Data Science в банке: результаты пилотов и конкретные примеры

КАК ИСПОЛЬЗУЮТ DATA SCIENCE ДЛЯ РЕШЕНИЯ БАНКОВСКИХ КЕЙСОВ

Ежедневно в банке совершаются миллионы операций ― оформление кредитов и открытие вкладов, транзакции по банковским картам, покупки через сайт банка. Из этой информации можно извлечь массу полезного: банки используют данные о финансовом поведении клиентов, чтобы улучшить свой сервис и повысить лояльность клиентов

КАК ИСПОЛЬЗУЮТ DATA SCIENCE ДЛЯ РЕШЕНИЯ БАНКОВСКИХ КЕЙСОВ

Многие банковские кейсы в машинном обучении сводятся к задаче классификации, что означает необходимость классифицировать сущность как 0 или 1. Например, при борьбе с мошенничеством мы должны отделить незаконные операции (1) от правомерных (0). В случае с оттоком мы выделяем организации, у которых риск оттока наивысший (приближается к 1) по сравнению с теми, у которых риск оттока минимальный (стремится к 0).

Построение предиктивных моделей ― самый интересный этап в работе с большими данными. До этого предпринимаются большие усилия по сбору, обработке и хранению данных, а также развертыванию инфраструктуры. Кроме достаточной вычислительной мощности банки должны обладать значительным штатом сотрудников, которые займутся очисткой и обработкой информации. С этим — проблема: зачастую данные просто вводятся операторами вручную.

Если на входе в модель подавать «грязные» данные, то толку не будет. Бывают случаи, когда показатели модели высоки, но интуитивно понимаешь, что при подготовке данных были допущены ошибки, хоть их нелегко заметить. На профессиональном сленге говорят garbage in и garbage out. Специалисты в области Data Science вынуждены большую часть своего времени уделять именно очистке данных перед анализом.

После построения модели всегда важно протестировать ее на новых данных. Если измерять показатели модели на тех данных, которые использовались при ее построении, то она получится предвзятой. Она может просто запомнить исходные данные и выдавать их в качестве результата. Чтобы предотвратить это, данные заведомо разделяют на обучающую и тестовую выборки. Модель строят на обучающей выборке, а потом проверяют ее на тестовой. Так достигается независимость оценки за счет использования совершенно другой информации.

МАШИННОЕ ОБУЧЕНИЕ ДЛЯ ПРОДВИЖЕНИЯ БАНКОВСКИХ ПРОДУКТОВ

Основная продуктовая линейка крупного банка ― кредиты и депозиты, а все остальное ― сопутствующие услуги. Важным направлением также стало обслуживание банковских карт. Перед банком всегда стоит задача увеличить доходы от базовых продуктов. До применения Big Data в банках господствовали агрессивные push-методы продаж (от англ. push ― «толкать»). Было неважно, нужен клиенту продукт или нет: банки пытались продать его ― мол, купи, а дальше разберешься.

В банке «АК БАРС» мы переходим к другому методу ― pull (от англ. pull ― тянуть). Это означает изучение потребностей клиентов, их привычек, образа жизни, предпочтений, чтобы предлагать им только необходимое.

На основе динамики расходов мы предсказываем потребности клиентов в других банковских продуктах и склонность к открытию новых вкладов. Наша цель ― увеличить конверсию по предложениям и снизить CPA («цену за действие»).

В 2017 году Банк запустил карточный продукт с кэшбэком ― «Ак Барс Evolution». С начала запуска мы тестируем его востребованность и систематизируем данные о транзакциях. Рекламная кампания этой карты основана на анализе Big Data, и дальнейший таргетинг продукта в Интернете и социальных сетях направлен на конкретные сегменты клиентов.

Для продвижения карты мы с помощью машинного обучения измеряем интерес к Evolution на основе активности клиентов по предыдущим картам. Затем принимаем решение о продвижении карты по заинтересованным сегментам. Уровень конверсии в целевом сегменте на 5% выше, чем в нецелевом. Карта стала успешным банковским продуктом: на текущий момент выпущено более 100 тыс. карт.

