Журнал ПЛАС » Архив » 2020 » Журнал ПЛАС №3 » 204 просмотра

ПСБ: Big Data – кейсы на перспективу

ПСБ активно использует технологии работы с Big Data, планируя применять их в различных направлениях: персональные предложения для клиентов, умные алгоритмы по оптимизации расходов на маркетинг, оптимизация сети банкоматов и офисов через геолокацию, привлечение новых клиентов в цифровом канале продаж и т. д. Насколько результативен такой подход? Эти и другие вопросы мы обсуждаем с Еленой Гоголевой – начальником управления аналитических исследований и инновационных технологий ПСБ.

ПЛАС: Для решения каких задач банковского сектора сегодня наиболее востребованы технологии Big Data? Каковы самые перспективные направления их использования?

Е. Гоголева: Задач много. Всегда пытаемся экспериментировать и искать новые направления применения технологий Big Data. Стараемся накапливать всевозможные данные по нашим действующим и потенциальным клиентам, как внутренние, так и внешние, и использовать их для решения множества задач, таких как более эффективная коммуникационная политика, антифрод-сис­темы, работа с клиентским оттоком, снижение затрат в маркетинге. Видим перспективы в использовании сложных алгоритмов в направлении оптимизации внутренних бизнес-процессов, в том числе оптимизации остатков в банкоматной сети.

ПЛАС: Вендоры решений и эксперты в сфере Big Data говорят о том, что сталкиваются с ситуациями, когда заказчики, внедряя данную технологию в свой процесс, зачастую не могут извлечь выгоду из-за того, что просто до конца не понимают, для чего им это надо.

Е. Гоголева: Действительно, такие ситуации на рынке нередки. Важно всегда идти от задачи, понимать, что конкретно необходимо решать. Мы изначально закладываем в проект некоторые гипотезы, и прогнозируем те эффекты, которые ожидаем получить от его реализации. По итогам оцениваем, что получилось на выходе – удовлетворяет это нашим ожиданиям или нет.

Сама по себе работа с Big Data – история очень затратная. Поэтому здесь необходимо вначале определить готовность бизнес-процессов и инфраструктуры, которые позволят получить какой-либо эффект с точки зрения использования технологий Big Data. Прогнозирование, которое с большим временным лагом учитывается в бизнес-процессах, не всегда дает хороший эффект, но иногда такое допустимо. В любом случае всегда необходимо тщательно подходить к постановке задачи, которую планируется решать.

ПЛАС: Научились ли банки сегодня эффективно использовать Big Data?

Е. Гоголева: Думаю, да. В риск-менеджменте применение этой технологии находится уже на достаточно высоком уровне. Теперь все «побежали» в сторону продаж — персональные предложения для клиентов. С одной стороны – это снижение издержек на телефонные звонки, SMS-рассылку, тогда банк взаимодействует только с теми клиентами, кто склонен к покупке того или иного продукта, с другой – возрастает количество продаж за счет персонализированной коммуникации, поскольку предлагаются только те продукты, которые реально востребованы, повышается лояльность клиентской базы к банку.

При этом важно понимать, что для реализации проекта с использованием Big Data недостаточно просто привлечь хороших математиков, которые построят правильную модель, важно успешно внедрить ее в бизнес-процесс. Банку нужно не только предложить клиенту необходимый именно ему продукт, но еще и сделать это в подходящее для клиента время.

Мы всегда пытаемся экспериментировать и искать новые направления применения технологий Big Data

Нашим первым направлением по работе с Big Data была рекомендательная система для клиентов на основе моделей машинного обучения. В рамках первых пилотных проектов мы пытались выяснить, насколько качественно работает наша модель. Мы сравнивали эффект от взаимодействия банка с лояльной базой клиентов, которые склонны к какому-либо продукту, через различные каналы продаж – телефонный звонок и онлайн-каналы. Пилоты показали хороший эффект, значительно выросла конверсия в сделки. Решили продолжать в том же направлении. В декабре 2019 года в личном кабинете появились баннеры с рекламой продуктов и услуг банка. С помощью модели мы выявляем сегменты, склонные к определенному продукту, и начинаем им транслировать соответствующий баннер. В настоящий момент мы собираем обратную связь по результатам, чтобы проанализировать и в случае необходимости скорректировать этот процесс.

