Заработать на информации: внешние данные как драйвер развития банковского бизнеса

- kbrbank

Заработать на информации: внешние данные как драйвер развития банковского бизнеса

Последние несколько лет евангелисты Big Data вдохновенно говорили нам про то, что вот-вот и громадные эти поменяют нашу жизнь раз и окончательно. Предлагали консалтинг, предлагали open-source-решения для хранения, аналитики.

Кто-то предлагал платные совокупности за десятки миллионов рублей.

Ко всем этим предложениями у меня появились три главных вопроса:

  • Что мы, как банк, возьмём по итогам проекта не считая совокупности?
  • Готовы ли вы подписаться под KPI?
  • Продемонстрируйте успешные кейсы в Российской Федерации.

Ни одного ответа мы так и не взяли, но за текущий год в банка создали решения, каковые помогли реализовать большую часть функционала работы с громадными данными.

Помимо этого, на данный момент на рынке уже имеется и отечественные истории успеха, да и вендоры обучились реализовывать не воздушный образ эфемерного результата, а конкретную пользу для бизнеса.

Как я уже писал, Gartner был полностью прав, изъяв Big Data из цикла зрелости новых разработок. Все то, что сработало на данный момент на рынке, да и то, что осталось в прайс-страницах вендоров, это осколки той самой концепции Big Data, каковые стали более приземленным кейсами, объединенными разве лишь математической базой.

С учетом того что в отечественную цифровую эру все сведенья громадные, главным стало умение их собирать, и методики и техники работы. Начнем с последнего.

В отечественную цифровую эру все сведенья громадные, главным стало умение их собирать, и методики и техники работы.

техники и Методы

Громадные количества разрешённых удобно анализировать посредством особых комплексных ответов: ETL, Hadoop, DWH, Real time commenication, но возможно это сделать и «на коленке». Основное — выбрать техник и правильный набор методики, поскольку все это в конечном итоге математика и сухой расчет.

Последние отчеты McKinsey предлагают на выбор техник и широкий набор методик:

  • прогнозная аналитика;
  • способы класса Data Mining: обучение ассоциативным правилам ( англ. association rule learning), классификация (способы категоризации новых данных на базе правил, ранее примененных к уже наличествующим данным), кластерный анализ, регрессионный анализ;
  • имитационное моделирование;
  • интеграция и смешение данных ( англ. data fusion and integration) — комплект техник, разрешающих интегрировать разнородные эти из разнообразных источников для возможности глубинного анализа;
  • краудсорсинг — категоризация и обогащение данных силами широкого, неизвестного круга лиц;
  • статистический анализ, в качестве примеров способов приводятся A/B-анализ и тестирование временных последовательностей;
  • машинное обучение, включая обучение с преподавателем и без преподавателя, и Ensemble learning ( англ.) — применение моделей, выстроенных на базе статистического анализа либо машинного обучения для получения комплексных прогнозов на базе базисных моделей ( англ. constituent models, сравнимо со статистическим ансамблем в статистической механике);
  • неестественные нейронные сети, сетевой анализ, оптимизация, а также генетические методы;
  • распознавание образов;
  • пространственный анализ ( англ. Spatial analysis) — класс способов, применяющих топологическую, геометрическую и географическую данные в данных;
  • визуализация аналитических данных.

Большое количество данных, сложных и различных

Не зависимо от Gartner, конференции и саммиты по громадным данным, однако, с уверенностью шагают по планете, в Российской Федерации они уже давно вышли за пределы МКАД. В рамках конференции Big Data в октябре я в презентации предложил свое видение того, как возможно монетизировать эти. В прошлых частях собственного рассказа на Bankir.Ru я написал о монетизации внутренних данных в банке и о том, как банк возможно нужен второму банку на взаимовыгодных условиях.

на данный момент же я предлагаю взглянуть, какие конкретно внешние эти смогут быть полезны для банка и как их возможно применять.

Какие конкретно эти возможно взять из офлайна

Что мы значительно чаще делаем в офлайне? Верно — покупаем в магазинах, звоним по телефону, обладаем автомобилями, квартирами, перемещаемся в пространстве.

Итак, все по порядку.

Структура чека. на данный момент все банки при оплате клиентом приобретений картой видят два параметра: тип точки и сумму чека продаж. Ясно, что еще возможно посчитать частоту приобретений и определить время их совершения.

Прекрасно, в случае если эти сведенья вы уже разбираете.

Намного больше нужного возможно отыскать в структуре чека.

Но намного больше нужного возможно отыскать в структуре чека. К примеру, если вы понимаете, что ваш клиент всегда покупает молоко, то вы:

а) делает партнерскую программу с производителями молока для продвижения их бренда;

б) имеете возможность выстраивать real time marketing компании.

Возможно ли это уже делать? Возможно. Во-первых, уже имеется компании-агрегаторы, каковые пробуют собирать такую данные, а во-вторых, раз налоговая планирует обязать все магазины передавать ей данные с кассовых аппаратов в реальном времени, то не составит неприятностей договориться с ритейлом напрямую.

Мобильный телефон. Уже давно телефон прочно вошёл в нашу жизнь. Мы с ним поднимаемся, мы с ним ложимся, мы с ним ходим везде, звоним, пользуемся интернетом, пишем SMS, приобретаем SMS. Надеюсь, общеизвестно, что все эти действия не только аккуратно сохраняются, но и шепетильно анализируются операторами. Эти сведенья смогут применять и банки. Так, отечественный банк заключил контракт с «Билайн-бизнес» на получение Big Data оператора связи.