ПРОДВИЖЕНИЕ НЕФИНАНСОВЫХ СЕРВИСОВ И ПРОГРАММ ЛОЯЛЬНОСТИ

В нашем банке созданы нефинансовые сервисы для разных сфер жизни клиентов, например сервисы по получению медицинских консультаций через Интернет, покупке авиабилетов и бронированию туров, по кэшбэкам при покупках в крупных интернет-магазинах. Появление таких услуг является частью стратегии по формированию Банка как экосистемы ― места, где клиент может получить полный комплекс услуг для жизни.

Чтобы предложить клиенту только те услуги, которые ему действительно нужны, и улучшить имеющиеся сервисы, мы применяем Data Science и изучаем поведение пользователей на сайте Банка.

О конкретных результатах говорить пока рано, но уже сейчас мы видим, какие услуги интересуют клиентов и какие покупки они совершают чаще через Интернет.

Кэшбэк-сервис Банка предложил повышенный процент возврата на счет покупателя за покупки в интернет-магазинах. При анализе мы ориентировались на активных покупателей этого маркетплейса среди клиентов, пользующихся дистанционным банковским обслуживанием, а также на клиентов, неактивных по картам Банка. В итоге удалось наладить таргетированные коммуникации и предложить им подключиться к программе лояльности. По предварительным результатам выросли число транзакций и активность по картам.

Мы заметили, что после регистрации в кэшбэк-сервисе транзакционная активность карточных клиентов растет. Уровень снятия наличности снизился на 30%, средний уровень платежей и покупок вырос на 21%, частота транзакций онлайн или через ДБО выросла на 14%.

ПРЕДСКАЗАНИЕ ОТТОКА СРЕДИ КАРТОЧНЫХ КЛИЕНТОВ

Ни одна кредитная организация не желает терять клиентов и делает все возможное, чтобы их сохранить. Это приводит к появлению более быстрого и удобного сервиса, и в итоге банк меняется к лучшему.

На основе динамики транзакций мы начали выявлять клиентов, которые планируют прейти в другой банк, и для этого воспользовались технологией машинного обучения. Клиенты подают сигналы, которые могут говорить о высоком риске оттока. Зачастую эти сигналы комплексные, их нельзя подогнать под простую эвристику. Человеку тяжело такие сигналы распознавать: их слишком много, чтобы просмотреть все вручную. Эта проблема решается с помощью машинного обучения на основе математических алгоритмов.

Мы изучили поведение картодержателей с частыми покупками. На основе динамики транзакций выявили клиентов, которые планируют сменить банк, и предложили им новый карточный продукт. Такой «точечный» подход дал неплохие результаты: удалось снизить отток на 4,6% по сравнению с контрольной группой.

Точность модели была на уровне 75 %. Определяющими факторами были изменение уровня доходов и структуры затрат. Чтобы предсказывать отток, необходимо анализировать транзакции за последние не менее шести месяцев. Колл-центрам целесообразно взаимодействовать с ценными клиентами affluent-сегмента, так как стоимость таргетированного предложения по этому каналу наиболее высокая.

ПРЕДСКАЗАНИЕ ОТТОКА СРЕДИ КЛИЕНТОВ МАЛОГО И МИКРОБИЗНЕСА (ММБ)

Удержать действующего клиента дешевле, чем привлечь нового. Поэтому мы исследуем и причины оттока ММБ из Банка. Мы выяснили, что прекращение деятельности или реорганизация ― самая частая причина закрытия расчетных счетов по юридическим лицам и ИП.

Чтобы выявить риск оттока среди клиентов малого и микробизнеса по РКО, мы также решили использовать машинное обучение. В качестве теста контакт-центр Банка обзвонил компании с высоким риском оттока. Первый тест показал, что есть эффект от удержания клиентов с высоким риском оттока. В тестовой группе уровень оттока был в три раза меньше, чем в контрольной.

***
С помощью Data Science можно менять мир к лучшему. Для банков работа с Big Data ― это возможность улучшить свой сервис и делать клиентам персонализированные предложения — предлагать то, что им действительно нужно. Ничего лишнего, никакой навязчивости. Так мы видим банк будущего.

Источник (орфография сохранена)

Общий рейтинг записи
Оцените запись:
[Всего: 0 Средняя оценка: 0]

Добавить комментарий