Есть несколько традиционных направлений, в которых банки используют Big data.

В первую очередь — это оценка рисков.

Десять лет назад, когда клиент приходил в отделение за кредитом, банки почти полностью полагались на человеческий фактор. Операционист смотрел на человека и пытался понять, какова вероятность того, что клиент не справится с обязательствами. Исходя из этого банк и ставил кредитный лимит.

Несколько лет назад ПриватБанк, как и другие финучреждения, начал централизовать этот процесс. Теперь при принятии кредитных решений роль сотрудников в отделении сводится к тому, чтобы улыбаться, объяснять, как правильно пользоваться продуктом, помогать заполнять анкету. Вся информация о клиенте собирается и передается в головной офис, где стоит «большая скоринговая машина». Она принимает решение о том, какой кредитный лимит установить тому или иному клиенту. Для этого строится регрессионная или другая математическая модель, которая распределяет клиентов по уровню риска: в зависимости от социально-демографических, поведенческих данных, а также множества других мелочей. Эта модель постоянно перепроверяется через контрольные группы. Так выглядит кредитный скоринг.

Несколько лет назад весь банковский мир понял, что собранные клиентские данные и скоринг можно использовать не только для оценки кредитных рисков. Есть маркетинговый скоринг. Возьмем, к примеру, приложение ПраватБюджет (приложение для управления расходами). Можно устроить рекламную кампанию и рассказать об этом приложении каждому жителю страны или хотя бы каждому клиенту ПриватБанка. Но это очень дорого. Поэтому нам нужно понять, кому рассказать об этом приложении, чтобы обращение было наиболее релевантно. Тут мы и задействуем маркетинговый скоринг, чтобы, с одной стороны, не тратить лишние деньги и время на рекламное продвижение, а с другой, чтобы клиенты, которым это неинтересно, не получали от нас спам в виде нерелевантного предложения.

Существуют три основных типа данных, которые мы анализируем:

• Анкетные данные. Когда клиент открывает счет, мы обязаны попросить его заполнить анкету. Регулятор требует, чтобы банк отсканировал паспорт, спросил, где живет клиент, и т.д.
• Поведенческие данные. Банки имеют довольно много данных о клиентах в силу тех услуг, которые они оказывают.
• Открытые данные. Например, если наши клиенты добавляют нас в друзья в соцсетях, то теоретически мы можем посмотреть информацию, которой они дали согласие делиться. Пока мы не слишком активно используем такие данные, но в дальнейшем планируем.

По моей оценке, после внедрения скоринговых карт около года назад эффективность адресных коммуникаций повысилась на 40%. Раньше мы тоже не рассылали рекламу вслепую (пенсионеры не получали предложение скачать ПриватБюджет). Но для этого нужно было выполнить большой объем аналитической работы. Собирались люди с глубоким пониманием продукта и ожиданий клиентов и пытались выбрать клиентскую группу, которой нужно адресовать рекламу. Сейчас эту задачу все чаще выполняют не аналитики, а машина.

Есть еще десятки примеров применения скоринга, среди которых и HR. Когда мы проводим интервью с кандидатом на должность, мы рассчитываем, насколько велика вероятность того, что он будет улыбаться и качественно обслуживать клиента. Потому что на интервью все улыбаются и ведут себя мило, а мы хотим, чтобы наши сотрудники всегда улыбались клиентам. Тут математика и приходит на помощь: мы построили модель, которая позволяет более качественно отбирать кандидатов.

Эта статья также доступна на украинском