Приобретаемая информация используется для определения кредитоспособности клиента.

Конечно, сырые клиентские эти никто никому не даст, да и для запроса у операторов информации потребуется разрешение клиента, но такая схема может трудиться. векторы и Агрегаты, базирующиеся на геолокации, звонках, тратах, платежах, значительно могут улучшить модели банка. Использовать эти оператора возможно для всех кейсов, про каковые я поведаю в последней части статьи.

ЖКХ. Частота оплаты либо просрочка по коммунальным платежам, суммы квартплаты, детализация по расходам за электричество, воду, ФИО собственников, доли, размер квартиры, в итоге, все это отлично обрабатывать и применять. Тут имеется одна неприятность — hit rate по базе через чур мелок.

Кроме того в случае если сказать про большие муниципальные агрегаторы квитанций, это менее 10% базы большого банка.

Транспортные карты. Они употребляются в городах и также будут стать занимательным источником данных. Особенно если бы на выходе из метро, автобуса либо троллейбуса также нужно было проводить картой, как это реализовано, к примеру, в Вашингтоне.

Принципиально важно знать не только, чего желает клиент, но и где и в то время, когда он этого желает.

BLE, Wi-Fi. Принципиально важно знать не только, чего желает клиент, но и где и в то время, когда он этого желает. Для получения таковой информации возможно применять трекинг на базе Wi-Fi либо iBeacon-ответов.

С учетом того что на данный момент во многих местах имеется бесплатный Wi-Fi, уже на данный момент посредством беспроводных каналов передачи данных возможно мониторить более 20% человекопотока, а с учетом закона об необходимой идентификации еще и рисовать персонифицированную карту передвижений.

Кстати, в случае если у вас имеется задачи по аналитике, каковые вам не с руки делать самостоятельно, то возможно пойти по пути Сберегательного банка, что «Яндексу» 14 млн рублей за работу с их Big Data.

Что возможно взять из онлайна

Интернет — это еще одна действительность, в которой живет уже больше 70% активного населения и оставляет сетевой шлейф, что серьёзен для анализа.

Серфинг. В прошлому году мы проводили пилот на отечественном сайте, для 77% входящих клиентов мы смогли выяснить интерес к продукту, основываясь на истории поисковых запросов и посещении сайтов в сети. Для 71% верно, 10% не предугадали.

А вот для скоринга эти сведенья не подошли. В случае если вам повезло больше, с удовольствием бы обменялись опытом.

Госданные. на данный момент с согласия клиента возможно машинально приобретать онлайн-информацию, к примеру из ПФР. Выглядит это пока не весьма комфортно, но имеется надежда на улучшение.

Помимо этого, через пара лет возможно будет трудиться со всеми данными всех госорганов. И тот, кто первым обучится трудиться с ними,— будет на коне.

В случае если у вас имеется информация о действиях клиента в онлайн, то и коммуницировать вы имеете возможность с ним в настоящем времени.

Data-Driven Marketing. В случае если у вас имеется информация о действиях клиента в онлайн, то и коммуницировать вы имеете возможность с ним в настоящем времени. Клиент будет «горячим» и конверсия в продажи либо каждый итог будет выше.

Умная лидогенерация. Воображаете, если бы лидогенераторы приводили вам лишь тех клиентов, каковые бы брали самые высокомаржинальные продукты либо постоянно возвращали долги. Да, на данный момент вы имеете возможность договориться о том, что оплата проходит лишь за итог, но результат не включает предстоящее поведение клиента. Возможно так сделать?

Само собой разумеется.

Гадании по «В контакте». Соцсети постоянно манили компании, поскольку количество активных учетных записей уже превысило население страны. Реклама рекламой, а вот клиентоориентированные продажи — это отечественная действительность.

Скоринг на соцсетях у нас выстроить не вышло, а вот сбор данных, общение и организовать взыскание весьма кроме того. Более 52% отечественных клиентов мы смогли отыскать в «В контакте», «Моём» мире «и Одноклассниках». Сбор таковой информации о клиенте, как его интересы, активность, семантический анализ текстов его постов также не следует отбрасывать.

Партнеры для работы в соцсетях также на рынке имеется и весьма хорошие.

Ну и, конечно же, как говорит Artem Lesnikov — персонализация в SMM также очень важная вещь. В случае если предложение персонализировано, то вас никто ни при каких обстоятельствах не обзовет спамером и не удалит из френдлиста.

Персонализация в SMM — очень важная вещь.

Как применять собранную информацию

Ну и на закуску мало кейсов, каковые возможно реализовывать либо оптимизировать посредством внешних данных

  • кредитный скоринг;
  • предкредитная проверка;
  • прогнозирование дефолта;
  • антифрофрод и автоматизация СБ;
  • сегментация клиентов относительно эластичности к ставке кредита / вклада;
  • реакция клиентов на шоковые события;
  • показатели клиентов МСБ и значимые события каковые приводят к закрытию счётов и оттоку остатков (включая эластичность к процентной ставке);
  • условия и мероприятия (кроме эластичности к процентной ставке) каковые стимулируют остатки по вкладам;
  • сегментация вкладчиков и ЗП-клиентов по возможности кросс-продажи комиссионных продуктов.

Кстати, если вы дочитали до конца, то вы громадный молодец и у вас все окажется.

С удовольствием отвечу на все вопросы.

 

Как заработать на партнёрских программах | Интервью про заработок на партнёрках с Игорем Крестининым

Интересные записи

Похожие статьи, которые вам, наверника будут интересны: