Как банки могут увеличить прибыль от клиентской базы с помощью обработки данных в реальном времени

Еще пять лет назад технологическое развитие не позволяло говорить о реализации real-time-моделей. Однако сегодня, как утверждает директор по развитию бизнеса «Oracle СНГ» Дмитрий Юдин, технологии развились настолько, что бизнес уже может обрабатывать свои данные в рамках таких моделей и увеличивать прибыль от своей клиентской базы.

Одна из компаний, уже сегодня строящих новую бизнес-модель real-time на основе данных из уникальных клиентских записей, — ОТП Банк, российское подразделение международной группы ОТП (OTP Group). В банке видят возможность получить дополнительную прибыль, анализируя собственные данные и обогащая их данными из других источников.

Сегодня банк еще опирается на пакетную обработку для формирования предложений и выстраивания коммуникации с клиентами. В ближайшем будущем, уверен Сергей Матвеев, лидер подразделения банка, исследующего возможности получения дополнительной прибыли от клиентской базы, банк будет делать то же самое и больше, опираясь на real-time-решения. Это позволит предлагать более персонифицированные продукты не тогда, когда банк может это сделать в рамках пакетной модели, а когда они действительно нужны и полезны клиентам.

Сценариев использования клиентских данных несколько. Так, аналитические инструменты реального времени позволяют одномоментно узнать причину обращения, проанализировать ее и предложить продукт, наиболее точно соответствующий текущим нуждам клиента. Еще одно направление — приоритизация клиентов в момент телефонного обращения в банк. В будущем благодаря специальным инструментам банк сможет анализировать запросы клиентов на крупнейших сервисах и предлагать им банковские продукты, соответствующие этим запросам.

Как с помощью real-time повышать качество предложения для клиентов

Аналитика дает возможность финансовым организациям скорректировать решения, принятые в рамках модели пакетной обработки, добавить к ним предложение, сформированное на основе использования real-time-модели, или полностью заменить одно другим.

Фактически этот процесс уже начался с ускорением пакетной обработки за счет применения современных средств аналитики. Окончательный переход к real-time-модели даст возможность улучшить результаты стратегий, которыми ОТП Банк пользуется уже сегодня. «Пока мы обрабатываем клиентские данные с интервалом, анализируя поведение и вырабатывая рекомендации через заданные промежутки времени, однако эти интервалы уже сократились, — комментирует Сергей Матвеев, — Это позволяет уже сейчас заложить в систему несколько тысяч стратегий и отбирать клиентов в соответствии с многошаговой логикой. Опираясь на действия клиента, мы информируем его, что еще он может сделать, чтобы получить более выгодное предложение от банка».

С переходом к real-time выработку предложений можно сделать на несколько порядков лучше. Для этого команда Матвеева планирует обогащать сгенерированные банком данные, такие как информация по трансакциям, другими данными, например информацией о текущем местонахождении клиентов, данными о собственности, информацией о френд-ленте в соцсетях. Обогащение банковских данных в режиме real-time позволит вырабатывать более точные рекомендации. Например, клиенту можно предлагать сервисы в зависимости от того, где он в данный момент находится, или в зависимости от проведенных операций с недвижимостью и т. п.

Проанализировав внутренние данные, можно, например, узнать, что клиент пользуется наличными и в последний раз снимал деньги достаточно давно. Обогатив эти данные данными о местоположении клиента, ему можно порекомендовать воспользоваться услугами отделения банка рядом с ним. И это только один из возможных кейсов.

Переход к real-time-решениям на примере ОТП Банка

На одной из таких стратегий команда Матвеева уже сегодня строит новую бизнес-модель. Базой для нее являются клиенты, посещающие отделения ОТП Банка. Одним из примеров, позволяющих разобраться в деталях стратегии, служит портфель клиентов, досрочно погашающих задолженности. Команда Матвеева создает для таких клиентов релевантные продукты, чтобы компенсировать потери от досрочного погашения.

Однако достичь успеха с этой стратегией невозможно, не обладая инструментами и экспертизой для работы с real-time. С учетом обширного портфеля продуктов требуется значительный объем математических вычислений и аналитики, а также бизнес-экспертизы, знание своих продуктов. Такая команда у ОТП Банка уже есть.

«В команду входят разработчики, аналитики, математики, специализирующиеся на машинном обучении, бизнес-эксперты, портфельные менеджеры, — рассказывает Сергей Матвеев. — Каждый из них привносит свою экспертизу в реализацию кейсов».

Помимо экспертизы, переход к онлайну требует набора инструментов и платформ и создания на их основе архитектуры. В ОТП Банке выстроена трехступенчатая архитектура.

Для управления событиями используется очередь Kafka. События обогащаются внутрибанковскими данными и фильтруются в Oracle Stream Analytics.

На начальном этапе на вход Oracle Stream Analytics подается поток событий. Это действия клиента: снятие и внесение наличных, появление в определенной геолокационной зоне, оплата картой за границей и множество других вариантов. События не обязательно должны быть изначально потоковой природы. Есть специальные инструменты, такие как Oracle Golden Gate, с помощью которых можно представить изменения в реляционной базе данных в виде потока.

Oracle Stream Analytics анализирует данные в режиме real-time. К потоку данных могут быть применены различные алгоритмы

Принимает решение о формировании предложения для клиента система Unica Campaign с модулем Interact, позволяющим работать с бизнес-стратегией как с сервисом. Система принимает решение о предложении нового продукта или изменении условий для клиента в соответствии с разными механиками. Одной из таких механик, по замыслам команды Матвеева, будет работа с программой лояльности. В завершение процесса обработки система посылает сигнал в коммуникационный или технический канал.

Об оперативности работы архитектуры можно судить по тому, что от идентификации клиента до выдачи готового предложения проходит меньше секунды. Такая оперативность достигается благодаря использованию георазнесенного кластера с высокой доступностью, работающего в режиме онлайн и изначально рассчитанного на пиковые нагрузки. Отдельные сервисы решают минимальную задачу, необходимую для следующего шага процесса. Благодаря такой структуре скорости обработки операционист приветствует клиента и начинает вбивать данные для идентификации, и в этот момент персональное пакетное предложение для этого клиента уже находится в системе CRM.

Один из ключевых сценариев работы команды ОТП Банка с данными — поиск аномалий, всплесков и провалов в сравнении со средними прогнозируемыми значениями. Еще один сценарий — корреляция событий, например определение порядка следования. Это позволяет выстраивать более сложные события из нескольких последовательных действий клиента. Два триггера объединяются в единое событие — например, появление в офисе для обслуживания и снятие наличных. Формируя комплексное событие, можно повышать релевантность предложения, которое будет сформировано для клиента в результате анализа его действий.

В дальнейшем команда Матвеева планирует использовать real-time-аналитику комплексных событий для развития партнерских программ. Например, одним из триггеров в сложном событии может быть появление клиента в зоне геолокации, в которой находится партнерский магазин. Анализ этого комплексного события ведет к выводу о выполнении условий совместной акции банка и ретейлера.

Мнение автора может не совпадать с мнением редакции