Icbda-2015: большие данные распались на кейсы

- kbrbank

Icbda-2015: большие данные распались на кейсы

Интернациональная конференция International Conference on Big Data and its Applications (ICBDA), прошедшая в Москве 18 сентября, была заявлена как место презентации самых действенных кейсов применения громадных данных в бизнесе. Большая часть докладов относилась к денежному сектору. Любой докладчик сказал о собственном, но все приходили к одному и тому же итогу: громадные эти недешевы, но они смогут решить любую бизнес-задачу — в случае если ее по большому счету стоит решать.

Еще год-два назад евангелисты Big Data большое количество и вдохновенно говорили о том, как технологии громадных данных поменяют нашу жизнь. Сейчас им на смену пришли бойкие менеджеры, жонглирующие жёсткими цифрами. Былой техномагии уже не чувствуется — ее место заняли суховатые истории успеха.

На секцию «Big Data для денежного и страхового сектора» приехал очень пестрый табор докладчиков: аналитическое агентство Frank Research, и пара техностартапов (от них в Big Data все равно некуда не убежишь), а также жёсткий практик в лице Тинькофф-банка. Ощущалось отсутствие довольно часто упоминаемого Альфа-банка, что отправился в Нью-Йорк на Finovate, но были его партнеры — Double Data и Rubbles, поведавшие много занимательного.

C практиков все и началось. Александр Емешев, вице-президент по разработке новых продуктов Тинькофф-банка, сказал продолжительнее всех и поведал, как внешние информацию о клиентах помогли поднять продажи по всем секторам присутствия его банка. Вернее, именно о «как» он старался не сказать, и его можно понять — он единственный на сессии ничего не реализовывал и потому предпочел умолчать фактически обо всех серьёзных подробностях проекта, дабы не раскрывать опытных секретов.

светло только то, что банк собирает какие-то внешние эти, сооружает какие-то модели — и в соответствии с ними меняет продукты и формирует новые.

По словам Емишева, банки необоснованно вычисляют себя значительной частью жизни клиента. В действительности, как осознали в Тинькофф-банке, они для клиента солидную часть времени не так уж и серьёзны, и только громадные эти разрешают верно оценить мотивы его поведения.

Александр Емишев поведал об удачах и продемонстрировал кое-какие цифры. Согласно данным вице-президента Тинькофф-банка, добросовестные отказники, несправедливо взявшие низкий скоринговый балл в БКИ, приобретают второй шанс; и напротив, потенциальные «нехорошие» клиенты выводятся на чистую воду. Не все, само собой разумеется. Но в области кредитного скоринга удалось повысить NPV (чистую цена продукта) на 5–10%.

Наряду с этим в продажах карт конверсия повысилась на 20–25%, а NPV — на 10–15%. Имеется какие-то удачи и в привлечении клиентов на ипотеку, но тут конкретики было еще меньше: посредством громадных данных «Тинькофф» обогащает поток ипотечных клиентов к банкам-партнерам, разрешая повысить средний процент утверждения заявки до 80%. В общем, хорошая история с громадными данными.

Технический директор Frank Research Сергей Кашпоров был более откровенен. Для его компании громадные эти составлены из публичной денежной отчетности, анкетирования участников рынка, ежедневного мониторинга открытых источников (тарифы, отзывы клиентов, новости, размещение отделений) и официальной статистики ЦБ и Росстата. Последнее учреждение очевидно стало головной болью для аналитических агентств — Кашпоров не удержался от укоров в их адрес, касающихся точности и оперативности работы предоставляемых данных. «Официальная статистика либо нехорошая, либо ее нет», — припечатал Сергей зловредный Росстат.

Сергею Кашпорову удалось весьма внятно растолковать собравшимся, для чего по большому счету банкам пригодились разработке Big Data. Расклад несложной: раньше, в то время, когда отрасль росла на 80% в год, никакие новые подходы никого не интересовали. Сейчас же, в то время, когда хороших не охваченных банками клиентов уже фактически не осталось, нужно играться долями процентов, дабы добиться хоть какого-либо роста.

И вот тут громадные эти дают нужные возможности понемногу перетянуть одеяло на себя. В то время, когда рудник иссякает, появляется суть копаться в отвалах.

В приложении к продуктам Frank Research анализ громадных данных разрешает банку точно оценить собственный положение на рынке с точностью до города и корректно таргетировать главные показатели. По словам Кашпорова, одному региональному банку эти конкурентного анализа, предоставленные Frank Research, разрешили за шесть месяцев нарастить продажи на 10%.

Занимательный спецпроект «Громадные пятна» агентство Frank Research создало для Альфа-банка. В его рамках планируют эти по 2500 локальным рынкам России и формируются KPI для реализовывающих подразделений с учетом рыночного контекста. Интеллектуальная совокупность оповещения без промедлений информирует, в случае если на конкретном рынке найдены неприятности либо же имеется потенциал увеличения количеств продаж.

