Использование технологий аналитической обработки Business Objects в банках

Для развития банку, как, впрочем, и любой компании другого профиля, необходимо находить новых и стараться удержать уже существующих клиентов.

Банк Skandia Banken был основан в 1995 г. Для быстрого развития столь молодой компании необходимо было привлекать большое количество новых клиентов. Однако, как оказалось, сделать это весьма непросто.

С этой целью менеджер по маркетингу Йохан Хопстадиус и специалист отдела ИТ Томас Рэнди разработали хранилище данных, накапливающее различного рода информацию о заказчиках, чтобы выявлять закономерности в их действиях, уметь предсказывать их заранее и анализировать эффективность маркетинговых программ. В качестве средства обслуживания клиентов (front-end) используется инструмент исследования данных (data mining) BusinessMiner компании Business Objects.

По словам Хопстадиуса, для Skandia Banken крайне важно уметь выявлять целевые группы клиентов и устанавливать с ними как можно более тесные взаимоотношения. Помимо этого, необходимо знать, какие услуги интересуют ту или иную целевую группу потенциальных и существующих заказчиков.

До того как начали применять BusinessMiner, маркетинговые действия были малоэффективны. Даже на прямую почтовую рассылку существующим клиентам количество откликов не превышало 1%, иногда их и вовсе не было.

Использование BusinessMiner позволило маркетерам Skandia Banken увидеть скрытые зависимости в информации о своих клиентах. А это, в свою очередь, позволило сделать маркетинговые кампании более сфокусированными на определенных целевых группах. Теперь процент откликов повысился с 1% до 5%, т. е. на 400%.

Еще одно преимущество использования BusinessMiner — возможность оценки эффективности действий банка. Специалисты Skandia Banken получили огромный опыт и теперь знают, что делать для получения максимальной прибыли.

Кредитование

Зачастую менеджеру приходится анализировать представленную в отчете табличную информацию для того, чтобы выявить закономерности в данных и сделать соответствующие выводы. В России в настоящее время активно развивается такой вид услуг, как кредитование. BusinessMiner может существенно помочь банку определить степень рисков и предложить оптимальные схемы кредитования различным категориям клиентов.

К примеру, у нас есть таблица, содержащая информацию о клиентах банка, в которой, среди прочего, в отдельном столбце есть данные о том, насколько своевременно клиент возвращает кредит. При этом каждая ячейка в этом столбце содержит одно из следующих значений: «вовремя», »с опозданием на 60 дней» и «с опозданием на 30 дней». Мы хотим выяснить, какие клиенты не задерживают возврат кредита.

Допустим, что в нашей таблице 4070 клиентов. При этом 2470 из них возвращают кредит вовремя, 870 — опаздывают на 60 дней, а остальные 730 — на 30 дней. Эта информация и будет корнем дерева решений, которое мы будем строить с помощью BusinessMiner. Затем мы делим наших клиентов на две категории в зависимости от размера кредита. Пусть в нашем примере 2270 клиентов взяли большой кредит, а остальные 1800 — очень маленький, маленький и средний кредиты.

Теперь на каждом шаге построения дерева решений для каждой группы клиентов BusinessMiner автоматически строит таблицу с данными о том, насколько клиент задерживает возврат кредита.

Так, после первого разделения на две категории мы видим, что из 2270 клиентов, взявших большой кредит, только 41,9% возвращают кредит вовремя, а из тех 1800 клиентов, что взяли маленький или средний кредиты, 84,4% клиентов возвращают кредит вовремя. Уже после первого шага можно сделать простой вывод: чем больше кредит, тем меньше процент клиентов, выплативших этот кредит вовремя. Соответствующее дерево решений представлено на рисунке.

Рисунок

На последующих этапах построения дерева решений можно получить и более детальные выводы.

Вот еще пример: на нашем дереве решений можно легко увидеть, что клиенты, взявшие большой кредит, состоящие в браке и имеющие детей, гораздо добросовестнее относятся к своевременному возврату кредита, чем холостяки...

Дерево решений — один из наиболее эффективных инструментов поддержки принятия решений.

Управление взаимоотношений с заказчиками

Одним из продуктов компании Business Objects, не рассматривавшихся ранее, является Set Analyzer. Компания Business Objects представила его первую бета-версию в конце 1999 г. Основная идея, заложенная в Set Analyzer, — работа с множествами. Пользователь строит запросы, манипулируя не терминами своего бизнеса или объектами, а множествами. Соответственно и применяемые операции — не операции реляционной алгебры, а операции булевой алгебры.

Как оказалось, такой подход по своей природе является очень понятным для человека. Одна из наиболее перспективных сфер применения Set Analyzer — системы CRM (Customer Relationship Management), т. е. системы управления взаимоотношениями с клиентами, позволящие компаниям более эффективно проводить работу с заказчиками.

С помощью Set Analyzer пользователь может визуально определять условия выбора заказчиков из БД (например, путем пересечения множеств «Клиенты из города N», «Клиенты с уровнем дохода более 1000 долл. в месяц», «Клиенты, имеющие не более одного ребенка»), разделять их на различные категории (создание нового множества) и использовать пошаговое выполнение запросов. Таким образом, Set Analyzer представляет собой удобнейший инструмент сотрудника отдела маркетинга и позволяет ему существенно упростить и ускорить выполнение различного рода операций по отбору заказчиков.

В Bank One, одном из крупнейших эмитентов кредитных карточек, огромное внимание уделяется работе с клиентами (всего их более 22 млн), и Set Analyzer используется для сегментации клиентов, а также анализа доходности различных групп заказчиков и направлений деятельности самого банка. С помощью этого продукта аналитики могут быстро создавать новые категории пользователей, применяя операции булевой алгебры к существующим множествам, и определять возможный эффект от выполнения тех или иных маркетинговых программ.

В банке Abbey National, работающем с частными лицами, Set Analyzer помог специалистам отдела маркетинга в сегментации групп клиентов. Визуализация и возможность предвидеть общую картину помогли им не только получить ответы на свои вопросы, но также решили проблему их формулирования.

Помимо функциональных возможностей Set Analyzer имеет еще одну особенность — архитектура, обеспечивающая работу с множествами данным, позволяет существенно увеличить скорость выполнения запросов. Именно благодаря ей банки могут обрабатывать огромные объемы информации о своих клиентах.

Самое главное — экономический эффект

Понятно, что вложения в информационные технологии необходимо рассматривать как инвестиции в бизнес. Именно при таком подходе следует ожидать экономический эффект. Business intelligence — одно из наиболее быстро развивающихся направлений ИТ и, следовательно, должно окупаться. Однако подсчитать эффект от использования этих систем крайне проблематично, и особенно до того, как ее стали использовать.

Конечно, можно вычислить, сколько времени уходит у программистов на подготовку отчета стандартными инструментами, можно к этому добавить стоимость издержек на согласование требований пользователя и т. д. Abbey National считает, что их вложения должны окупиться в течение полугода.

Однако подсчитать, какую прибыль принесли правильное управление, быстрое реагирование на события неустойчивого мира и информированность, невозможно. В NatWest Bank за счет активного использования аналитической системы «случайно» были выявлены хищения на сумму в 4,5 млн долл.