Финансовая сфера

Банковское обозрение


  • Big Data как управление стоимостью привлечения клиента
26.04.2016 Отчеты конференций БО

Big Data как управление стоимостью привлечения клиента

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.

 

 

Докладчик напомнил о том, как работали первые системы автоматического перевода, сколько нареканий они вызывали. Поэтому директор по продажам PROMT предложил миру лингвистов и находящимся в зале математикам обсудить трансформацию Big Data по направлению к концепции Smart Data применительно к лингвистическим технологиям. Это нужно, чтобы, не потеряв производительности, научить машину понимать смысл текстов на разных языках и извлекать из них информацию.

В продолжение начатой темы последовал разбор кейса «Технологии Big Data и text mining в разработке скоринговых моделей», представленного Екатериной Казак, директором по управлению рисками сервиса онлайн-кредитования MoneyMan. В нем шла речь о том, какие источники информации нужны для работы аналитической модели, применяемой в кредитном конвейере организации, обрабатывающем примерно 120 тыс. заявок в месяц.

Первое, с чем сталкивается потенциальный заемщик, ― это анкета. С одной стороны, в ней не должно быть слишком много полей, не каждый может осилить их заполнение. С другой стороны, список вопросов должен быть составлен так, чтобы можно было еще на этом этапе выявить несоответствия: например, номер мобильного телефона не соответствует региону прописки или образование не вяжется с местом работы человека.

Подобные «звоночки» дают повод для привлечения внешних данных, а они, как уже не раз отмечалось, стоят денег. Но деньги платить в данном случае нужно «точечно», для анализа конкретных клиентов, а где взять нужные данные? Например, в бюро кредитных историй, в базах ЕГРЮЛ, у операторов связи и т.д.

Выявленные несоответствия дают повод проверить уже комбинацию фактов. Ну и что, если человек сменил профессию, но добросовестно платит по своим долгам, согласно данным кредитных бюро? А по другим потенциальным заемщикам выясняется, что подозрительно добропорядочный гражданин целые дни проводит в соцсетях в группе «антиколлекторы», а все свое «рабочее время» тратит на просмотр дома интернет-трансляции спортивных мероприятий, вместо того чтобы доблестно трудиться по указанному в анкете месту работы.

Инновационный подход к данным

Но вот как МФО или банку убедиться в том, что внешние данные ― не просто набор цифр и букв, а имеют смысловое наполнение и пригодны для дальнейших манипуляций? Можно ли на их основе создать сложные финансовые и рекламные продукты, способные гарантированно найти своего потребителя?

В рамках этой темы Владимир Шикин, заместитель директора по маркетингу «Национального бюро кредитных историй», представил свой кейс «Использование открытых данных для управления рисками и повышения эффективности скоринга».

Дополнительные уникальные характеристики заемщика, его окружения и стиля жизни, как оказалось из его выступления, не просто легко, а очень легко выудить из социальных сетей, где люди сами выкладывают о себе такую информацию, которую в реальной жизни спрятали бы куда подальше. Причем, проверить качество социальных графов также не представляет никакой проблемы. Для этого можно сравнить, например, профили друзей с заявленным статусом человека, а если собрать воедино информацию из нескольких социальных сетей, то вероятность обнаружения фальсификаций приближается к единице.

 

 

Именно эти данные, обработанные при помощи технологий Big Data, должны стать обязательной составной частью «идеального кредитного конвейера». Почему? А потому, что более 60% заемщиков в России являются пользователями соцсетей, причем «Одноклассники» стали настоящим клондайком не только для спецслужб и коллекторов, но и для сборщиков данных для скоринговых моделей.

В подтверждение слов практически всех выступивших до эксперта докладчиков было приведен пример влияния различных выявленных социальных факторов на работу скоринга. Так, по тексту в названии фотоальбомов сейчас определяют, где проводил конкретное время человек: в отпуске на южных островах или сажал овощи на даче. Потом все это сравнивается с тем, что написано в анкете. Пока это делается по подписям к альбомам, но распознание изображений с помощью искусственного интеллекта ― дело уже завтрашнего дня.

Многие социальные сети выдают, кроме всего прочего, количество времени, проведенного пользователем в группах «Как взять и не заплатить по кредиту» или «Антиколлектор». Естественно, что подобное поведение закладывается в модели, а практика их использования доказывает, что уровень дефолтов в пилотных группах чутко реагирует на подобные обогащенные данные.

Насколько использование открытых данных законно и аморально, присутствующие на мероприятии гости и докладчики обсудили в ходе панельной дискуссии. К несчастью для мошенников, все абсолютно законно. Открытые данные потому так и называются, что человек добровольно их выкладывает в свободный доступ.

Второй темой, вызвавшей интерес во время дискуссии, стало то, насколько банки готовы внутренне измениться в соответствии с парадигмой управления процессами, основанной на данных. Как выразился один из участников дискуссии, «в банках сейчас очень мало людей, умеющих считать. Зато есть огромное количество менеджеров, проходящих мимо любой инновации, но, тем не менее, ежедневно принимающих управленческие решения». Не редкость и такие совещания, когда после многомесячных переговоров с поставщиками данных эти менеджеры, вертя в руках диаграммы и графики, в которых ничего не понимают, принимают решения со словами: «ну кто из этих троих вам больше нравится?» Однако, к счастью, не все банки и МФО «заселены» подобными управленцами, есть много противоположных примеров.

Делая выводы, собравшиеся вновь обратились к тому тезису, с которого и начали мероприятие: как банкам вникнуть в современные хай-тек-технологии и как изменить культуру принятия решений? Скорость изменения окружающей бизнес-среды такова, что привычные модели ведения бизнеса все чаще дают сбои. Чтобы выжить, надо становиться умнее конкурента: высокие технологии всем в помощь!


 


 


 


 


 


 






Новости Новости Релизы
Сейчас на главной

ПЕРЕЙТИ НА ГЛАВНУЮ