Big data - raport CEO Banking (re)invented

Amerykańska agencja konsultingowa NewVantagePartners przeprowadziła w 2013 roku badanie wśród blisko 90 osób na stanowiskach kierowniczych reprezentujących ponad 50 korporacji lub agencji rządowych (35 z nich pochodziło z sektora bankowości i finansów).

Amerykańska agencja konsultingowa NewVantagePartners przeprowadziła w 2013 roku badanie wśród blisko 90 osób na stanowiskach kierowniczych reprezentujących ponad 50 korporacji lub agencji rządowych (35 z nich pochodziło z sektora bankowości i finansów).

Zebrane informacje zostały opublikowane w raporcie „Big Data Executive Survey 2013: The State of Big Data in the Large Corporate World”. Dowiadujemy się z niego, że – przynajmniej w Stanach Zjednoczonych – wykorzystanie big data stało się lub właśnie staje się jednym z priorytetów dla dużych organizacji. Prawie wszyscy ankietowani (91%) odpowiedzieli, że obecnie wdrażają lub mają zaplanowane wdrożenie big data.

Zobacz również:



To samo badanie informuje, że 68% ankietowanych spodziewa się, iż inwestycje ich organizacji w big data stały będą na poziomie przynajmniej 1 mln USD rocznie. Do roku 2016 takich inwestycji spodziewa się już 88% badanych. Co drugi deklaruje wręcz, że w okolicach roku 2016 środki przeznaczane na ten cel przekroczą 10 mln USD w skali roku.

Inwestycje nie mogą dziwić, kiedy spojrzy się na inne badanie sporządzone przez firmę IBM oraz Said Business School22 (Uniwersytet w Oksfordzie). Wynika z niego, że aż 71% ze 124 ankietowanych firm finansowych wierzy w to, że wykorzystanie big data i analityki przyniesie im znaczącą przewagę konkurencyjną. 75% z nich już zaczęło rozwijać strategię biznesową, w której wykorzystywane jest big data, lub rozpoczęło wdrażanie programów pilotażowych big data.

Autorzy raportu dowiedzieli się również, jaki cel przyświeca bankom przy uruchamianiu tego typu inicjatyw. 55% respondentów jako najważniejsze zadania wskazywało te, które związane były z klientami. Banki chcą poznawać ich preferencje, oferować im jak najlepiej dopasowane produkty oraz obsługę najwyższej jakości. To zaś ma się przekładać na zwiększenie lojalności klientów. Dopiero na drugim miejscu wśród priorytetów, z liczbą wskazań mniejszą o połowę, znalazło się zarządzanie ryzykiem (23%).

Zarówno eksperci, jak i badani przedstawiciele banków twierdzą, że w pierwszej kolejności zwracać będą się ku już posiadanym danym, by osiągnąć zakładane cele, a jednocześnie szybko odczuwać wartość biznesową przeprowadzanego wdrożenia. Będąc w posiadaniu już istniejących, gigantycznych zbiorów danych – takich jak informacje transakcyjne – można nie tylko lepiej zrozumieć potrzeby klienta, ale i przewidywać jego przyszłe zachowania. Wśród innych danych do analizowania wymieniane są informacje pochodzące z mediów społecznościowych (27% wskazań wśród badanych) oraz nagrania audio z call center banku (21%).

Dla tych, którzy są zainteresowani wdrożeniem big data w swojej organizacji, SAS Institute przygotował raport „Big Data for the Next Big Idea in Financial Services”. Przedstawiono w nim dziesięć dobrych praktyk umożliwiających osiągnięcie największych korzyści z takiego wdrożenia:

  • Znajdź sposoby wyciągnięcia maksimum wartości z tego, co już posiadasz.
  • Zbuduj pomosty pomiędzy silosami informacyjnymi.
  • Odejdź od analizowania faktów dokonanych i przejdź do wglądu w to, co dzieje się obecnie, i przewidywania tego, co się wydarzy w przyszłości.
  • Bądź kreatywny przy znajdowaniu nowych źródeł danych.
  • Wzbogać się dzięki korzystaniu z mediów społecznościowych.
  • Daj klientom coś wartościowego w zamian za cenne dane oferowane przez nich.
  • Pamiętaj, że klient jest najważniejszy.
  • Stwórz most pomiędzy biznesem i IT.
  • Stwórz analityczne centrum doskonałości.
  • Dowiedź wartości big data i stopniowo, krok po kroku, rozbudowuj je.


