Маркетинг, основанный на анализе и использовании Big Data, стал неотъемлемой частью стратегии банков. Несколько лет назад, когда маркетинг основывался на профессиональных суждениях, экспертизах и опыте, вести дискуссию и убеждать было достаточно просто. Сейчас ситуация кардинально изменилась, авторитет Big Data значительно вырос. Подразделения, управляющие портфельными компаниями, построенных на «больших данных», играют лидирующую роль в формировании долгосрочных взаимоотношений с клиентом, продажах, удержании и предотвращении оттока клиентов, особенно в условиях нарастающей конкурентной среды. 

 

В рамках данной статьи мне бы хотелось рассказать об особенностях применения данного подхода для целей транзакционного бизнеса в Банке «Санкт-Петербург» в работе над качеством карточного портфеля.

 

 

Мы постепенно отходим от понятия «сегмент» в его классическом понимании, который обычно присваивался клиенту в зависимости от канала привлечения или продукта. Все, что действительно имеет значение, – модель потребления клиента, паттерны, которые кратковременно объединяют группы клиентов. За год клиент может поменять до трех различных групп. Сейчас мы выделяем до 50 клиентских групп, и их численность обновляется ежедневно. Большинство наших клиентов придерживаются мнения «Для всех – значит, не для меня». «Большие данные» помогают нам лучше понять клиента, предложить лучший продукт или услугу. 

 

 

За два года мы создали Offer Hub, который на сегодняшний день насчитывает более 200 механик кампаний, направленных на решение 13 ключевых бизнес-задач для транзакционного бизнеса, таких как активация, вовлечение, рост транзакционной активности и безналичного оборота, утилизация кредитного лимита, cross-sell, up-sell и т.д. В создании этой библиотеки задействовано порядка 10 специалистов банка из маркетинга, информационных технологий, диджитал-департамента, аналитиков и продуктологов. Команда, опираясь на анализ транзакционных профилей, состоящих их порядка 1500 различных атрибутов, непрерывно создает новые идеи воздействия на платежный опыт. По лучшим идеям и гипотезам рассчитывается бизнес-кейс 

и в статусе экспериментальной кампании запускается на небольших группах клиентов. В течение всего периода проведения кампании менеджеры осуществляют мониторинг эффективности и при необходимости корректируют ее параметры. Кампании с подтвержденным экономическим эффектом пополняют Offer Hub и запускаются на постоянной основе «вручную» менеджером или на триггерной основе.

 

Такой подход к организации «Фабрики кампаний» позволил нам перевыполнить план по комиссионным доходам на 17% в 2017 году, эмиссии личных карт и ряду других показателей. В целом результаты Банка «Санкт-Петербург» по доле POS-оборота значительно превышают натуральную динамику и по ряду показателей крупнейших федеральных банков. 

 

Существует и обратная сторона – избыток предложений на одного клиента. Эта проблема решается предиктивными моделями NBO (Next Best Offer), позволяющими выбрать лучшие следующие предложения и транслировать только те из них, отклик на которые будет наилучшим. Также предиктивные модели позволяют выбрать лучший основной канал коммуникации. 

 

Бывает, лучшее предложение – это его отсутствие. Например, мы не взаимодействуем с клиентом после 20:00, если знаем о наличии у него ребенка. Также одним из ярких примеров является полный запрет на коммуникации с продажей продукта или сервиса клиенту, который в течение трех месяцев обращался в Банк с претензией, вместо этого мы предлагаем получить повышенный cash back или бонусы, тем самым сохраняя клиента в Банке, таких примеров достаточно много, и все они работают на выстраивание долгосрочных взаимоотношений вместо решения тактических задач маркетинга. 

 

 

Существует множество методик расчета эффективности целевых кампаний. Наиболее объективной оценкой, на мой взгляд, является расчет up-lift в комиссионном доходе по целевой группе относительно контрольной и вычет расходов на коммуникации и бонусирование, также в эффект от реализации кампании может быть засчитано приобретение дополнительных сервисов 

и услуг. 

 

В наших расчетах мы также замеряем эффективность каждого задействованного канала для оптимизации Channel Mix. По нашим наблюдениям, эффективность кампании возрастает на 2–3% за счет регулярных ремайндеров – напоминаний клиенту о количестве оставшихся транзакций или другого целевого действия до получения вознаграждения. 

 

Сегодня технологии бизнес-аналитики развиваются в основном за счет инвестиций маркетинга, и битву за клиента выигрывают наиболее технологичные банки, создающие уникальный клиентский опыт. 

 

 

Данные, которые имеет Банк на текущий момент, очень востребованы бизнесом, сегодня почти не осталось объемов данных, которые не используются для построения моделей, кампаний или отчетов. Более того, их становится недостаточно. 

 

В 2017 году мы запустили проект «Интеллектуальные технологии "больших данных" для поддержки принятия решений в финансовой сфере на основе предсказательного моделирования» с Университетом ИТМО – ведущим вузом России в области информационных и фотонных технологий. По итогам первого этапа проекта Банк «Санкт-Петербург» получил инновационную модель для оценки кредитных рисков, построенную на данных о транзакциях клиентов. Модель позволила повысить качество принятия решений о выдаче кредитов. Для клиента это означает как улучшение условий по кредитам – более низкая ставка, индивидуальные предложения, – так и сокращение объема документов и срока оформления кредита. 

 

В рамках второго этапа мы работаем над поведенческими моделями, основанными на внешних данных – данных из социальных сетей. Мы определили пять приоритетных задач, которые позволят нам фиксировать фактическое местонахождение клиента, маршруты передвижения и его предпочтения, что позволит нам максимально эффективно предлагать услуги партнеров бонусной программы «ЯРКО» и развивать партнерскую часть исходя из потребностей клиента. Также внешние данные позволят нам формировать специфичные кластеры, такие как travel, ведь только транзакционные данные не всегда указывают о планирующихся и состоявшихся путешествиях клиента. 

 

Безусловно, без автоматизации campaign management достичь лучших результатов в выстраивании долгосрочных взаимоотношений с клиентом невозможно. Я вижу три этапа эволюционного развития CM:

• автоматизации исходящих маркетинговых кампаний

• построение предиктивных моделей

• real-time-коммуникации и адаптивный контент

 

В планах Банка к концу 2018 года иметь не менее 100 активных, т.е. запущенных, кампаний в день практически по всему Customer Journey.