Итог — 48-процентное увеличение эффективности POS-кредитования на каждого сотрудника в среднем. Достигнуто это было перераспределением ресурсов, другими словами какие-то отделения были закрыты, а где-то были открыты новые.

Собрание специалистов по громадным данным на данный момент сродни конференции по молоткам, на которую приходят плотник, столяр, скульптор и геолог.

Александр Фонарев, начальник направления анализа данных из Rubbles, отрекомендовавшись теоретиком, преподавателем и практиком машинного обучения, своим докладом развернул сессию в совсем новом направлении. Опять был упомянут Альфа-Банк — как выяснилось, компания Rubbles была привлечена в команду банка для работы над новым приложением для мобильного банкинга Alfa Sense, тем самым, которое днем ранее «Альфа» показала в Нью-Йорке.

Храбрые стартаперы пошли значительно дальше уточненного формирования и сегментирования клиентов персонализированных предложений, которыми так гордятся многие участники рынка Big Data. «Приложение применяет совокупность предсказания, которая определяет, что может пригодиться клиенту, и даёт подсказки» — поведал Фонарев. В итоге приложение должно показывать клиенту только те функциональные блоки, каковые ему, вероятнее, пригодятся. Замах у команды, собранной в «Альфе», вышел на рубль, почем же окажется удар, определим в скором будущем, в то время, когда клиенты Альфа-Банка возьмут возможность пользоваться новым приложением.

Александр Фонарев привел несколько несложных примеров, демонстрирующих, как предсказания приносят прибыль банку. Собрав и проанализировав информацию о действиях клиентов, ушедших из банка, аналитики Rubbles распознали закономерности и выстроили модель, в соответствии с которой стало вероятно предвещать уход клиента. В случае если банк знает, какие конкретно клиенты планируют уйти, он может создать для них некую акцию, которая повысит их лояльность, и оттекание снизится. «В действительности нужно предвещать не факт ухода клиента, в противном случае, как положительно он отзовётся на акцию», — увидел Фонарев.

Еще один кейс применения Rubbles анализа громадных данных — советы по расходованию средств. Клиент имеет возможность установить цель, на которую он будет копить деньги на квитанциях в банке. Совокупность разбирает структуру его затрат, сравнивает со статистикой по вторым клиентам и генерирует советы, где как раз стоит «ужаться», дабы накопить стремительнее.

К примеру, реже ходить в рестораны. Как утверждает Фонарев, результатом явилось то, что люди, соглашающиеся на советы, стали каждый месяц оставлять на собственных квитанциях на 4600 руб. больше. Цифра хорошая; действительно, докладчик так и не сказал, сколько всего клиентов дали согласие с рекомендациями банка.

Компания Double Data в лице собственного директора по аналитике и качеству данных Сергея Попова поведала собравшимся об применении данных из социальных сетей для задач управления розничными рисками. Ничего особенного нового в докладе не было — о гадании по «ВКонтакту» нам говорят уже не первый и не второй год. Но потому, что суммарное количество учетных записей в отечественных соцсетях уже превысило население страны, отмахиваться от данной истории все же не следует.

Для правильного обнаружения учетной записи клиента необходимо очень мало данных: фамилия, имя, дата рождения, город рождения либо проживания. Из отысканной учетной записи извлекаются анкетные эти, статистическая информация, настройки приватности, мобильные платформы клиента, профиль заинтересованностей, окружение (информация о приятелях). Эти смогут продаваться в сыром виде, в случае если у клиента имеется личные прогностические модели, или не меньше рассчитывает четыре скоринговых балла для разных сегментов.

Не смотря на то, что секция о громадных данных в денежном секторе заявлялась как круглый стол, дискуссии не получилось — любой докладчик говорил собственный, другие ничего не имели против, и ни модератор, ни люди из зала кроме того не постарались раскачать тему. Тому имеется обстоятельство. Собрание специалистов по громадным данным на данный момент сродни конференции по молоткам, на которую приходят плотник, столяр, скульптор и геолог.

Да, все знают и обожают молоток и смогут очень многое о нем поведать, лишь молоток у каждого собственный, непохожий на другие, так что и спорить им не о чем.

Прав был Gartner, изъявший Big Data из цикла зрелости новых разработок, — при внимательном рассмотрении эта «разработка» распадается на различные кейсы, связанные разве что математической базой. Различные задачи, различные подходы, различные результаты бессмысленно объединять в обособленную сущность под звонким заглавием. Тем более что в цифровую эру все сведенья громадные, в случае если можешь их собирать.

Игорь Балк — о конференции Big Data Russia

Интересные записи

Похожие статьи, которые вам, наверника будут интересны: