Вход Регистрация
Подписка

Big Data как управление стоимостью привлечения клиента

26.04.2016

Перед каждым розничным банком стоит задача привлечь новых и удержать старых клиентов, а точнее, уменьшить стоимость мероприятий, обеспечивающих достижение этих целей. Аналогичная задача стоит перед МФО, страховыми компаниями, а также перед розничным бизнесом не из финансового сектора: ретейлом и телекомом

Времена, когда потенциальные клиенты массово штурмовали банки в надежде получить кредит, уже, к счастью прошли. Зато появилась ситуация, в которой среднестатистический гражданин имеет по два с половиной кредита, и у него нарастает NPL. Поэтому приходится вникать в современный хай-тек. Одними из таких решений из области IT являются углубленный анализ и обогащение данных о кредитной истории физлиц, их потребительском поведении, эффективности рекламных кампаний, а также их профилей в соцсетях.

Неважно, что этих данных сейчас не так уж много: их объем стремительно растет, множатся и источники их получения. Изучая опыт западных коллег, отечественные банкиры и их подрядчики заранее готовятся к неминуемому «информационному взрыву» и примеряют технологии Big Data к своему бизнесу. На текущем этапе, когда этот сегмент рынка в России относительно пуст, самое время игрокам навести между собой мосты и обговорить правила будущей игры.

Время договариваться

Именно это стало основной целью проведения 14 апреля 2016 года конференции «Банковского обозрения» на тему «BIG DATA: банки, финансовые компании, e-commerce, телекомы. Практические кейсы от лидеров индустрии», собравшей более 60 экспертов.

 

Александр Гладько и Вячеслав Семенихин, Смартфин

 

Вячеслав Семенихин, директор по маркетингу компании «Смартфин», и Александр Гладько, независимый эксперт, в рамках доклада «Использование данных платежной системы для повышения эффективности банковских коммуникаций» решили доказать, что прозрачность и доверие в бизнесе еще никому не помешали.

Основываясь на своем личном опыте общения с банками, выступающие попытались обрисовать видение процесса взаимодействия специалистов типичной кредитной организации и внешнего поставщика информации с разных точек зрения. Все понимают, что обогащение собственных и внешних данных при обеспечении посадочных страниц качественным мобильным и web-трафиком действительно способно снизить стоимость привлечения клиентов. Однако непонимание поставщиком услуг того, что происходит на стороне банка, в силу излишней закрытости последнего сильно вредит общему делу. В итоге, по мнению экспертов, взаимное недоверие приводит к невозможности увеличить объем, поработать над качеством сервисов, вступить в какой-то конструктивный диалог, посвященный улучшению анализа.

К чему приводит подобная практика? Приходя в банк, сервис-провайдер получает предложение получить свой гонорар в виде процента от кредитов, выданных благодаря его аналитике, либо еще каким-то образом, привязанным к результату. Кто же был бы против подобного подхода, если все процессы были бы прозрачными и измеримыми? Ан не: то, что происходит внутри кредитной организации, ― это секрет за семью печатями! Поэтому аналитикам приходится устанавливать цену за, например, каждого привлеченного клиента или за заявку на получение кредита.

Как же правильно и разумно установить цену, если не существует двух одинаковых по кредитной политике банков? Что для одного ― хорошо, то для другого ― «смерть». Нужен индустриальный стандарт, чтобы говорить на одном языке, например, для объективного обсуждения показателей воронки продаж банковских продуктов. Как один из вариантов решения проблемы был предложен механизм IMP: доверенная среда для продавца и покупателя как гарант прозрачности ― в одних случаях, а также прозрачная для продавца и покупателя стоимость рекламной кампании на базе отслеживания результатов маркетинговых кампаний в режиме онлайн ― в других случаях.

Как с помощью Data Science добиться профита

Второй бизнес-кейс был посвящен тому, что достижения науки успешно используются не только в Кремниевой долине, но и в отечественном финансовом секторе. Кейс «Data Science для понимания банковского клиента» презентовал Александр Фонарев, руководитель направления анализа данных (data science) компании Rubbles.

 

Александр Фонарев, Rubbles

 

Г-н Фонарев для начала четко расставил по своим местам понятия, наполняющие обобщенный термин Big Data: машинное обучение ― это одно, нейронные сети ― это второе, решающие деревья ― это третье. Каждый из инструментов хорош для своих целей, и не стоит поддаваться веяниям моды при их выборе. Полагаться надо лишь на научный подход.

Далее докладчик обратил внимание присутствующих на методики транзакционного анализа и на то, какой профит может быть получен при его грамотном применении. Например, у банка есть клиенты, у них много данных. Факт очевидный, но далеко не все поняли, насколько ценный. Ведь именно эти данные есть только у банков. У интернет-гигантов типа Яндекса или Facebook тоже есть много данных, и они ими активно пользуются, делая своим клиентам персонализированные предложения. Но не надо путать одно с другим. У банков хранится информация о реальных покупках клиентов, а у соцсетей и поисковиков ― только о том, что человек искал и чем он интересуется в Интернете. Это абсолютно разные виды информации, но отлично дополняющие друг друга. Поэтому и методики работы нужны в этих случаях разные, но нацеленные на достижение общего результата.