Trzy zbiory danych w Bank of America

O amerykańskim banku pisaliśmy już w kontekście wykorzystywania komunikacji M2M do obniżenia kosztów utrzymania jego placówek. Instytucja ta sięga jednak po więcej rozwiązań do poprawy swej efektywności i zaspokajania potrzeb klientów. Warto o tym wspomnieć także w kontekście big data.

Bank of America szczyci się bazą klientów składającą się z ponad 50 mln osób i małych przedsiębiorstw. Z tą liczbą powiązana jest gigantyczna ilość danych, z których wyciągnąć można cenne informacje.

Zebrane dane dzielone są w banku na trzy kategorie: dane związane z transakcjami, dane związane z klientami oraz dane nieustrukturyzowane. Największy nacisk bank kładzie na pierwsze dwie kategorie. Wykorzystując odpowiednie narzędzia analityczne, Bank of America stara się definiować grupy klientów, do których może zgłosić się z dobrze dopasowanymi ofertami produktowymi.

Jako przykład podawana jest w tym przypadku analiza danych powiązanych z klientami mającymi karty kredytowe lub kredyty hipoteczne. Bank używa dużych zbiorów danych do identyfikowania osób, które mogłyby otrzymać lepsze oferty u konkurencji. Kiedy taka osoba korzysta z serwisu internetowego banku, wykonuje połączenie na linię obsługi klienta lub odwiedza oddział Bank of America, otrzymuje atrakcyjną ofertę (dorównującą lub przebijającą ofertę konkurencji) od obsługującego ją pracownika banku. Taka sama oferta może zostać dostarczona także innymi kanałami. Klient może na nią natrafić przy korzystaniu z bankowości internetowej lub aplikacji mobilnej banku.

Big data wykorzystywane jest również do przedstawiania lepszych ofert klientom korzystającym z programu „BankAmeriDeals”. To rodzaj programu lojalnościowego, w którym osoba posługująca się kartą płatniczą otrzymuje zwrot części wydanej gotówki, jeśli wykorzystała ją do zapłacenia za produkty lub usługi firm uczestniczących w programie. Amerykański bank korzysta z big data, by poznać zwyczaje zakupowe swoich klientów. Analizując punkty sprzedaży, w których klienci banku wydają gotówkę, stara się im proponować oferty coraz lepiej dopasowane do ich potrzeb (obecnych i przyszłych).

Bank stara się również analizować, jak jego klienci korzystają z różnych oferowanych przez niego kanałów komunikacji i w jakim stopniu zaspokajane są ich potrzeby. Pod uwagę brane są wizyty na stronach internetowych banku, telefony wykonane do call center, a także odwiedziny w klasycznych oddziałach banku. I tu mamy do czynienia z unifikacją poszczególnych kanałów komunikacji. Jeśli więc klient zacznie wypełniać wniosek o kredyt online, ale go nie dokończy, bank będzie w stanie wysłać mu spersonalizowaną ofertę kredytową na adres e-mail lub informację zachęcającą do odwiedzenia oddziału w celu omówienia możliwości udzielenia takiego kredytu, lub omówienia szczegółów z nim związanych.

Dzięki podobnym działaniom klient ma poczuć, że jest w centrum zainteresowania swojego banku, który nie tylko z troską mu sie przygląda, ale i jest na tyle elastyczny, by dopasować swoją ofertę w taki sposób, by to właśnie klient w największym stopniu odczuł płynące z niej korzyści.

Korzyści dla banku
  • Lepsze dopasowanie oferty produktowej do potrzeb klientów.
  • Zwiększenie komfortu klientów poprzez zunifikowanie kanałów komunikacji.
  • Podniesienie atrakcyjności programu lojalnościowego.


