На сайті здiйснюються технічні роботи, у зв'язку з чим можливе некоректне відображення статей. Просимо вибачити за тимчасові незручності.

Big Data на службі у банків

У головному офісі стоїть «велика скорингова машина». Вона й приймає рішення щодо того, який кредитний ліміт встановити тому чи іншому клієнту.
Дмитрий Дубилет

Існують кілька традиційних напрямків, в яких банки використовують Big Data.

У першу чергу — це оцінка ризиків.

Десять років тому, коли клієнт звертався до відділення за кредитом, банки майже повністю покладалися на людський фактор. Операціоніст, дивлячись на людину, намагався зрозуміти, якою є ймовірність того, що клієнт не впорається із зобов’язаннями. Виходячи з цього, банк і «ставив» кредитний ліміт.

Минуло кілька років відтоді, як ПриватБанк, як і інші фінустанови, почав централізувати цей процес. Тепер при прийнятті кредитних рішень роль співробітників у відділенні зводиться до того, щоб посміхатися, пояснювати, як правильно користуватися продуктом, допомагати заповнювати анкету. Вся інформація про клієнта збирається та передається у головний офіс, де стоїть «велика скорингова машина». Вона й приймає рішення щодо того, який кредитний ліміт встановити тому чи іншому клієнту. Для цього будується регресійна чи інша математична модель, яка розподіляє клієнтів за рівнем ризику залежно від соціально-демографічних, поведінкових даних, а також безлічі інших дрібниць. Ця модель постійно перевіряється через контрольні групи. Так виглядає кредитний скоринг.

Кілька років тому весь банківський світ зрозумів, що зібрані клієнтські дані і скоринг можна використовувати не лише для оцінки кредитних ризиків. Є, приміром, маркетинговий скоринг. Візьмем для прикладу додаток ПраватБюджет (додаток для управління витратами). Можна влаштувати рекламну кампанію і розповісти про нього кожному українцеві або хоча б кожному клієнту ПриватБанку. Але це дуже дорого. Тому нам необхідно зрозуміти, кому саме слід розповісти про цей додаток, щоб звернення було найбільш доречним. Ось тут ми й звертаємося до маркетингового скорингу, щоб, з одного боку, не витрачати зайві гроші та час на рекламне просування, а з іншого, щоб клієнти, яким це нецікаво, не отримували від нас спам у вигляді нерелевантної пропозиції.

Існують три основні типи даних, які ми аналізуємо:

  • Анкетні дані. Коли клієнт відкриває рахунок, ми зобов’язані попросити заповнити анкету. Регулятор вимагає, щоб банк відсканував паспорт, запитав, де живе клієнт, тощо.
  • Поведінкові дані. Банки мають досить багато даних про клієнтів завдяки послугам, які вони надають.
  • Відкриті дані. Наприклад, якщо наші клієнти «додають» нас у друзі в соцмережах, то теоретично ми можемо ознайомитися з інформацію, якою вони дали згоду ділитися. Поки що ми не надто активно використовуємо такі дані, але надалі плануємо.

За моєю оцінкою, після впровадження скорингових карт близько року тому ефективність адресних комунікацій підвищилася на 40%. Раніше ми також не надсилали рекламу наосліп (пенсіонери, наприклад, не отримували пропозицію скачати ПриватБюджет). Але для цього потрібно було провести велику аналітичну роботу. Збиралися люди з глибоким розумінням продукту і очікувань клієнтів і намагалися вибрати клієнтську групу, якій потрібно адресувати ту чи іншу рекламу. Нині це завдання все частіше виконують не аналітики, а машина.

Можна навести ще десятки прикладів застосування скорингу, серед яких і HR. Коли ми проводимо інтерв’ю з кандидатом на посаду, то розраховуємо, наскільки велика ймовірність того, що він буде посміхатися і якісно обслуговувати клієнта. Тому що на інтерв’ю всі посміхаються і ведуть себе мило, а ми хочемо, щоб наші співробітники посміхалися клієнтам завжди. Тут математика і приходить на допомогу: ми побудували модель, яка дозволяє більш якісно відбирати кандидатів.

20.04.2015
Що нового
Популярне