Банки и большие данные – знать о клиенте больше, чем он знает о себе сам

Банки уже достаточно давно консолидируют большие массивы данных о клиенте, а современные технологии позволяют гибко работать с ними – возникает потенциал для оптимизации и дополнительной монетизации. Область применения подобных разработок при этом самая широкая: от маркетинга до безопасности. В этой статье я подробно рассмотрю один из самых простых и действенных вариантов применения Big Data – продажу клиентам дополнительных услуг.

Последние годы банки в России конкурируют в первую очередь умением привлекать клиентов. Теперь, когда уровень проникновения финансовых услуг высок и новых клиентов найти всё трудней, на первый план начинает выходить умение банка работать с уже существующей клиентской базой. Для этого нужно хорошо знать финансовый аспект жизни своего потребителя – желательно лучше, чем он сам. Банки же сейчас находятся в несколько парадоксальном положении: обладая всей нужной информацией, не обладают искомым знанием. Например, мой расчётный банк (один из топовых) регулярно шлёт предложения кредитов, которые мне, во-первых, не нужны, во-вторых, выплаты по которым для меня невозможны. При этом если первый фактор требует относительно нетривиальной работы с данными, то второй напрямую следует из моих транзакций по картам. И мой случай, к сожалению, далеко не редкость.

Современные методы работы с данными позволяют банкам избегать таких ошибок. Более того, знание истории трат клиентов позволяет предсказывать, на что они потратят деньги в будущем. Обладая таким прогнозом, можно предлагать каждому клиенту нужный именно ему продукт в нужный момент – как свой банковский, так и предложение от партнёров. Это очевидным образом увеличивает кросс-продажи и некомиссионные доходы банка, а также повышает лояльность клиента – банк из обезличенного инструмента превращается в персонального финансового помощника. Сменить такого помощника на конкурента значительно сложнее, чем сейчас, когда банк превратился по сути в commodity.

В качестве примера хочется привести кейс ритейл-сети Target, который, хоть и не является банковским, но очень хорошо иллюстрирует преимущества подхода и уже стал каноничным. Target несколько лет назад прислала одной своей юной клиентке каталог с товарами для беременных, потому что алгоритм, анализирующий покупки клиентов, отнёс данную клиентку к соответствующей категории. Каталог получил отец девочки и пришёл в ярость – девочка была несовершеннолетней, ни о какой беременности речи не шло. Официальные лица Target принесли извинения, сославшись на ошибку в алгоритме. Однако, через некоторое время извиняться уже пришлось отцу девушки – она действительно оказалась беременной, о чём сама узнала позже, чем Target. В данном случае работа с данными помогла магазину узнать своего клиента в прямом смысле лучше, чем он сам.

В банковском секторе такой подход тоже уже используется на западе. Банк Wells Fargo ввёл подобную технологию ещё в 2004 году – объединяя информацию о транзакциях с личной информацией, поступающей от клиента, он стал оперативно обращаться к потребителям с нацеленными предложениями. Это позволило Wells Fargo начать продавать 4 различных продукта каждому клиенту, при среднем показателе по отрасли в то время в 2,2 продукта. В качестве другого примера можно привести испанский банк Santander: каждую неделю он рассылает по своим подразделениям список клиентов, заинтересованных в определенном банковском продукте. Например, для определения клиентов, которым в данный момент актуальна услуга страхования недвижимости, берутся те клиенты, которые совершили транзакцию на довольно большую сумму денег в последнем периоде. Подобные гипотезы, вообще говоря, не требуют построения сложных алгоритмов, при этом весьма эффективны. Сингапурское подразделение Citigroup пошло дальше: по данным о транзакциях, их локации и времени суток, в которое они были проведены, банк делает выводы о вкусах клиента и направляет ему индивидуальное предложение. Работать оно может следующим образом: если вы любите итальянскую кухню, и в обеденное время расплатились в такси карточкой рядом с улицей, где есть итальянский ресторан, с которым у банка заключено партнёрское соглашение, вы получите смс или пуш-уведомление от мобильного клиента банка со специальным предложением в этом заведении. Похоже на «Тинькофф Таргет», но с более точечным попаданием.

И таких примеров можно привести множество. В России для многих других отраслей, схожих по бизнес-модели с розничным банкингом (в первую очередь, для ритейла и e-commerce), работа с данными для формирования персонализированных предложений клиентам уже стала стандартом отрасли. А отечественных банков, серьёзно занявшихся направлением больших данных, пока немного. Это связано с дороговизной технологий и отсутствием нужных компетенций – в первую очередь, математических. Мы в Rubbles помогаем банкам избежать длинного пути по выбору, внедрению и обучению сотрудников необходимым технологиям, мы разрабатываем конечные продукты, основанные на алгоритмах работы с большими данными, забирая всю технологическую часть на свою сторону. Таким образом, банк в ответ на обезличенную выгрузку данных получает готовый продукт. В следующий раз я подробнее расскажу о том, какие есть альтернативы для банка, решившего работать с большими данными, и почему эту работу лучше аутсорсить.

Эта статья была разослана 891 человеку, которые подписались на тему «Стратегии»

Чтобы подписаться на «Стратегии», просто введите Ваш электронный адрес.