Od teleturnieju do analizy danych

O superkomputerze Watson zrobiło się głośno, gdy w 2011 r. wziął udział w trzydniowych rozgrywkach w amerykańskim teleturnieju „Jeopardy!”. Maszynie udało się pokonać dwóch mistrzów tej gry, a media przez długi czas opisywały jego sukces i możliwości.

Niecały rok po zwycięstwie po maszynę postanowiło sięgnąć Citigroup. Amerykańska firma chciała sprawdzić, jak superkomputer radzi sobie z zaawansowaną analizą danych (finansowych, produktowych, klienckich) napływających w czasie rzeczywistym, i dowiedzieć się, jak w biznesie można wykorzystać jego możliwości uczenia się.

Citigroup uznało, że Watson może być przydatny także przy dostarczaniu nowych bezpiecznych usług dostosowanych do wymagań mobilnych klientów i rozwijaniu bankowości elektronicznej firmy. Amerykańska organizacja bada również możliwości błyskawicznego przetwarzania danych przez komputer przy wybieraniu rozwiązań dla klientów przy jednoczesnym uwzględnianiu wszystkich okoliczności mających na nich wpływ.

Superkomputer zostanie także sprawdzony pod kątem tego, czy jest w stanie pomagać ekspertom finansowym Citigroup w podejmowaniu lepszych decyzji biznesowych. Ma przyspieszać sam proces ich podejmowania, pomagać w identyfikowaniu wyjątkowych szans rynkowych, oceniać możliwe zagrożenia, a także rozpatrywać alternatywne scenariusze biznesowe jak najlepiej dopasowane do potrzeb zarówno Citigroup, jak i klientów organizacji.

Będzie przy tym brał pod uwagę dane ekonomiczne, sprawozdania finansowe składane w amerykańskiej Komisji Papierów Wartościowych i Giełd (Securities and Exchange Commision), prospekty emisyjne papierów wartościowych, a nawet informacje publikowane przez agencje prasowe i portale informacyjne oraz treści z mediów społecznościowych. Citigroup chce, by Watson był w stanie oszacować ryzyko związane z podejmowaniem decyzji biznesowych i możliwy zwrot z inwestycji (ROI).

Współpraca między Citigroup a IBM przy wykorzystaniu Watsona w sektorze bankowym ma charakter rozpoznawczy. Obie firmy sprawdzają, czy superkomputer może stać się rozwiązaniem wykorzystywanym na dłuższą metę. Jeśli projekt zakończy się sukcesem, inne organizacje będą mogły korzystać z Watsona, a opłaty będą stanowiły procent dodatkowych zysków lub oszczędności wypracowanych za pomocą maszyny. IBM przewiduje, że w globalnym ujęciu w okolicach 2020–2023 r. superkomputer może przynosić firmie roczny przychód w wysokości 10 mld USD.

Po dwóch latach od rozpoczęcia współpracy Citigroup jest jednak oszczędne w słowach, kiedy dochodzi do oceniania superkomputera. Przedstawiciele firmy w wypowiedzi dla Wall Street Journal mówili, że „wciąż badają i identyfikują możliwości stwarzane przez Watsona”. Po przyszłościowe rozwiązanie postanowiły sięgnąć jednak także inne banki.

W połowie 2013 r. z Watsona zaczął korzystać australijski ANZ Bank. Używa on maszyny do identyfikowania produktów inwestycyjnych dla najbardziej majętnych klientów. W styczniu 2014 r. do ANZ Bank dołączył DBS Bank z Singapuru, który przez trzy lata będzie używał Watsona do podobnych celów. Zapłaci za to 11,8 mln USD. Tymczasem Nedbank z RPA chwali się już, że Watson pozwolił mu przygotować lepsze usługi dla klientów, co przełożyło się na obniżenie kosztów monitorowania mediów społecznościowych o 105 tys. USD w skali roku przy jednoczesnym zwiększeniu produktywności obsługi klienta o 20%.

