Какая вообще разница,  что снится клиентам?

 

Тема эмоций и клиентского опыта уже достаточно давно волнует банкиров. Кризис 2008–2009 годов, устойчивый рост операционных издержек (1), ужесточение регуляторных норм и требований побудили банки искать новые источники конкурентного преимущества. Банки испытывают давление со стороны новых типов конкурентов: к 2020 году ожидается, что объем глобальных инвестиций в финтех-компании будет расти в среднем почти на 55% в год (2). Клиенты тоже «не сахар»: в США 92% миллениалов утверждают, что испытывают недоверие к традиционной банковской системе и все чаще используют новые финтех-сервисы (3). 

 

Клиентский опыт – косвенная характеристика, которая транслируется в финансовые результаты банка через клиентскую лояльность, желание даже в условиях высокой информированности потребителей и низких издержек переключения на другие финансовые компании продолжать обслуживаться все в том же банке, приобретать у него дополнительные услуги. 78% руководителей банков по всему миру, опрошенных IBM Institute for Business Value, утверждают, что вовлечение клиентов и понимание клиентских потребностей – ключевые условия наилучшего потребительского опыта и успешного создания новых продуктов и услуг (4). Со стремлением предлагать клиентам действительно востребованные продукты и яркий, запоминающийся опыт связана популярность в крупных организациях методологии дизайн-мышления. Чтобы избежать низкого эффекта от инвестиций, множество банков в мире и в России стали использовать в работе принципы Agile, формируя небольшие автономные мультидисциплинарные команды для работы над продуктами, тестируя новые сервисы на целевой аудитории на ранних стадиях и сокращая циклы разработки ключевых продуктовых особенностей до недельных и двухнедельных спринтов. 

 

 

Сейчас наблюдается повышенный интерес банков к одному из важнейших условий предоставления качественного клиентского опыта: к продвинутой аналитике клиентского поведения. Ведь создать и предложить клиенту продукт, действительно соответствующий его потребностям, можно, только если досконально понимать эти потребности. 46% опрошенных руководителей банков полагают, что аналитика поможет повысить лояльность клиентов и качество сервиса; 39% ожидают роста выручки благодаря использованию аналитики (5).

 

Крайне важный аспект обеспечения клиентской лояльности – персонализация. Мало кто хочет быть абстрактным представителем сегмента «работающих взрослых 25–35 лет, недавно создавших семью», которым раз в месяц стабильно будет предлагаться ипотека и автокредит. Клиенту намного больше греет душу быть в глазах банка вполне конкретным менеджером проектов, который хорошо зарабатывает, но пока что помогает родителям выплачивать ипотеку; интересуется торговлей на фондовых рынках и готов пробовать новые инвестиционные платформы; с удовольствуем планирует и откладывает деньги на путешествия, но не интересуется покупкой машины, потому что является убежденным пользователем Uber и московских сервисов каршеринга. 

 

IBM помогает заказчикам решать задачу понимания потребностей каждого индивидуального клиента и выстраивания долгосрочных взаимоотношений с помощью парадигмы Customer Lifetime Value (CLV) – долгосрочной ценности клиента. Идея в том, что с самого начала предполагается продолжительное взаимодействие с каждым клиентом, в процессе которого клиент меняется: сегодня он учится в университете, в ближайшем будущем найдет свою первую работу, потом вырастет в должности и начнет получать стабильную зарплату, далее – возможно, обретет уверенность для создания собственного дела и станет индивидуальным предпринимателем, а потом – зарегистрирует юридическое лицо и начнет нанимать сотрудников для своего растущего бизнеса. Причем такой цикл продолжительного взаимодействия с клиентом может измеряться не годами, а месяцами или неделями: например, в рамках месяца от получения зарплаты до ожидания следующей отношение работающего человека к тратам и накоплениям может меняться, а соответственно – и его реакция на предложения и коммуникации от банка.

 

Математически эти изменения можно представить как цепочку состояний, между которыми переходит каждый клиент со временем. Каждое состояние – это комбинация значений множества переменных: демографических характеристик, финансовых показателей благосостояния клиента, приобретаемых продуктов и услуг, информации о событиях в жизни нашего клиента и его близких, истории обращений в банк. На практике эти состояния можно описывать на основе множества данных, от состояния счетов и транзакционной информации до проявления жизненных событий и интересов клиента в социальных сетях. 

