Customer Intelligence Analytics w banku

Na przestrzeni ostatnich kilku lat rozwiązania klasy Customer Intelligence na dobre zagościły w sektorze bankowym w Polsce. Automatyzacja procesów marketingowych i przekazanie ich w ręce biznesu nie jest obecnie pozycjonowane jako innowacja, ale raczej standardowe podejście, w pewnym sensie wymuszone przez skalę realizowanych działań.

Oparcie aktywności marketingu na procesach manualnych stanowiłoby wąskie gardło, uniemożliwiające rozwój organizacji, poszukiwanie nowych okazji sprzedażowych, testowanie nowych kampanii i komunikacji oraz rozwój analityki klienckiej. Usystematyzowanie i automatyzacja kampanii marketingowych z wykorzystaniem narzędzi klasy Customer Intelligence pozwala organizacjom z jednej strony kontrolować i optymalizować proces, a z drugiej – gromadzić interesujące dane. Tu pojawia się problem, jak te dane wykorzystać, w jaki sposób z ogromnej ilości informacji wyciągnąć wiedzę, która pozwoli prześcignąć konkurencję, zlojalizować klientów, wprowadzić nowy produkt i zrealizować target sprzedażowy. Odpowiedzią na te zagadnienia jest właśnie zaawansowana analityka, przed którą pojawiają się zupełnie nowe zadania, które na użytek artykułu sprowadzono do dwóch najistotniejszych kwestii.

Po pierwsze – drastycznie zwiększa się wolumen pozyskiwanych danych, co pociąga za sobą konieczność ich przetwarzania w środowisku rozproszonym, a przez to potrzebę użycia nowych technik analitycznych, które pozwalają na realizację obliczeń na dużych klastrach obliczeniowych. Jeszcze 7–10 lat temu, rozwijano techniki in-database analytics wierząc, że stanowi to remedium na dynamicznie przyrastające zbiory danych. Brak konieczności ekstrakcji danych z silników relacyjnych wydawał się dobrym pomysłem na optymalizację procesu analitycznego, natomiast przeszkodą okazały się same silniki RDBMS, które po pierwsze nie zapewniały dostępności wydajnych algorytmów analitycznych, a po drugie – dane analityczne ze względu na swoją reprezentację (zdenormalizowane, ogromne tabele predyktorów) były kłopotliwe w przechowywaniu i zarządzaniu w bazach relacyjnych. Ponadto, problematyczne było też to, że modele predykcyjne „zanurzone” w bazach danych mogły być w ograniczonym zakresie wykorzystane poza nimi. W przeciwieństwie do podejścia in-database, analityka in-memory (SAS High Performance Data Mining) skutecznie niweluje takie ograniczenia, pozwalając na dogodną reprezentację danych wejściowych do procesu oraz wydajne przeliczanie modeli, korzystając z pełnej mocy obliczeniowej pamięci klastrów analitycznych przy jednoczesnym umożliwieniu realizacji procesu skoringowego poza bazą danych.

Tutaj dotykamy drugiego zagadnienia, czyli potrzeby wykorzystania analityki bliżej operacyjnego procesu kontaktu z klientem, poza ekosystemem bazodanowym. Przykładem może być tzw. analityka strumieniowa, która realizowana jest na ogromnym zbiorze danych transakcyjnych lub click-stream’owym w celu wykrywania nowych wzorców zachowań klientów i reakcji na wykryte zdarzenia w czasie rzeczywistym. Jednym z takich zdarzeń może być wykrycie działania klienta w celu wyprowadzenia środków z rachunku oszczędnościowego – „obrona depozytu”, która to obrona będzie skuteczna, o ile bank zadziała zanim pieniądze opuszczą rachunek, a zatem zastosowanie modelu analitycznego powinno mieć miejsce blisko systemu transakcyjnego, czy też aplikacji bankowości elektronicznej lub mobilnej. Innym przykładem zdarzenia, które wymaga wykorzystania analityki poza bazą danych, jest wykrycie specyficznego zachowania w profilu transakcyjnym (np. zwiększenie osadu na rachunku) i w profilu click-stream’owym (np. sprawdzanie salda, zainteresowanie konkretnymi ofertami oszczędnościowymi) oraz połączenie tych faktów w jedną sekwencję. Co ciekawe, metody analityczne pozwalają na wykrycie sekwencji, które na pierwszy rzut oka wydają się nieintuicyjne albo są oczywiste i jako takie pomijane przez analityków. Praktyka wykazuje jednak, że nawet takie intuicyjne sekwencje mogą, jako kampanie zdarzeniowe, osiągnąć hit-rate nawet na poziomie 40% (na bazie wykorzystania modułu SAS Signal Combination Detector w polskich bankach).

Reasumując, zaawansowana analityka przeżywa dzisiaj swój renesans, szczególnie w obszarze Customer Intelligence, gdzie umiejętna interpretacja danych oraz zastosowanie zaawansowanych i wydajnych algorytmów high performance, oraz machine learning pozwala zidentyfikować nisze sprzedażowe, a tym samym w istotnym stopniu zwiększyć efektywność marketingu w organizacji.

Artykuł opublikowany w Miesięczniku Bank – listopad 2016