Korzyści dla banku
  • Możliwość realnego zmniejszenia kosztów organizacji.
  • Zauważalny wzrost produktywności pracowników.
  • Firma-lider sięgająca po najnowocześniejsze rozwiązania.


Technologia wykorzystywana przez CIA w bankowości

Courtney Smith Goodrich z JPMorgan Chase twierdzi, że właściwe analizowanie olbrzymich zbiorów danych, wyciąganie z nich cennych informacji jest obecnie jednym z największych wyzwań dla tego holdingu finansowego. Choć firma nie ujawnia wszystkich szczegółów związanych ze swoimi działaniami wokół big data, wiadomo, że wykorzystuje duże zbiory danych w kilkunastu różnych projektach. Sięga przy tym po technologie, usługi firm, które nie kojarzą się z sektorem bankowym.

Jedną z nich jest start-up z amerykańskiego Palo Alto – Quantifind. Firma współpracowała z Centralną Agencją Wywiadowczą przy analizowaniu dużych zbiorów danych, z których wyciągano i identyfikowano pseudonimy lub fikcyjne tożsamości wykorzystywane przez terrorystów. JPMorgan Chase wynajęło firmę, by zbadać, jak jej technologie mogą być wykorzystywane przy rozpoznawaniu działalności przestępczej związanej z kartami kredytowymi.

Szczegóły i efekty współpracy nie są ujawniane, ale muszą być zadowalające lub przynajmniej obiecujące. Świadczy o tym fakt, że JPMorgan Chase sięgnęło także po rozwiązania opracowane przez firmę z Doliny Krzemowej – Palantir Technologies.

Jej nazwa może być znana miłośnikom „Władcy Pierścieni”, autorstwa J.R.R. Tolkiena. W powieści Palantiry były magicznymi kamieniami – artefaktami – pozwalającymi odczytywać myśli na odległość i widzieć dowolne miejsce na ziemi. W prawdziwym świecie Palantir Technologies, podobnie jak Quantifind, oferowało swe usług amerykańskim agencjom wywiadowczym. W JPMorgan Chase technologie tej firmy wykorzystywane są do wyszukiwania oszustów i cybeprzestępców próbujących uzyskać dostęp do kont klientów lub atakujących bankomaty.

Holding finansowy, podobnie jak w poprzednim przypadku, nie podaje konkretnych informacji na temat korzyści wynikających z wykorzystywania rozwiązań Palantir Technologies. Wiadomo jednak, że firma wymierzyła to rozwiązanie także w swoich pracowników, których zatrudnia na całym świecie 250 tys. Wiadomo, że szpiegowskie rozwiązanie będzie również wykorzystywane do identyfikowania nieuczciwych członków kadry, którzy mogliby współpracować z przestępcami lub na własną rękę kraść środki klientów holdingu.

Wśród wielu projektów prowadzonych przez holding z wykorzystaniem big data znalazł się także taki, który przypomina rozwiązanie wykorzystywane przez singapurski DBS Bank (opisywane w rozdziale poświęconym komunikacji M2M). JPMorgan Chase analizuje dane napływające w czasie rzeczywistym, by w czasie rzeczywistym podglądać, ile dokładnie środków znajduje się w jego bankomatach, których ma 19 tys. Firma ograniczyła jednocześnie wykorzystanie zasobów ludzkich do zasilania maszyn. Zbierane informacje pozwalają także oszacować, ile środków „nie pracuje” – nie generuje zysków – gdyż znajduje się w bankomatach. Dzięki temu ilość gotówki udostępnianej w maszynach optymalizowana jest w taki sposób, by nie zabrakło jej dla klientów (cashouty) przy jednoczesnym zapewnianiu sobie jak największych zysków ze środków powierzonych firmie.

Godnym uwagi pomysłem jest także wykorzystywanie big data do analizowania ekonomii na małą skalę. Firma analizuje konkretne, lokalne uwarunkowania ekonomiczne w miejscach, w których jej klienci mają problemy ze spłatą kredytów hipotecznych. Jeśli wystąpią w nich przypadki odebrania nieruchomości nierzetelnym osobom, które nie spłacają zaciągniętego kredytu, JPMorgan Chase jest w stanie szybko zaoferować taką cenę za tę nieruchomość, by zmaksymalizować szansę jej nabycia przez nowego klienta. Dzięki temu firma skraca czas, w którym przetrzymuje nieruchomość, nie zarabiając na niej.