 

 

Задача рационального банка – максимизировать свою долгосрочную прибыль от взаимодействия с клиентом в условиях этой цепочки состояний. Решением данной задачи будут не просто продукты и услуги, которые оптимально предлагать каждому клиенту, а наилучшие действия банка в отношении клиента в каждый момент времени (Next Best Action; NBA). Среди выданных моделью рекомендаций могут оказаться определенные «сервисные действия»: к примеру, месяц бесплатного банковского обслуживания для подавших обоснованную жалобу клиентов или повышенное внимание и персональные переговоры с целью выведения клиента из оттока. Может получиться так, что в определенный момент наилучшим действием окажется «не предлагать ничего» – например, для клиентов со стабильной финансовой ситуацией, у которых есть негативный опыт участия в прежней менее продуманной маркетинговой кампании банка.

 

Подход NBA, практикуемый IBM, кардинально отличается от построения традиционных маркетинговых кампаний или прогнозирования склонности клиента к приобретению того или иного продукта. В случае «классического» маркетинга организация отталкивается от своей существующей продуктовой линейки и ее параметров – в таком случае результатом анализа станет, к примеру, группа клиентов, наиболее склонных к отклику на предложение потребительского кредита. При этом может не решаться задача понимания глубинных причин потребности клиента в дополнительных средствах. Подход NBA может идентифицировать среди этой группы клиентов множество микросегментов, потребности части из которых могут решаться вовсе не кредитом – а, например, функциональностью мобильного приложения Personal Finance Management (PFM), которое поможет лучше распределять свои расходы на месяц. 

 

При построении NBA модель обучается и позволяет увеличивать CLV с ростом количества итераций, выявляя в итоге оптимальную стратегию максимизации долгосрочного дисконтированного дохода от клиента. Но сначала, чтобы решить задачу оптимизации CLV, нужно построить вероятностные модели перехода клиентов между состояниями во времени, учитывая, что банк своими действиями и предложениями также влияет на эти переходы. Интересно для этого использовать модели Lifetime Event Prediction (LEP) – предсказание будущих событий в жизни человека. Подобные алгоритмы помогают банкам не только делать клиентам более подходящие предложения, но и качественнее управлять своими рисками. К примеру, американские банки могут всерьез задуматься о том, что отдельно взятый заядлый игрок в казино в Лас-Вегасе заслуживает более сдержанного кредитного рейтинга. Многие также слышали и активно обсуждали поведенческую аналитику, которая применяется в сервисах кредитования Tencent Credit и Sesame Credit в Китае, а также – достижения российских мобильных операторов в анализе поведения своих абонентов и ценность этой аналитики для банковского скоринга (6).

 

Заказчики IBM, применяющие подходы NBA и LEP, достигают выдающихся результатов: увеличения кросс-продаж, транзакционной активности клиентов, устойчивого роста клиентской базы и снижения оттока клиентов. К примеру, бразильский банк Banorte добился 40%-го увеличения дохода в первые два года (7) после того, как научился предсказывать изменяющееся поведение клиента для реализации кросс-продаж под жизненные события, такие как оплата обучения, покупка автомобиля и др. Австралийский филиал ING Direct уверенно движется к выполнению амбициозной стратегической цели удвоения клиентской базы к 2020 году благодаря выстроенному маркетинговому процессу на базе продвинутой аналитики (8), который позволяет банку формировать персонализированные предложения в наиболее востребованном клиентом канале. В России мы, в частности, работаем над реализацией модели NBA с крупным российским банком в сегменте малого и среднего бизнеса.

 

 

Развитие клиентской аналитики – это далеко не всегда простая задача, которая решается желанием внедрить новый подход к маркетингу и дополнительной экспертизой в анализе данных. Дело в том, что многие организации страдают «болезнями роста», связанными с недостаточно качественной организацией управления постоянно растущим объемом разнообразных типов данных. Мы говорим о проблеме data swamp («информационного болота»), когда у компании нет уверенности в происхождении и чистоте (качестве) всех данных. Тогда возникают затруднения при поиске требуемой информации, так как нет ответа на вопрос, какие данные есть во внутренних системах и применены ли к ним адекватные меры защиты информации. В таком случае допускается реализация пилотных аналитических проектов, но крайне затруднителен запуск масштабных аналитических решений в промышленную эксплуатацию. Часто встречаются несоответствия в отчетности, увеличивающие операционные затраты на взаимодействие подразделений организации и затрудняющие оценку эффекта от внедрения аналитики.

 

Мы рекомендуем начать с построения единого источника высококачественных данных в виде так называемого озера данных. Благодаря таким решениям компании обретают доверие как к источнику, так и к потребителям данных, могут четко оценить качество, проверить происхождение и владельцев данных, классифицировать данные с точки зрения защищенности. За счет быстрого доступа к любым необходимым данным обеспечивается реализация программ в масштабах всей организации, появляется уверенность в корректной оценке качества разработанных предиктивных моделей.

Для помощи в построении корпоративного озера данных компания IBM разработала референтную архитектуру, не зависимую от технологий (то есть не ограничивающую клиентов в выборе инфраструктуры и аналитического ПО). Референтная архитектура включает в себя модели данных, а также описание процессов управления данными. 

