Главный тренд розничного банкинга в прошедшем 2009 году – борьба за лояльность клиентов и повышение их доходности. В первую очередь это обусловлено тем, что из-за кризиса банки лишились доступа к «длинным» деньгам и вынуждены забыть о прежней экстенсивной стратегии развития. Усугубляет проблему и склонность вкладчиков перемещать свои вклады в госбанки.

 

В этих условиях банки вынуждены кардинально пересмотреть свой подход к работе с клиентом. Уже сейчас заметно, что стратегия работы с клиентами в банках становится все больше похожей на ту, что используется сотовыми операторами. Для этого есть все очевидные предпосылки: большая продуктовая линейка, высокое проникновение услуги, высокая конкуренция за наиболее доходных клиентов. На первое место выходит клиентская аналитика, которая позволяет выбрать оптимальную стратегию взаимодействия с каждым клиентом. Как следствие активные розничные банки начинают перенимать как проблемы, с которыми сотовые операторы сталкивались несколько лет назад, так и методы их решения.

 

Ключевая проблема – отсутствие правильной инфраструктуры, которая позволила бы обеспечить маркетинг актуальными и качественными данными, предоставляющими единый взгляд на каждого клиента со стороны всех операционных систем. Другая проблема – необходимость найма высококвалифицированных специалистов, имеющих компетенции как в области математической статистики и методах data mining, так и в области прикладного маркетинга. Причем работу таких специалистов нужно еще правильно организовать, чтобы быстро проверять гипотезы об эффективности продаж тех или иных продуктов.

 

Для демонстрации важности этих проблем рассмотрим подход, который чаще всего применяется на практике. Представим себе, что необходимо определить, кому из клиентов-зарплатников следует предлагать потребительский кредит. Известно, что в среднем только 1-3% всех клиентов соглашаются на подобное предложение, и если начать предлагать кредит каждому, то вся кампания будет убыточной. Кроме того, при таком подходе банк берет на себя репутационные риски, связанные с уменьшением лояльности тех клиентов, которых этот кредит совершенно не интересовал. Единственный выход из ситуации – воспользоваться средствами предиктивной аналитики для выявления заинтересованных в покупке клиентов. Для этого на основе профилей поведения клиентов в прошлом необходимо построить модель склонности клиентов к приобретению этого кредита. При этом качество построенной модели определяется на основе того, насколько точно она предсказывает купивших и не купивших клиентов на исторических данных.

 

Тут мы сталкиваемся с ключевой проблемой – какие данные нужны для построения таких моделей и где их брать? Ответ на этот вопрос неоднозначен. Теоретически, чем больше данных, тем больше шансов построить качественную модель, но реально на качество модели влияет лишь небольшая группа признаков, описывающих клиента, которая заранее неизвестна и может быть уникальной для каждого банка. Чаще всего в эти признаки входят некоторые анкетные данные, агрегаты транзакций по карточкам и история использования других банковских продуктов. Для получения всех этих данных, состав которых заранее неизвестен, необходимо обращаться в ИТ подразделение банка, причем вероятнее всего сразу в несколько отделов. Это сложный и долгий процесс, обычно затягивающийся на месяцы. Даже после получения данных чаще всего обнаруживается, что предоставленные из различных систем данные неполны и противоречивы и возникает следующая задача по их очистке и подготовке для построения моделей. Эта задача крайне нетривиальна и требует как знания методик очистки данных, так и понимание бизнес процессов банка, описывающих источники этих данных.

 

Для решения этой проблемы обычно создают отдельную витрину данных, содержащую все необходимые очищенные данные для дальнейшего использования для построения и применения в моделях поведения. Построенная витрина должна регулярно обновляться из внешних систем, чтобы обеспечивать возможность применения построенных моделей к актуальным данным. Поскольку витрина не является полноценным хранилищем и объем содержащихся в ней данных сильно ограничен, то ее проектированием обычно занимается та же компания, которая внедряет инструменты клиентской аналитики. Это связано с тем, что только эта компания имеет представление о тех данных, которые окажутся важными для построения моделей. Компания Forecsys имеет существенный опыт построения подобных витрин в различных отраслях с использованием различных СУБД и промышленных средств интеграции. Один из последних реализованных проектов – внедрение BI/CRM систем в сотовом операторе «НСС», где витрина была построена на основе СУБД «Teradata».