Особое место в аналитике от Rubbles занимает профит, получаемый от знания особенностей, как это ни цинично звучит, жизненного цикла самого клиента. Машинное обучение позволяет детектировать факты из жизни клиента и прогнозировать выглядящие на первый взгляд случайными события. Но с научной точки зрения случайных вещей не бывает, а есть тот или иной уровень вероятности. Использование этой парадигмы, по словам Александра Фонарева, позволило, например, работая в автоматическом режиме, увеличить «срок жизни» клиентов в банке, средний остаток денег на их счетах и даже частоту используемых ими услуг, что в итоге повысило совокупную прибыль банковских дистанционных каналов на 30%. Но докладчику пришлось огорчить часть аудитории: универсального способа обучить машину нет. Все индивидуально, поэтому надо работать, работать и работать!

Один день из жизни больших данных

Александр Кириллов, руководитель направления монетизации данных компании Data-Centric Alliance (DCA), продолжил дискуссию со своим кейсом «Один день из жизни больших данных в банке». DCA обладает технологией агрегации обезличенных поведенческих данных, на базе которых развивает методы предикативной аналитики, применяемые в таких направлениях, как digital-маркетинг, банковский скоринг, сегментация клиентской базы, и в других data-driven областях.

 

Александр Кириллов, Data-CentricAlliance

 

DCA «видит» почти половину всех сайтов рунета. Все, что делал любой пользователь за последние два месяца на этих сайтах, обрабатывается и агрегируется. Мы получаем до 50 000 новых фактов в секунду, это факты о пользователях и их поисковых запросах в поиске сайтов (без поисковых машин). Что с этими данными можно делать? Как правило, их интегрируют в CRM-системы клиентов. В итоге банк имеет в своем распоряжении профили клиентов, среди которых можно искать похожие на целевой профиль, описанный в задании по привлечению, скажем, через мобильные устройства в рабочее время в том или ином регионе страны, а можно провести рекламную кампанию, нацеленную на любителей того или иного сериала.

Стоит отметить, что перед проведением рекламных кампаний, целью которых является привлечение новых клиентов, важно сначала запускать пилотные проекты, а затем, опираясь на аналитику пилотных проектов, прогнозировать результаты рекламной кампании: уровень конверсии, охват аудитории, а также финальный бюджет рекламной кампании.

Другое дело ― работа со вторичными клиентами банков. Поведение этих людей относительно понятно. Здесь уже можно применять классические технологии «обогащения» данных о клиентах и передавать информацию в кредитную организацию, где с ней будет работать аналитическая система на базе моделей. Модели, как правило, строят сами банки, и они сами решают, как именно им работать с данными из DCA.

Обогащенные данные нужны также для скоринга и предотвращения мошенничества, для развития важных направлений деятельности любой кредитной организации. Подозрительных клиентов можно, например, сразу отсеять еще на этапе организации рекламной кампании, а можно поработать поплотнее с теми, кому отказали в других банках по тем или иным причинам: хорошие клиенты ― понятие относительное, в каждом кредитном учреждении свои критерии.

Короткие питчи ― дельные мысли

Марии Вейхман, генеральному директору компании «Скориста», и Никите Шаблыкову, директору по продажам PROMT, в отличие от предыдущих докладчиков удалось пообщаться с аудиторией в формате питчей, что, надо признаться, они проделали блестяще. Благодаря этому Марии Вейхман удалось с помощью слайдов презентации, наполненных многочисленными диаграммами, графиками и формулами, доказать, что Big Data применительно к МФО ― непревзойденный инструмент для управления доходностью.

Питч был посвящен проблеме оценки заемщиков МФО. Математика ― наука точная, и вопрос, на который Мария Вейхман предложила аудитории ответить, был предельно конкретен: «Вернет ли заемщик сумму займа с просрочкой до 45 дней?». Пришлось разбираться с формулами, количеством переменных и производительностью IT-систем. Однако уже скоро выяснилось, что ее вопрос можно трансформировать в гораздо более интересный для МФО: «Вернет ли заемщик сумму займа с доходностью 120% с просрочкой до 45 дней?».

После обсуждения с собравшимися еще более сложных формул, выяснилось, что 7 тыс. переменных, созданных с учетом специфики заемщика МФО и контекста его активности, вполне достаточно для ответа. Из-за недостатка времени для подтверждения своих выводов, г-жа Вейхман предложено изучить несколько слайдов с примерами данных (с учетом контекста) от разработчика ПО на основе технологии агрегации балансов Krawlly и SMS-агрегатора.

Питч Никиты Шаблыкова был посвящен преимуществам использования лингвистических технологий в Big Data. Аналитикам, чтобы собрать хотя бы 7 тыс. переменных для построения моделей, необходима интеллектуальная обработка текстовых массивов на разных языках, например, из социальных сетей и заметок в прессе. Да и наши МФО работают не только в России, но и во многих странах мира.