Еще одно направление, в которое мы верим, – использование больших данных в событийных триггерах. Это коммуникации по клиентскому пути, когда банк предлагает клиенту необходимый продукт сразу после совершения им некого действия. Пилотирование было признано успешным, планируем внедрять функционал в интернет-банке в 2020 году.

Кроме того, в рамках контекстной рекламы на основе больших данных мы помогаем коллегам из маркетинга снижать расходы на рекламу. Выстраиваем цепочку клиента от покупки до его появления в банке, далее строим прогнозы по доходности, тем самым определяя, какие лиды более интересны и прибыльны с точки зрения конечного дохода от клиентов.

ПЛАС: Какое количество триггеров банки уже научились задействовать в своих моделях? Существует ли какой-то предел?

Е. Гоголева: Если раньше таких триггеров было немного, максимум один-два, то сейчас их количество выросло до семи-восьми. Думаю, предел зависит от нашей изобретательности и целесообразности использования. Любой триггер мы сначала тестируем на эффективность (делаем пилоты) и только потом предлагаем коллегам внедрять. Стараемся, чтобы смежные подразделения «верили» нашим моделям и алгоритмам, поэтому тесно с ними взаимодействуем как на этапе разработки, так и в тестировании.

Для реализации проекта с использованием Big Data недостаточно просто привлечь хороших математиков, которые построят правильную модель, важно успешно внедрить ее в бизнес-процесс

В CRM-системе ПСБ для менеджеров уже работают триггеры, связанные с поведением клиентов. Например, если оборот денежных средств у клиента снижается или он переводит деньги в другой банк, менеджеру в автоматическом режиме приходит сообщение в CRM-системе о том, чтобы он обратил на этого клиента внимание. Они вполне эффективны.

При этом мы постоянно работаем над обновлением моделей прогнозирования. Как следствие, их качество сильно возрастает, в том числе за счет обратной связи от клиентов, их заинтересованности в той или иной коммуникации и продаже.

Если раньше все было из разряда «на коленке» (собрали какие-то данные, модели построили, кому-то эти данные отдали), то сейчас мы строим онлайн-систему, которая позволяет автоматически собирать фидбэк, обновлять модель и направлять новую коммуникацию на все каналы (SMS, e-mail, CRM-система и пр.).

Также мы непрерывно работаем над обогащением наших баз знаний о клиентах. Если изначально мы работали только с транзакционной активностью клиента, отслеживая его операции и контрагентов, то теперь стали смотреть на его поведение в интернет-банке (по каким страницам он ходит и насколько часто это делает).

ПЛАС: Какие еще кейсы с применением Big Data находятся в поле зрения вашего банка?

Е. Гоголева: Очень перспективное направление – геолокация, которая также помогает понимать клиентов, их потребности с точки зрения местонахождения, правильно выбирать локации для открытия офисов, оптимально устанавливать банкоматы и многое другое. Можно повышать эффективность рекламы на билбордах, понимая местонахождение целевой аудитории.

В перспективе мы хотим работать с текстовыми сообщениями – назначением платежей, верим, что назначение платежа о многом может сказать, в первую очередь о сфере реальной деятельности клиента.

В риск-менеджменте применение технологии Big Data находится уже на достаточно высоком уровне

Также подумываем поэкспериментировать с голосовыми сообщениями (контакт-центр). Ведь не исключено, что на положительное решение о покупке влияют интонация оператора, какие-то конкретные формулировки или слова. Все это тоже можно анализировать и использовать в работе.

Еще один хороший кейс – разработка или усовершенствование антифрод-системы по выявлению мошеннических операций, помогает как минимизировать такие операции, так и сократить затраты на верификацию.

Работа с клиентским оттоком еще одно из направлений работы, но сложность заключается в том, что спрогнозировать уход клиента из банка можно за 1–2 месяца, а вот повлиять на это банк может не всегда.

ПЛАС: Сколько в среднем занимает реализация подобных проектов, насколько они экономически обоснованы?

Е. Гоголева: Это сильно зависит от наличия необходимых для конкретной разработки данных. 80% времени уходит на сбор данных, и только 20% – на моделирование. В среднем проект занимает около 3–4 месяцев.

Например, создание алгоритма антифрода по проекту «Без бумаг» и его согласование заняло около двух месяцев, но до этого еще около двух месяцев ушло на то, чтобы получить корректные данные для анализа и моделирования.

ПЛАС: Как происходит взаимодействие внутри банка с другими подразделениями?