 

После подготовки данных можно переходить непосредственно к построению моделей. Нужно сделать выбор из огромного многообразия различных продуктов, основная часть которых работает по принципу: «дай мне в нужном формате данные, введи значения «магических коэффициентов» настройки и я выдам тебе модель-черный ящик, которая работает очень сложным образом». Разобраться в этом может только очень квалифицированный специалист. На бизнес-пользователей такие системы не рассчитаны в принципе, так как вопросы «Каким алгоритмом заполнять пропуски?» или «Что и как лучше применить: нейронную сеть или дерево решений?» явно лежат вне их компетенции. Подход системы Sell4Cast принципиально иной. В основе системы лежат скрытые от пользователя алгоритмы поиска логических закономерностей. Эти алгоритмы позволяют находить логические правила вида «Если доход клиента меньше 40 000 руб. в месяц и средний остаток на зарплатной карте в конце месяца < 2 000 руб., то он согласится на предложение взять кредит с вероятностью 0.65». С помощью системы бизнес пользователь может в несколько кликов построить понятную ему модель поведения клиентов и извлечь из нее необходимые знания, которые можно использовать для организации маркетинговой кампании. Данный подход уже был успешно применен в системе кредитного скоринга Forecsys Scoring Solution, внедренной в КБ «Петрокоммерц», на базе которой была разработана система Sell4Cast.

 

После того как модель с требуемым качеством построена, необходимо обеспечить процесс управления ее жизненным циклом. Прежде всего, модель должна регулярно, по заданному расписанию, применяться к выбранному сегменту клиентов. Ведь если сегодня у клиента нет желания брать кредит, то это не означает, что оно не появится через неделю. Также необходимо уметь оценивать и прогнозировать потенциальный эффект от применения модели и иметь оперативный доступ к динамике этого эффекта. Если качество модели падает, тогда нужно перестроить модель, так как ситуация на рынке изменилась и клиенты стали себя вести по-другому. Основная часть статистических пакетов решает только задачу построения моделей, которые затем можно экспортировать в различные форматы и вручную применять. Тем самым пользователя вновь обрекают на повторение весьма затратного процесса подготовки и очистки данных, причем проделывать это придется каждый раз при попытке применить или обновить модель. В отличие от общепринятого подхода, система Sell4Cast была спроектирована для работы с изменяющимися во времени данными и полностью поддерживает управление жизненным циклом моделей. После однократной настройки витрины для каждого продукта система будет автоматически, по заданному расписанию, применять модель, рассчитывать ее качество и предоставлять возможность ее обновить, тем самым отвечая на вопрос что предлагать, кому предлагать, и в какой момент времени это лучше всего сделать.

 

В данный момент аналитическая поддержка розничного бизнеса является новой задачей для большинства банков. Широко распространена следующая ситуация: у банка есть раздутый штат дорогостоящих аналитиков, сертифицированных для работы с дорогим специализированным ПО, и поставлена задача повысить лояльность и доходность клиентов. Однако отдача от вложенных средств остается низкой. Объяснение этому очень простое. Когда каждый аналитик за собственным рабочим местом пытается реализовать весь описанный выше процесс, даже при наличии витрины данных, то неизбежно возникают ошибки. Кроме того, на выполнение всех операций уходит очень много времени. Контролировать этот процесс становится практически невозможным. Система Sell4Cast была специально создана на основе клиент-серверной архитектуры для организации многопользовательской работы больших аналитических команд. Все модели и данные сохраняются в отдельном репозитории, а сами вычисления и поиск закономерностей выполняются на стороне сервера. Данная архитектура позволяет системе идеально масштабироваться по всем основным измерениям: числу аналитиков, числу клиентов банка, числу продуктов и числу сегментов клиентов.

 

С помощью описанных возможностей масштабирования система Sell4Cast банк может обеспечить одновременную поддержку нескольких десятков cross и up-sell кампаний, а также кампаний по повышению лояльности клиентов.

 

 

 

 

Конечно, остается и другой вариант развития банка – использовать только экспертные знания, предлагая продукты всем клиентам подряд. Однако здесь банк попадает под репутациионные риски: перегруженные предложениями клиенты быстро теряют лояльность. Более того, банк будет впустую тратить огромные средства на взаимодействие с клиентами.

 

Внедрение эффективного клиентоориентированного маркетинга в 2010 году станет вопросом выживания для всех розничных банков.