Korzyści dla banku
  • Optymalizacja wykorzystania dostępnych środków finansowych.
  • Zwiększenie satysfakcji klientów z usług bankowych.
  • Możliwość identyfikowania nieuczciwych pracowników.


KOMENTARZ
<b>Rafał Małanij</b>
Business Intelligence
Offering Leader, SiiKliknij, aby powiększyćRafał Małanij Business Intelligence Offering Leader, Sii<b>Tomasz Eberbach</b>
Banking Solutions
Executive, SiiKliknij, aby powiększyćTomasz Eberbach Banking Solutions Executive, Sii

„In God we trust. All others bring data”.

William Edwards Deming

Pojęcie Big Data na dobre zawitało w naszych firmach. Z jednej strony jest to nowa technologia, która daje nam możliwości efektywnego przetwarzania ogromnych ilości niejednolitych danych, a z drugiej strony całkowicie nowe podejście do analizy danych i w efekcie do procesu podejmowania decyzji.

Możemy zaryzykować stwierdzenie, że sektor finansowy posiada najlepsze jakościowo dane do takich analiz. Jakie inne instytucje przechowują w swoich bazach danych, praktycznie w jednym miejscu, dokładne informacje na temat miejsca zamieszkania, zwyczajów zakupowych czy historii podróży swoich klientów? Na podstawie tego typu danych można prowadzić zaawansowaną analitykę i modelować scenariusze cross-sellingu, up-sellingu, optymalizować zysk na kliencie czy wspierać działy AML i bezpieczeństwa.

Na rynku dostępne są już rozwiązania analityczne, które automatyzują konkretne scenariusze biznesowe i w prosty sposób umożliwiają użytkownikom dokładniejsze wnioskowanie na podstawie posiadanych danych i przez to zwiększają efektywność podejmowanych decyzji. Technologie zaczerpnięte z nurtu Big Data wpisują się również w proces oceny wiarygodności kredytowej, czyli „scoringu”. Nie korzystamy już tylko z reguł biznesowych, ale tworzymy modele na podstawie naszego portfolio klientów. Niby nic nowego, ponieważ w wielu instytucjach analitycy opracowują i wykorzystują w tym celu modele ekonometryczne, jednakże utrzymywanie i rozwój takich modeli jest czasochłonny. Rozwiązania automatyzujące tę pracę nie tylko oszczędzają czas pracy specjalistów, ale również są w stanie utrzymywać większą liczbę modeli oraz przeprowadzić bardziej szczegółową segmentację klientów, a to z kolei przekłada się na wzrost wiarygodności predykcji i w rezultacie na efektywniejszą konwersję. Obecnie technologia pozwala nam przeliczać modele natychmiast na podstawie nowych porcji danych.

Prawdziwe eldorado czeka jednak na tych, którzy wyjdą poza standardowe źródła danych i do swoich modeli włączą dane geolokalizacyjne, analizę zachowań czy dane pogodowe i na tej podstawie zbudują modele decyzyjne, które w czasie rzeczywistym będą wspierały anti-fraud, direct marketing czy sprzedaż. Tutaj jedynym ograniczeniem jest właściwie tylko wyobraźnia, chociaż musimy pamiętać o jednej z cech Big Data. Jest nią weryfikacja hipotez i wniosków, które wykorzystujemy. To ona powoduje, że musimy stale pracować nad wiarygodnością predykcji. Inna sprawa to kwestia konserwatyzmu branży finansowej – potrzebna jest zmiana postrzegania analityki i wpisania jej w strategię organizacji, aby móc korzystać z różnorodnych zewnętrznych źródeł danych, np. z serwisów społecznościowych, i w ten sposób walczyć o przewagę konkurencyjną.

Artykuł pochodzi z raportu specjalnego magazynu CEO pt. "Banking (re)invented". Pobierz raport.