Банкротства коммерческих банков часто становятся причиной экономических кризисов, поэтому в последние годы уделяется большое внимание этому явлению со стороны государственных структур и регуляторов. Экономические последствия крупномасштабных банкротств банков разрушительны не только для национальной, но и для мировой экономики, поскольку они вызывают «эффект домино» и последствия этих банкротств распространяются на различные секторы экономики. Поэтому желательно и оправдано разработать новые методы и технологии, которые были бы способны предсказать такого рода явления и предупреждать регулирующие органы о банкротствах банков.

В настоящее время регулирующие органы используют ряд инструментов для мониторинга различных показателей деятельности банков. К ним относятся ежеквартальные и годовые отчеты, проверки на местах и автоматизированные системы мониторинга. Последний инструмент представляет основной интерес для нашего исследования. Автоматизированные системы мониторинга — это автономные системы, которые выявляют банки с высоким уровнем риска банкротства на основе их финансового состояния. Отчеты, полученные с помощью этого инструмента способны заранее привлечь его внимание регуляторов к тем банкам, которые имеют высокую вероятность банкротства в ближайшие один-два года. Автоматизированные системы мониторинга включают в себя многочисленные прогностические экономико-математические модели для выявления проблемных банков. Эти модели тесно связаны с исследованиями финансовых проблем, основанных на моделях Альтмана [1]. На основе концептуальных моделей Альтмана обнаружение финансовых рисков осуществляется  с помощью анализа различных финансовых коэффициентов. Модель прогнозирования банкротства банка должна быть способна одновременно учитывать все коэффициенты, которые прямо или косвенно имеют отношение к установлению статуса «проблемный банк». Прогностические модели, основанные на статистических дискриминантных методах, а также на технологиях нейронных сетей, широко используются при изучении финансовых рисков в банковской сфере [4] [5] [6]. Хотя многие методы работают достаточно хорошо с точки зрения степени правильности их прогнозов, их использование сотрудниками организаций, контролирующих финансовую сферу, требуют сложных и продвинутых аналитических компетенций для объяснения и интерпретации результатов модели прогнозирования. Кроме этого, для получения адекватного прогноза требуются постоянно обновляемые данные о деятельности банков в реальном режиме времени. С этой точки зрения существующие модели должны быть обогащены не только данными о финансовом состоянии банка, на основе расчетов показателей банковской деятельности, но и иметь данные, которые отображают поведение клиентов банка по отношению к его услугам и сервисам. Такие данные можно получать из CRM систем банка.

Управление взаимоотношениями с клиентами «Управление взаимоотношениями с клиентами (CRM) недавно в науке и практике было определено как бизнес-стратегия предприятия, предназначенная для повышения корпоративной прибыльности за счет построения и поддержания лучших отношений с клиентами» [7]. CRM-системы предоставляют компаниям информацию, которая помогает им координировать все бизнес-процессы, связанные с клиентами в сфере продаж, маркетинга и обслуживания, с целью оптимизации доходов, достижения удовлетворенности клиентов и удержания клиентов. Полученная информация помогает фирмам выявлять, привлекать и удерживать наиболее прибыльных клиентов, предоставлять более качественные услуги существующим клиентам, добавлять новых и, возможно, увеличивать продажи. CRM как инструмент бизнес-аналитики отвечает на такие вопросы, как «Какова ценность конкретного клиента для фирмы на протяжении всей жизни?», «Кто наши самые лояльные клиенты?», «Кто наши самые прибыльные клиенты?», « Какие конкретные продукты и услуги покупают эти самые прибыльные клиенты?» Различные типы CRM-систем можно сгруппировать в следующие категории: Operational CRM, Sales Force Automation, Analytical CRM, Sales Intelligence CRM, Campaign Management и Collaborative CRM. CRM-система обеспечивает поддержку бизнес-процессов «фронт-офиса», включая продажи, маркетинг и обслуживание. Каждое взаимодействие с клиентом обычно добавляется в историю контактов клиента, и при необходимости сотрудники могут извлекать информацию о клиентах из базы данных. Основное преимущество CRM-систем для банков заключается в том, что взаимодействие клиентов банка может быть учтено с использованием различных каналов. CRM-система координирует многоканальное обслуживание и поддержку клиентов, предоставляя инфраструктуру для более быстрой, более оперативной и эффективной поддержки по проблемам, вопросам, жалобам и т. д. клиентов. и маркетинг) для обмена полезной информацией о клиентах из разных каналов коммуникаций.  Эти данные обрабатываются внутри CRM-системы и могут использоваться как в целях повышения качества  управление банков, так и оценки рисков его банкротства, например, на основе мониторинга притока/оттока клиентов, отслеживания действий их действий и учета их мнения относительно сервисов банка.  CRM-системы выполняют такие задачи, как ведение списков потенциальных клиентов, сегментирование, мониторинг вопросов/ответов, создание отчетов и возможность аккумулировать контакты клиентов – номера телефонов и адреса электронных почт.

