных. 4. Темп роста чистой прибыли Сбербанка в 2016 году составил 128,06%, в 2017 году он снизился практически в 5 раз до значения в 31,23: В значительной мере на это повлияло недостаточная безопасность, мошенничество и как следствие потеря клиентского доверия к безналичным расчетам. Решением данной проблемы может служить технология на основе Big Data, которую можно назвать Voice Data Driven, это будет новым этапом развития безопасности безналичных расчетов. Voice Data Driven, будет идентифицировать голос клиента, на основании анализа большего количества данных о нем. Также была рассчитана эффективность данного проекта, путем распределения денежных потоков и расчетом дисконтированных показатели эффективности. В результате проведенного исследования, оценки эффективности в разработке и внедрении технологии Voice Data Driven в деятельности ПАО Сбербанк, можно сделать вывод, что данный проект является экономически целесообразным для банка в долгосрочной перспективе. Экономический эффект от внедрения данной технологии, согласно экспертным оценкам, будет выражаться в увеличении чистый прибыли на 238 млрд руб. и увеличении ее темпа роста до 37%. На сегодняшний день Сбербанк является финансово устойчивым и процветающим Банком. Анализ также показал, что ПАО Сбербанк может значительно увеличить свою деятельность, не ставя под угрозу финансовую стабильность и значительно увеличить доходы, поскольку имеет значительный потенциалом. Поиск путей повышения эффективности деятельности банка лежит в плоскости изучения мировых тенденций в развитии банковского бизнеса. Мы можем выделить следующие мировые тенденции: развитие традиционных и внедрение новых способов и методов взаимодействия с клиентами и предоставление им банковских услуг, активизация деятельности на рынке ценных бумаг и использование современных информационных технологий. И именно внедрение и использование системы эффективных индикаторов ПАО Сбербанк, позволит банку в будущем перейти на качественно новый уровень предоставления банковских услуг и значительно повысить эффективность своей деятельности и ее конкурентоспособность на рынке.

