Банковское обозрение

Финансовая сфера

  • Искусственный интеллект и геомаркетинг: найти и привести целевого клиента
07.09.2018 Аналитика
Искусственный интеллект и геомаркетинг: найти и привести целевого клиента

За последние 10 лет банки и другой розничный бизнес поняли, что большие данные — это очень важно и полезно. Они нужны любому маркетологу: население и трафик, конкурентная среда, благосостояние жителей и потенциал локаций. С учетом этих факторов можно строить мегаэффективную сеть точек продаж



Геомаркетинг — маркетинговый инструмент, который использует многие современные технологии. При этом лучшие результаты достигаются при понимании геоподходов на всех уровнях — от топ-менеджмента банка до сотрудников на местах. Мы научились выстраивать дружеские отношения между людьми и машинами, при которых геоанализ становится общим любимым ребенком, его поддерживают и развивают. Расскажем об этом на примерах.

Потенциал локаций отделений банка

Банки всегда внимательно относились к выбору локации отделений, но экспертные оценки иногда были неточны: только 50–60% офисов окупались в срок.

Сейчас, в эпоху digital и огромных массивов информации, есть возможности качественно улучшить эти показатели за счет системного подхода и глубокого анализа компонентов Big Data. Согласно нашей статистике, до 90% отделений, открываемых с помощью инструментов геомаркетинга, окупаются в срок, и этот показатель растет.

Обычно каждый такой проект начинается с создания экспертного слоя, составляемого по списку понятных правил успеха отделения банка. Обычно в нем 15–20 правил, которые включают плотность населения, его финансовое положение, общественный транспорт, целевой трафик клиентов, бренды конкурентов и другие параметры. Мы собрали более 1500 метрик, имеющих пространственную привязку для более чем 350 городов России.

Список правил согласовывается и корректируется с заказчиком на основе его внутренней экспертизы, которая учитывает цели и возможности банка. Наши эксперты применяют правила, обсчитывают значения для каждой ячейки по городам присутствия, указанным заказчиком. Если правило выполнено, ячейка получает один балл, если нет — 0. Когда вся территория оценена, получается «тепловая» карта. И на уровне каждой локации можно легко и быстро понять, что именно работало, а что нет. Обычно мы делаем несколько итераций, чтобы достичь наибольшей точности.

Наша компания запатентовала ряд разработок, которые позволяют быстро обсчитывать всю территорию России для размещения и улучшения эффективности точек продаж телекома, ретейлеров, офисов сервисных компаний, отделений банков, сетевых ресторанов, производств и многого другого. Один обсчет сотен миллионов потенциальных локаций занимает 42 секунды, поэтому для нас почти не имеет значения, с какой географией работать. Каждый раз правила адаптируются под специфику бизнеса заказчика. Геоданные позволяют разграничить сферы ответственности между маркетингом, сетью, продуктами и персоналом на уровне каждой точки, то есть однозначно выявить, что нужно изменить для роста бизнес-показателей этой точки.

Пространственный анализ повышает эффективность маркетинга до 40%

У Бинбанка на протяжении многих лет была одна из самых широких региональных сетей на финансовом рынке — около 400 отделений по всей стране. Команда Marketing Logic внедрила в Банке универсальную геоинформационную систему бизнес-аналитики «Атлас». Она позволила управлять всеми маркетинговыми активностями в регионах присутствия, в том числе вести автоматизированный расчет результатов привлечения по каждому носителю. Плюс мы внедрили поддержку технологии «маркетинговый захват территории», то есть выделение приоритетных зон вокруг сети отделений, где необходимо усилить маркетинговые инвестиции из-за внешних или внутренних факторов.

 

 

«Искусственным интеллектом» в данном случае стала система, представляющая собой самообучающуюся нейронную сеть. Она анализирует потребности и особенности клиентов, задачи бизнеса, расположение отделений и тип рекламных носителей вокруг точки продаж, а затем предлагает оптимальный набор наиболее эффективных каналов продвижения, включая наружную рекламу, Интернет, радио и телевидение. Интерфейс позволяет в режиме реального времени следить за всеми маркетинговыми активностями и взаимодействовать с агентствами-подрядчиками для корректировки медиаплана. Кроме того, система самостоятельно накапливает данные об истории рекламных размещений и анализирует их методами машинного обучения, что дополнительно повышает точность каждого следующего прогноза.

В результате геомаркетинг, Big Data и машинное обучение позволили повысить эффективность привлечения клиентов с учетом индивидуальных особенностей каждого региона и отдельного офиса. Наш совместный проект вылился в тесное сотрудничество, позволившее Банку снизить по некоторым направлениям стоимость привлечения новых клиентов в три раза.

Технология location intelligence в рамках геоинформационной системы «Атлас» сейчас также применяется в Росбанке для управления сетью из более чем 500 отделений. Система агрегирует данные обо всех отделениях и подразделениях Банка, оценивает потенциал и нагрузку, рассчитывает эффективность потенциальных офисов, исходя из данных об активности клиентов, банков-конкурентов, численности населения, трафика на улицах города и другой статистической информации. Банк получает «тепловую» карту по каждому городу присутствия с оценкой потенциала локации отделения на уровне шаговой доступности.

Сегодня наше решение соединяет два подхода: машинное обучение и экспертные правила выбора хороших локаций, что позволяет объединить накопленные исторические данные и бесценный опыт экспертов — сотрудников банка.

Комплексный подход к управлению и трансформации сети определяет «звезд»

Комплексный подход управления сетью отделений позволяет провести глубокий анализ возможностей локации. После этого команда наших аналитиков, банковских экспертов и менеджмента составляют более детальный прогноз и дает рекомендации для дальнейших шагов.

Повторю, что отличные результаты — это всегда совместный труд. Мы можем предоставить свои витрины данных, качественную аналитику, внедрить машинное обучение, но только командное управление проектом и обучение моделей на фактических клиентских данных позволяет получать точную статистическую информацию о характеристиках сети и поведении клиентов: о фактическом охвате точек продаж, расстояниях, на которые путешествуют покупатели за каждым из продуктов, проникновении в население, конкурентной силе бренда (способности перехватывать у конкурентов трафик и клиентов), объектах, притягивающих и отталкивающих клиентов, соотношении местных жителей и «мигрантов» среди потенциальных клиентов, важности транспортной доступности и критичных расстояниях до остановок и т.д.

Реклама



Читайте наши лучшие материалы Яндекс. Дзен Телеграмм

Присоединяйся к нам в телеграмм