Клерк.Ру

«Большие богатые данные»: как массивы данных помогают банкам зарабатывать деньги

В конце прошлого года крупнейший коммерческий банк США JPMorgan Chase решил сопоставить информацию о финансовых операциях своих клиентов с экономическими данными, которые открыто публикуют на своем сайте государственные органы статистики. Работы оказалось немало: нужно было привести в порядок и проанализировать около полутора миллиардов файлов с информацией. Зато удалось получить подробную картинку экономического состояния общества, вывести массу актуальных микротрендов, узнать потребительские настроения и тщательнее сегментировать рынок — вплоть до самых узких групп клиентов, а то и до индивидуальных лиц.

Причем следить за тем, как ситуация меняется, можно чуть ли не в режиме реального времени: данные, на изучение которых раньше уходили недели и месяцы, сегодня генерируются в читабельные отчеты за секунды. Жадничать банк не стал и предложил многостраничные результаты своих изысканий своим же корпоративным клиентам — разумеется, за довольно большие деньги. Для JPMorgan Chase эти доходы — капля в море, но это лишь один из сотен способов заработать на всеобщей увлеченности феноменом big data.

Не верите в феномен big data? Посмотрите на рисунок: такое количество контента в Интернете генерируется каждую минуту. В идеале банки будут учитывать все — и ваши «лайки» смешному ролику про котят, и «твит» про то, что через пару месяцев вы уезжаете в Венецию. Источник: Джош Джеймс, руководитель американской софтверной компании Domo

Другой вариант монетизации массивов данных — незатейливая продажа клиентам дополнительных услуг. Для этого нужно «всего ничего»: научиться предсказывать поведение покупателей и их запросы. «Как только банки получают цельную картину по своим покупателям, они стремятся построить прогностические модели, — объясняет менеджер по финансовым услугам в SAS Дэвид Уоллес. — Они пытаются понять, как можно продать покупателю что-то еще. При этом они точно знают, когда нужно остановиться — в конце концов, именно им известно больше, чем кому либо, о состоянии вашего счета. Им не нужен клиент без цента в кармане, они хотят понравиться вам и сделать вашу жизнь более удобной — просто потому, что дешевле работать со старым клиентом, чем привлекать нового».

📌 Реклама

Такую продажу — даже без массивного анализа данных! — уже не первый год ведет испанский банк Santander. Каждую неделю по подразделениям банка рассылается список клиентов, которые, по мнению системы обработки массивов данных, могут быть заинтересованы в определенной услуге — например, страховании дома. Сделать это очень просто: нужно всего лишь вычленить клиентов, которые недавно обзавелись недвижимостью — то есть совершили транзакцию в достаточно крупном размере. Хорошенько изучив своего клиента, банк может попытаться продать ему не только финансовые услуги. Так, например, сингапурское подразделение Citigroup предлагает особый скидочный сервис для своих клиентов: он отслеживает время суток, локацию и историю покупок, и на основании этих факторов формирует индивидуальное предложение. На практике выглядит это примерно так: вы любите итальянскую кухню, время два часа пополудни, таксист, с которым вы расплатились картой, высадил вас рядом с площадью, на которой есть небольшой уютный ресторан. Система, проанализировав транзакцию в такси, высылает вам текстовое сообщение с предложением сходить перекусить и купоном на скидку в этом ресторане — если, конечно, с заведением есть договоренность. Все довольны: вы получаете свою пасту болонезе на доллар дешевле, ресторан — клиента, который может вернуться, банк — комиссионные с транзакции. Что самое удивительное, если вы откажетесь от предложения, система это запомнит и в следующий раз будет экспериментировать с другим заведением, другим временем или другой кухней.

📌 Реклама

Способность искусственного интеллекта постоянно учиться немного страшит. Все-таки мало кому хочется, чтобы банк знал его лучше, чем кто-либо еще. С другой стороны, подписка на скидочный сервис Citigroup — вещь добровольная. Мы уже выступаем в роли безропотных подопытных кроликов для десятков сайт со встроенным рекомендательным механизмом. Онлайновый магазин Amazon подбирает нам товары, которые купили пользователи в дополнение к выбранному. «Кинопоиск» и Netflix советуют похожие фильмы. Spotify анализирует прослушанную музыку и рекомендует определенные альбомы. Читатели, возможно, вспомнят прошлогодний скандал в ритейлинговой сети Target: магазин прислал одной из клиенток специальный каталог с товарами для беременных, основываясь на ее запросах в сети. Только он не учел, что клиентка еще не закончила школу, а почту за нее получил отец, от которого школьница держала свое интересное положение в секрете. Разъяренный отец набросился с обвинениями в адрес магазина, но вынужден был извиниться, когда узнал, что дочь действительно беременна. Аналогичное вмешательство со стороны банков до сих пор воспринимается как попытка посягнуть на неприкосновенность частной жизни.

📌 Реклама

Если Target вдруг решит выйти на поле банковских услуг, как это уже сделала британская сеть Tesco, его глубокое знание клиентов и способность делать максимально нацеленные предложения станут огромным конкурентным преимуществом. Вполне может быть, что одним из мотивом при прошлогодней покупке «Сбербанком» платежной системы «Яндекс.Деньги» было получение доступа к базе данных о поведении покупателей и их поисковых запроса — или к спектру инструментов, которыми можно эти базы данных анализировать. Недаром банк уже полгода говорит о своих проектах в области big data и вовсю занимается им в своей исследовательской лаборатории.

Отечественных банков, занявшихся направлением «больших данных», пока единицы. Причины тривиальны: технологии и программное обеспечение пока слишком дороги. В 2011 году венчурные компании инвестировали около $2,5 млрд в проекты, связанные с big data. Большая часть денег ушла на закупку мощных серверов и хранилищ данных. По оценкам исследовательской компании Ovum в 2013 году американские банки потратят на ИТ-сектор около $41,5 млрд — на big data может уйти до десятой части этой суммы. Платить нужно не только за программную и аппаратную часть, но и за человеческий труд: в том же Сингапуре в лаборатории Citigroup, отвечающей за работу с массивами данных, занято свыше 250 человек. Естественный выход — отдавать анализ «больших данных» на аутсорсинг: SAS, SAP, IBM и Pentaho уже внедряют свои решения в крупнейших американских банках и работают с российскими компаниями. Правда, большая часть их решений касается управления рисками (подробнее здесь). Видимо, прежде чем наполнять карманы деньгами, банки решили сначала зашить в них дыры.

Подборка полезных мероприятий

Разместить
📌 Реклама