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

1 О банках и банковской деятельности: Федеральный закон от 02.12.1990 №395-1. [Электронный ресурс] – Режим доступа: http://www.consultant.ru 2 О Центральном банке Российской Федерации (Банке России): Федеральный закон от 10.07.2002 № 86-ФЗ. [Электронный ресурс] – Режим доступа: http://www.consultant.ru 3 Указание Банка России от 30 апреля 2008 г. №2005-У «Об оценке экономического положения банков». [Электронный ресурс] – Режим доступа: http://www.cbr.ru 4 Инструкция Банка России №139-И «Об обязательных нормативах банков» от 03.12.2012. [Электронный ресурс] – Режим доступа: http://www.consultant.ru 5 Положение Банка России № 215-П «О методике определения собственных средств (капитала) кредитных организаций» от 10.02.2003. [Электронный ресурс] – Режим доступа: http://www.consultant.ru 6 Положениям Банка России N 313-П «О порядке расчета кредитными организациями величины рыночного риска» от 14.11.2007. [Электронный ресурс] – Режим доступа: http://www.consultant.ru 7 Локтинова, Е.А. Особенности применения систем анализа больших данных в деятельности коммерческого банка / Е.А. Локтинова, А.В. Рагозина // Baikal Research Journal. – 2017. – № 2. – С. 3–7. 8 Просто о больших данных / Дж. Гурвиц, А. Ньюджент, Ф. Халпер, М. Кауфман. – М.: Эксмо, – 2015. – 364 с. 9 База данных научной периодики «SciVerse Scopus» [Электронный ресурс] – Режим доступа: https://www.scopus.com/ 10 Лидер банковского сектора [Электронный ресурс] – Режим доступа: http://www.sberbank.com/ru/about 11 Дмитриева, Е.О. Инструменты BI для поддержки принятия решений для руководителей высшего и среднего уровней с помощью решения SAS (опыт ВТБ24) / Е.О. Дмитриева // Вестник университета. – 2017. – № 6. – С. 10. 12 Как устроен рынок Big Data в России [Электронный ресурс] – Режим доступа: https://rb.ru/howto/big-data-in-russia/ 13 Кешенкова, Н. Тенденции и перспективы развития технологии Big Data в России / Н. Кешенкова // American Scientific Journal. – 2016. – № 6. С. 100–103. 14 Бабурин, В.А. Технологии Big Data в сервисе: новые рынки, возможности и проблемы / В.А. Бабурин, М.Е. Яненко // Технико-технологические проблемы сервиса. – 2014. – № 1. – С. 102–103. 15 ВТБ 24 заработал дополнительно 19 млрд рублей на больших данных [Электронный ресурс] – Режим доступа: http://www.banki.ru/news/lenta/?id=9725897 16 Big Data и блокчейн – прорыв в области анализа данных [Электронный ресурс] – Режим доступа: https://forklog.com/big-data-i-blokchejn-proryv-v-oblastianaliza-dannyh/ 17 Булгаков, А.Л. Big Data в финансах / А. Л. Булгаков // Journal of Corporate Finance Research. – 2011. – № 1. С. 8–12. 18 Коровкина, Е.В. Создание цифровой экосистемы коммерческого банка: основные пути и прогнозируемые результаты / Е. В. Коровкина // Научные записки молодых исследователей. – 2017. – № 3. С. 69. 19 Казаков, Р.И. Использование технологии Big Data при реализации функции банка по сбору просроченной задолженности / Р. И. Казаков // Бизнесобразование в экономике знаний. – 2016. – № 1. С. 34. 20 Machine Learning в коммерческих банках [Электронный ресурс] – Режим доступа: http://www.codeinstinct.pro/2015/07/big-data-in-banking.html 21 Центральный Банк Российской Федерации – https://www.cbr.ru 22 Рейтинги банка «Сбербанк России» [Электронный ресурс] – Режим доступа: http://www.banki.ru/banks/ratings/?BANK_ID=322 23 Кадыров, И.Р. Позиция ПАО «Сбербанк России» в банковском секторе экономики Российской Федерации и его конкурентоспособность / И.Р. Кадыров, И.О. Щеглова // Вестник Марийского государственного университета. – 2016. – № 3. – С. 78–79. 24 Достижения и награды [Электронный ресурс] – Режим доступа: https://www.sberbank.ru/ru/about/today/historyandawards/awards 25 Стратегия развития Сбербанка «Стратегия 2020» [Электронный ресурс] – Режим доступа: https://www.sberbank.ru 26 Варитлова О.С. Анализ финансового состояния коммерческого банка (с рассмотрением примера на практике) / О.С. Варитлова, Л.С. Зеркалева // Вестник Северо-Кавказского филиала московского гуманитарно-экономического института, Минеральные Воды. – 2016. – № 1. С. 8. 27 Батракова, Л.Г. Экономический анализ деятельности коммерческого банка: учебное пособие / Л.Г. Батракова – 4-е изд., испр. и доп. – М. Логос, – 2015. – 368с. 28 Жарковская, Е.П. Финансовый анализ деятельности коммерческого банка: учебное пособие / Е.П. Жарковская – М. Издательство «Омега-Л», – 2014. – 325 с. 29 Инструкция об обязательных нормативах банков № 139-И [Электронный ресурс] – Режим доступа: https://www.cbr.ru/publ/Vestnik/ves121221074.pdf 30 Аврашков, Л.Я. О нормативных значениях коэффициентов при формировании рейтинговой оценки финансово-экономического состояния предприятия / Л.Я. Аврашков, Г.Ф. Графова, С.А. Шахватова // Аудитор. – М.: Аудитор, 2015. – № 5. С. 28. 31 Сайт КУАП [Электронный ресурс] – Режим доступа: http://www.kuap.ru 32 Открытые данные Сбербанка [Электронный ресурс] – Режим доступа: http://www.sberbank.com/ru/analytics/opendata 33 Официальный сайт Сбербанка [Электронный ресурс] – Режим доступа: http://www.sberbank.com/ru/analytics/cbehavior 34 Сбербанк внедряет Big Data и искусственный интеллект [Электронный ресурс] – Режим доступа: https://dostup1.ru/finance/Sberbank-na-Urale-vnedryaetBig-Data-i-iskusstvennyy-intellekt_104417.html 35 Мирошниченко М. А., Инновации в банковском секторе как вектор развития экосистемы цифровой экономики России. Экономика знаний в России: от генерации знаний и инноваций к когнитивной индустриализации: Материал IX Международной научно-практической конференции. // В.В. Ермоленко, М.Р. Закарян // Краснодар: Кубанский Государственный университет. –2017. С. 267– 280. 36 Мирошниченко, М.А. Исследование процессов «цифровизации» банковского сектора в рамках экосистемы цифровой экономики России / М.А. Мирошниченко, К-А.И. Трелевская, Е.В. Мамыкина // Научный журнал КубГАУ. – 2017. – № 133. – С. 7–12. 37 Раздел «Информация о банке». [Электронный ресурс] – Режим доступа: https://www.sberbank.ru/ 38 История Сбербанка [Электронный ресурс] – Режим доступа: http://www.sberbank.com/ru/about/history 39 Сбербанк и «Яндекс» договорились о запуске торговой площадки на базе «Яндекс.Маркета». [Электронный ресурс] – Режим доступа: https://www.vedomosti.ru/finance/news/2017/12/13/745110-sberbank-i-yandeksdogovorilis-o-zapuske-torgovoi-ploschadki-na-baze-yandeksmarketa 40 «Яндекс» представил умную колонку [Электронный ресурс] – Режим доступа: https://www.vedomosti.ru/technology/articles/2018/05/29/771070-yandekspredstavil-umnuyu-kolonku#_ 41 Показатель темпа инфляции. [Электронный ресурс] – Режим доступа: http://www.gks.ru 42 Завьялов, А.А. Основные преимущества и недостатки использования технологии Big Data в банковском секторе / А.А. Завьялов, Е.С. Ткач // V Уральский вернисаж науки и бизнеса, статья включена в сборник: Международной научно-практической конференции «Современная экономика и общество глазами молодых исследователей» – 2018. ПРИЛОЖЕНИЕ А

Окончание приложения А