 

Для иллюстрации преимуществ реализации озера данных можно привести пример внедрения такого решения в крупном международном банке ING (9). Банки такого уровня владеют огромным количеством данных о своих клиентах, в том числе информацией об их доходах, месте жительства, маршрутах путешествий, предпочтениях в еде и напитках. Многие из нас делятся такого рода данными в социальных сетях – но при этом мы отдаем себе отчет в том, что данные становятся публичными. От банка же мы ожидаем, что он будет относиться к этой информации бережно, с должным уровнем конфиденциальности. Аналогично и с данными о наших тратах – не всегда приятно осознавать, что множество людей в банке могут получить доступ к информации о наших покупках, но при этом мы воспринимаем как должное анализ транзакций для предотвращения мошенничества. 

 

Для ING краеугольным камнем реализации озера данных стало повсеместное внедрение стандартов управления данными и информационной безопасности. Никакие данные не могут поступать в хранилище без предварительного описания в каталоге озера данных. Владелец данных классифицирует свои источники информации, которые будут поступать в озеро данных, чтобы определить, как правильно организовать контроль доступа, контроль качества, маскирование конфиденциальных данных и время хранения данных. Например, крайне чувствительные персональные данные будут в обязательном порядке маскироваться перед попаданием в озеро данных. Персональные данные, обладающие меньшим уровнем конфиденциальности, могут храниться в защищенных репозиториях в озере данных для применения в аналитических моделях «в бою». Однако при копировании в среду для тестирования новых моделей данные будут обезличены.

 

Банк также уделил огромное внимание возможностям для обработки данных в реальном времени – как для целей выявления случаев фрода, так и для мгновенного кредитного скоринга и постоянного поддержания актуальности аналитики платежей клиентов. Необходимые для этого данные должны постоянно консолидироваться и вычищаться для обработки в режиме реального времени – при этом более традиционные процессы, такие как подготовка финансовой отчетности, могут предусматривать актуализацию данных только к нужному моменту времени (раз в день, неделю, месяц, квартал). Архитектура построенного банком озера данных поддерживает комбинацию работы с данными в режиме реального времени и пакетной обработки в зависимости от целей и задач анализа.

 

 

Продвинутая аналитика истинных предпочтений клиента – это еще и мостик к новым рынкам и бизнес-моделям для банков. Ведь использование аналитики потребностей клиента для выстраивания с ним долгосрочных отношений с применением прогнозирования жизненных событий – необходимое условие построения действительно конкурентоспособной экосистемы сервисов, закрывающих как можно более полный набор клиентских задач. Формирование экосистемы – это тот следующий шаг, к которому сейчас движутся как мировые банки (Barclays, Royal Bank of Scotland, Standard Chartered (10)), так и лидеры российского рынка (Сбербанк, ВТБ, Альфа-Банк (11)). 

 

Традиционная аналитика склонности клиентов к потреблению банковских продуктов не поможет узнать, что клиенту нужен дополнительный нефинансовый сервис, который может быть предложен через экосистему. Потому что клиенты, как правило, не мечтают о самих кредитах – им снятся новые впечатления от езды на мощном автомобиле, семейного ужина в новой отремонтированной квартире, путешествия в неизведанную страну… или что-то совсем другое, что нам еще предстоит научиться анализировать. 

 

_______________________

 

1 IBM Institute for Business Value analysis based on S&P Capital IQ, McGraw Hill Financial data of top 500 global banks ranked by total assets, 2006–2014

2 "Global FinTech Investment Market 2016–2020", Research and Markets
3 “Millennials + money: The unfiltered journey», Facebook IQ, 2016
4 Опрос C-Level руководителей банков, проведенный IBM Institute for Business Value в 2015 году
5 2016 IBM IBV Cognitive Banking survey

6 «Мобильные операторы научились оценивать банковских клиентов», Futurebanking, 17.08.2017; “Tencent credit check takes mobile payments battle to Alibaba”, Financial Times
7 «Grupo Financiero Banorte: A foundation of analytics and personalized engagement build a customer-centric business model», IBM Case Study
8 «ING DIRECT Australia: Doubling customer acquisition rates year-on-year with personalised communications», IBM Case Study

9 «Governing and Managing Big Data for Analytics and Decision Makers», IBM Redbooks

10 «Remaking the bank for an ecosystem world», McKinsey; «Why Royal Bank of Scotland may hold key to open banking», RFi Group; «Open API: Exploring the views of consumers and small businesses», Barclays / Ipsos Mori
11 Информационное агентство ТАСС, май 2017 «Сбербанк осенью 2017 г. представит прототип платформы электронной торговли»