Е. Гоголева: Сейчас процесс от разработки до внедрения мы полностью реализуем силами нашего подразделения. В качестве «полигона» для разработки и обкатки своих моделей мы используем хранилище данных малого и среднего бизнеса.

В идеале, конечно, мы хотели бы в будущем разделить моделирование и бизнес-процесс внедрения на два отдельных направления. Мне кажется, эффективность бы от этого только выросла. На текущем этапе за счет того, что мы небольшие и продуктовый ряд по сравнению с розницей меньше, нам удобнее и эффективнее делать все «внутри себя». В развитии и поддержке хранилища нам активно помогает ИТ-подразделение.

С точки зрения обмена знаниями и результатами, мы активно взаимодействуем с коллегами из других направлений бизнеса (розничного и корпоративного) – это помогает сокращать процесс поиска новых идей и быстрее внедрять лучшие практики во всех сегментах.

ПЛАС: Испытываете ли вы кадровый дефицит в плане data scientist?

Е. Гоголева: Это общая боль, причем не только для банковского сектора. Приходится искать специалистов везде – в основном это профильные конференции и выпускники вузов. Хорошие data scientist прекрасно знают себе цену, к тому же они находятся уже на таком уровне, когда простые рутинные задачи им неинтересны. Поэтому мы сосредоточены в большей степени на молодых специалистах с хорошей теоретической базой. Эта профессия, как и многие другие, позволяет самостоятельно совершенствоваться с помощью бесплатных курсов, экспериментов и участия в различных хакатонах.

ПЛАС: В чем привлекательность работы для data scientist в банковской сфере? За счет чего банки могут выигрывать у технологических компаний и финтех-стартапов?

Е. Гоголева: Если раньше крупные финтех-компании, испытывая очень сильный кадровый голод, брали практически всех подряд, то сегодня на входе они предъявляют уже более серьезные требования к подбору персонала. Банки (кроме самых крупных), если кандидат с хорошим потенциалом, начальными знаниями и мотивацией, готовы брать такого специалиста. Преимущество работы data scientist в банке в отличие от крупных компаний, где очень узкая направленность, заключается в том, что есть возможность попробовать себя сразу в нескольких направлениях. Хочешь – участвуй в создании продуктов под ключ, хочешь – экспериментируй в машинном обучении, исследуй какие-то новые вещи.

ПЛАС: Какие источники данных, помимо внутренних, вы используете в работе с Big Data?

В проекте с Big Data около 80% времени уходит на сбор данных, и только 20% – на моделирование. В среднем проект занимает около 3–4 месяцев

Е. Гоголева: Это прежде всего доступная внешняя официальная информация – данные Росстата, Росреестра, Единый государственный реестр юридических лиц (ЕГРЮЛ) и Единый государственный реестр индивидуальных предпринимателей (ЕГРИП). Они помогают нам понимать, чем занимается клиент и что в целом происходит на рынке юридических лиц. При этом мы понимаем, что за каждым юридическим лицом стоят физические лица, поэтому данные соцсетей тоже помогают в понимании клиента и его интересов.

Также данные сотовых операторов полезны при принятии кредитных решений и в антифрод-системах, многие банки их уже используют. В целом мы видим большие перспективы в работе с внешними источниками данных.

ПЛАС: Ваши прогнозы по дальнейшему развитию Big Data? Чего стоит ожидать, например, в ближайшие пять лет?

Е. Гоголева: Мне кажется, что банки продолжат вкладывать в это направление много денег и времени. В любом случае будут те, кто впереди, а кто-то станет отставать. При этом позиция отстающих – не самый худший вариант, особенно для малых и средних банков. Ведь можно брать готовые успешные кейсы и внедрять их. Все первопроходцы тратят значительно больше средств на развитие инновационных направлений по сравнению с теми, кто их догоняет.

А что касается будущих направлений применения, то кажется, что после успешной реализации персонифицированных предложений банки сосредоточат свои усилия на оптимизации внутренних бизнес-процессов, потому что эффект внедрения технологий Big Data здесь тоже достаточно весомый. И некоторые это уже начали делать.

Подписывайтесь на наши группы, чтобы быть в курсе событий отрасли.

Читайте в этом номере:


Перейти к началу страницы

Подпишитесь на новости индустрии

Нажимая на кнопку "подписаться", вы соглашаетесь с


политикой обработки персональных данных