626
BI, Artificial Intelligence и Machine Learning в банковском секторе. Взгляд SAS
ПЛАС: Насколько в целом эффективно использование инструментов целевого маркетинга в банковской сфере? Каким образом банкам необходимо подходить к выбору целевых сегментов рынка и позиционированию банковских продуктов и услуг?
М. Цуканов: Использование инструментов целевого маркетинга давно доказало свою эффективность. В банковской сфере порядка 60% выручки приходится на вторичные продажи. Рынок банковских услуг в России находится в достаточно зрелом состоянии, конкуренция за клиента едва ли будет уменьшаться. Целевой маркетинг позволяет финансовым организациям эффективно решать базовые задачи, такие как поиск правильных клиентов, подбор правильных предложений, осуществление правильных коммуникаций в правильный момент времени. Клиентская аналитика приходит на помощь на этапе привлечения клиентов (лидогенерация), их вовлечения и развития (оформление продуктов, дополнительные и перекрестные продажи), а также на этапе удержания (работа с оттоком). В качестве клиентов могут выступать как физические лица (маркетинг B2C), так и юридические лица (маркетинг B2B).
При этом клиентская аналитика не ограничивается целевым маркетингом. Она может с успехом использоваться в смежных областях, например, для сбора дебиторской задолженности или выстраивания взаимоотношений с сотрудниками.
Что касается выбора целевых сегментов, то он должен происходить исходя из стратегии развития банка. Клиентская аналитика поможет разобраться в собственной клиентской базе банка и выработать стратегию работы с каждым отдельным сегментом.
ПЛАС: Наряду с телеком-операторами кредитные организации являются одними из главных владельцев больших данных. Насколько успешно банки научились управлять данными? Как развивается направление аналитики в банке? С какими трудностями приходится сталкиваться? Перспективы сотрудничества в этой сфере банков со сторонними структурами – возможные сценарии?
М. Цуканов: Действительно, банки обрабатывают большие объемы данных, к которым относятся персональные данные клиентов, данные о транзакциях по картам и операции по счетам. С развитием мобильных платформ банки также зачастую обрабатывают геолокационные данные клиента (данные о месторасположении клиента), информацию о поведении клиента в мобильном- и интернет банке, а также в интернете на собственных и сторонних сайтах. Общий тренд заключается в монетизации собираемых данных, в том числе, в целях подбора более релевантных предложений для клиентов. Крупные банки, как правило, организуют работы по сбору и накоплению данных в «озерах данных», объем которых может исчисляться петабайтами. Чем больше данных собрано, тем больше данных можно анализировать.
Не обходится и без трудностей. К последним относятся колоссальный объем собираемых данных, их разрозненность между направлениями бизнеса, а также недостаточная оперативность в реагировании на инсайты: с момента обнаружения важного события до связанного с ним действия проходит непозволительно длительное время, за которое событие успевает утратить свою актуальность. К слову, эта проблема решается с помощью внедрения в процесс обработки данных системы принятия решения, которая позволит существенно повысить оперативность реагирования на ключевые события. Не удивительно, что подобные системы сейчас пользуются большим спросом среди компаний финансового сектора.
ПЛАС: Насколько широко применяют сегодня представители банковского сектора BI-инструменты? Какие задачи позволяет решать визуализация данных?
М. Цуканов: BI-инструменты широко используются в банковском секторе. С помощью BI-инструментов работа с данными осуществляется на логическом и визуальном уровнях. Логический уровень позволяет объединять данные в отношения, работать с бизнес-сущностями и их атрибутами.
Визуализация помогает упростить восприятие данных и повысить скорость работы с ними. Можно выделить две основные задачи, которые решают инструменты данного класса. Первой задачей является проведение исследования данных, к которой относится проведение аналитической сегментации клиентской базы, поиск корреляций в данных, поиск значимых событий и трендов. Второй задачей является построение регламентной отчетности для мониторинга состояния процессов организации, например, отчет о результатах проведения целевой маркетинговой кампании.
ПЛАС: Несколько слов об использовании искусственного интеллекта, включая машинное обучение, для глубокого анализа клиентской базы.
М. Цуканов: Как правило, при упоминании искусственного интеллекта обычно подразумевают его подраздел – машинное обучение. Технологии позволили сменить стандартный подход к принятию решений от экспертного к управляемому данными («data driven»), интуицию и эмоции – на прагматический расчет. Модели позволяют найти новые полезные сведения – инсайты, неочевидные без применения технологий машинного обучения.
Пожалуй, самыми популярными задачами в области целевого маркетинга являются аналитическая сегментация клиентской базы (или кластеризация, т. е. выделение однородных групп) и прогнозирование вероятности наступления события (например, отклика на коммуникацию).
Самообучающиеся модели активно используются там, где последствия принимаемых моделями решений незначительны. Например, для подбора рекламных баннеров в интернете. В этом случае рекомендательная система будет использовать помимо имеющихся данных о профиле пользователя и информации о контексте результаты показов баннеров другим пользователям – и адаптировать показы на основании этих данных автоматически. Однако существует риск, что самообучение модели приведет к неоптимальным результатам. Для критически важных процессов, например, кредитного скоринга, обучение и мониторинг состояния моделей находится под пристальным вниманием специалистов.
ПЛАС: Как банк может наладить кросс-селлинг с помощью эффективной клиентской аналитики?
М. Цуканов: Начать нужно со сбора качественных данных о клиентах. Источниками данных могут быть как внутренние (например, CRM-система), так и внешние (DMP поставщики данных). Чем выше качество данных, тем точнее результаты моделирования.
После того, как данные собраны, фактически, уже можно автоматизировать процесс подбора предложений для клиентов. Выбор целевой аудитории в этом случае базируется на бизнес-правилах – критериях, устанавливаемых специалистом по настройке кампаний. Автоматизация позволяет сократить время на разработку и запуск кампании. Для повышения точности подбора предложений используют модели.
Модели базируются на аналитических витринах – таблицах или файлах. Они содержат информацию, которая необходима для построения моделей. Построение правильной витрины данных – это 80% процентов успеха. Популярными в кросс-продажах выступают модели вероятности осуществления целевого события – положительного отклика. Прогнозы могут учитывать вероятность отклика на предложение, на канал, в определенное время, а также другие критерии. Для достижения приемлемой точности такие модели могут разрабатываться на основании разных техник, например, дерево решений, линейная регрессия, нейросеть и др.
После того, как будет выбрана и настроена наиболее точная модель, необходимо будет встроить ее в регламентный процесс, иными словами, «операционализировать». Необходимо регулярно проверять качество работы модели – внешние или внутренние факторы могут измениться, что приведет к необходимости внесения корректировок в модель.
Эффективность продаж будет расти по мере роста бизнес и технологических компетенций. Немаловажную роль в этом играет методологический подход к AB-тестированию. Организация системного и регулярного тестирования гипотез позволит выявить наиболее действенные механики и накопить опыт взаимодействия с клиентами. В свою очередь, это приведет к появлению новых данных, следовательно, позволит сделать модели более точными.
По материалам PLUSworld.ru
