Что такое "big data" и как это сегодня используют банки

22.05.201915.05.2019 by Ваш Казначей

Аналитика больших данных может стать основным драйвером инноваций в банковской индустрии, и она фактически становится таковой.

В этом материале мы приведем примеры использования банками технологий анализа Big Data и расскажем, как большие данные могут помочь банкам работать лучше.

« Big data»- это термин, который описывает большой объем данных – как структурированных, так и неструктурированных, – которые ежедневно наполняют бизнес.

Но важен не объем данных. Важно то, что организации делают с данными. Большие данные могут и должны быть проанализированы с целью принятия лучших решений и стратегических деловых движений.

Финансовые и банковские операции – одни из краеугольных камней этого потока больших данных, и способность быстро и эффективно обрабатывать их дает возможность быть конкурентоспособными среди банков и финансовых учреждений.

Содержание

Что такое Bid Data?
Как используют «Big data» в банковской сфере и почему они так важны:
Модели потребительских расходов
Идентификация канала транзакции
Сегментация клиентов и профилирование
Кросс-продажи продуктов
Управление и предотвращение мошенничества
Анализ и реагирование на отзывы клиентов
Big data и Российские банки

Что такое Bid Data?

Даг Лейни сформулировал нынешнее основное определение больших данных как три составляющие:

Разнообразие – означает множество типов обрабатываемых данных. Банкам приходится иметь дело с огромным количеством различных типов данных. От подробностей и детальной истории транзакций до кредитных баллов и отчетов об оценке рисков у банков.
Скорость – означает скорость, с которой новые данные добавляются в базу. Для респектабельного банка легко достичь порога в 100 транзакций в минуту.
Объем – означает количество места, которое эти данные займут для хранения. Огромные финансовые учреждения, такие как Нью-Йоркская фондовая биржа (NYSE), ежедневно генерируют терабайты данных.

Как используют «Big data» в банковской сфере и почему они так важны:

Определение и анализ структуры расходов клиентов.
Обнаружение основных каналов транзакций (снятие через банкомат, оплата кредитной дебетовой картой).
Разделение клиентов на сегменты в соответствии с их профилями.
Кросс-продажи товаров на основе сегментации клиентов.
Управление и предотвращение мошенничества.
Оценка риска, соответствие требованиям безопасности и отчетности перед регулятором.
Анализ и реагирование на отзывы клиентов.

Ниже мы приводим примеры использования больших данных в банковской индустрии.

Модели потребительских расходов

Банки имеют прямой доступ к большому количеству исторических данных о структуре расходов клиентов. Они знают, сколько денег вам перевели в качестве заработной платы за данный месяц, сколько ушло на ваш сберегательный счет, сколько ушло вашим поставщикам коммунальных услуг и т. д.

Это обеспечивает обширную основу для дальнейшего анализа. Применяя фильтры, такие как праздничные сезоны и макроэкономические условия, банковские работники могут понять, стабильно ли растет зарплата клиента и остаются ли расходы адекватными. Это один из краеугольных факторов для оценки риска, проверки качества ссуды, оценки рисков выдачи ипотеки и перекрестных продаж нескольких финансовых продуктов, таких как страхование.

Идентификация канала транзакции

Банки получают большое преимущество, понимая, какие из их клиентов снимают наличными всю сумму, доступную в день выплаты жалованья, а какие предпочитают хранить свои деньги на кредитной или дебетовой карте. Очевидно, что к последним клиентам можно обратиться с предложениями инвестировать в краткосрочные депозиты с высокими ставками и т. д.

Сегментация клиентов и профилирование

По завершении первоначального анализа моделей расходов клиентов и предпочтительных каналов транзакций клиентская база может быть сегментирована в соответствии с несколькими соответствующими профилями: те, кто легко тратит средства; осторожные инвесторы; те, чья цель – это быстрое погашение ссуди т.д. Знание финансовых профилей всех клиентов помогает банку оценить ожидаемые расходы и доходы в следующем месяце, а также составить подробные планы по обеспечению итоговых показателей и максимизации дохода.

Кросс-продажи продуктов

Почему бы не предложить лучшую отдачу от процентов осторожным инвесторам, чтобы стимулировать их более активно тратить? Стоит ли предоставлять краткосрочную ссуду тому, кто всеми силами пытается закрыть долги? Точный анализ финансового состояния клиентов позволяет банку более эффективно таргетировать перекрестные продажи дополнительных продуктов и лучше привлекать клиентов индивидуальными предложениями.

Управление и предотвращение мошенничества

Знание обычных моделей расходов отдельных лиц помогает поставить красный флажок, если произойдет что-то подозрительное. Если осторожный инвестор, предпочитающий платить своей картой, пытается снять все деньги со своего счета через банкомат, это может означать, что карта была украдена и использована мошенниками. Звонок из банка с запросом разрешения на такую операцию поможет легко понять, является ли это законным требованием или мошенническим действием, о котором владелец карты не знает. Анализ других типов транзакций помогает значительно снизить риск мошеннических действий.

Аналогичная процедура может быть использована для оценки риска при торговле акциями или проверке кандидата на выдачу кредита. Понимание структуры расходов и предыдущей кредитной истории клиента может помочь быстро оценить риски выдачи кредита.

Алгоритмы анализа больших данных также могут помочь в решении вопросов соответствия требованиям регулятора, аудита и отчетности, чтобы упростить административные операции и снизить управленческие издержки.

Анализ и реагирование на отзывы клиентов

Клиент может оставить отзыв после обращения в центр поддержки клиентов или через форму обратной связи, но он с гораздо большей вероятностью поделится своим мнением через социальные сети. Инструменты больших данных могут анализировать эти публичные сведения и собирать все упоминания о бренде банка, чтобы иметь возможность быстро и адекватно реагировать на них. Когда клиенты видят, что банк слышит и ценит их мнение и делает те улучшения, которые требуются, их лояльность значительно возрастает.

Big data и Российские банки

Сбербанк использует Big data для предотвращение рисков, борьбы с мошенничеством, анализа и прогнозирования возникновения очередей в отделениях банка, для оценки платежеспособности клиента, управления персоналом, расчета бонусов и премий.

Тинькофф-банк с помощью анализа больших данных анализирует потребности потенциальных и действующих клиентов, оценивает риски, планирует маркетинг и продажи.

Альфа-Банк анализирует информацию и отзывы о своей работе в социальных сетях и действия пользователей на сайте банка, а также оценивает платежеспособность клиентов с помощью Bid Data.

ВТБ использует большие данные для формирования отчета об отзывах из социальных сетей, сегментации клиентов и прогнозирования доходов, а также для прогнозирования финансовой отчетности.

Чтобы быть в курсе последних новостей и содействовать развитию проекта ВашКазначей:

Подписывайтесь на наш канал на Youtube, ЯндексДзен, в Telegram, а также на аккаунт в Instargam.
Вступайте в группу Вконтакте и на Facebook.
Предлагайте темы статей, которые Вы хотели бы увидеть на нашем сайте, и становитесь со-авторами — присылайте свои материалы для размещения на почту info@vashkaznachei.ru

2,977 total views, 1 views today

Следите за нашими обновлениями:

0 0 голоса

Рейтинг статьи

Facebook

Twitter