В этом исследовании в основу систем мониторинга регуляторов банковской сферы мы предлагаем положить особый тип нейронных сетей – сеть самоорганизующихся карт (SOM), которая может учиться на сложных многомерных данных и преобразовывать их в визуально поддающиеся интерпретации кластеры на специальной карте, которая является выходной переменной нейронной сети. Наглядная карта может помочь неискушенному пользователю идентифицировать банки с высокой степенью риска, основываясь на их расположении на карте. Сеть самоорганизующихся карт (SOM) представляет собой сеть категоризации, разработанную Кохоненом [3]. Изначально она был разработана для решения задач, связанных с такими задачами, как кластеризация, визуализация и абстракция. Основная функция сетей SOM состоит в том, чтобы отображать входные данные из n-мерного пространства в более низкомерный (обычно одно- или двумерный) график при сохранении исходных топологических отношений. Физическое расположение точек на карте показывает относительное сходство между точками в многомерном пространстве. Кроме этого, в качестве входных переменных мы добавили блок переменных, связанных с типичной CRM системой банка.

Для проверки нашей модели нами был использован и обогащен набор данных который включает все банки, обанкротившиеся в штате Техас в период с января 1985 г. по декабрь 1987 г. Выборка состоит из 162 банков, 81 из которых обанкротились. Каждый банк описывается 19 коэффициентами, полученными из его финансовой отчетности. Мы добавили еще 2 переменных, характеризующих поведение их клиентов: приток/отток.

С использованием языка R была построена нейронная сеть SOM для нанесения данных о банкротствах банков на двумерную карту SOM. Карта позволила на ранних этапах отследить банки, склонные к риску банкротства. Этот факт необходим для того, чтобы помочь лицам, принимающим решения, отделить банки с высоким уровнем риска от банков с низким уровнем риска. Данные, используемые в этом исследовании, представляют собой тот же набор данных, который использовался Тамом и Киангом [6], но мы построили 2 вида карт Кохоннена: первый вид – классический (с использованием только 19 переменных), второй вид (использованием 19+2 переменных). Полученная двумерная карта позволила зафиксировать отношение 162 банков склонных к риску банкротства в обоих случаях.

Выходная карта SOM предоставляет графический интерфейс, помогающий лицам, принимающим решения, визуализировать различия в финансовом состоянии банков, таким образом, уменьшая задачу от многомерной проблемы до двумерной карты. На выходной карте каждый узел может представлять от нуля до многих входных данных. Входные данные, похожие в более высоком измерении, должны быть близки друг к другу на выходной карте. Один общий подход, реализованный в предыдущих исследованиях, заключался в том, чтобы рассматривать каждый узел на выходной карте как один кластер. Однако сеть Кохонена может иметь много узлов в выходном слое; например, сеть размером 10×10 будет иметь всего 100 узлов в выходном слое. Когда количество узлов на карте превышает желаемое количество кластеров, требуется дополнительная процедура для дальнейшей группировки узлов в меньшее количество кластеров. Один из способов сделать это — вручную сгруппировать точки в кластеры. Следовательно, необходим другой подход, который может помочь пользователю сгруппировать выходные данные сети SOM на основе определенных объективных критериев. В этом исследовании был применен метод расширенной сети SOM, разработанный [2], для автоматизации процесса сегментации в дополнение к использованию сетей SOM Кохонена. Метод группирует выходные данные SOM на основе критерия минимальной дисперсии для объединения соседних узлов с учетом данных из CRM-систем банков. Затем были сравнены результат двух типов SOM-сетей. Это сравнение показало, что нейронная сеть SOM, где были использованы данные CRM-системы, создает кластеры банков, склонных к банкротству лучше, чем классическая на основе только переменных – финансовых показателей деятельности.

Таким образом, сеть SOM является ценным инструментом поддержки принятия решений, который помогает лицу, принимающему решения, визуализировать отношения между входными данными и может использоваться в качестве дополнительного инструмента с другими методами классификации, такими как дискриминантный анализ и логит-модели для интеллектуального анализа данных.