Obchodní život bank generuje obrovské množství dat o jejich klientech a klientských interakcích s bankou. Primárním cílem transakčních bankovních systémů a dat v nich obsažených je podpora operativního chodu banky. Nejedna progresivní banka si však dnes uvědomuje, že v obrovském množství dat se ukrývá neuvěřitelný potenciál. Díky nim lze totiž mnohem informovaněji rozhodovat například o nových produktech, jejich cenách, balíčcích, kampaních, prodejích či řízení poboček.

Horníci v bankách
Pro pokročilé analýzy dat se obecně používá termín data mining, tedy dolování dat. Využívá pokročilé metody, jakými jsou statistické profilování, faktorová analýza, klastrování nebo rozhodovací stromy. O co v nich jde? Nasazením pokročilé analýzy velkého množství dat je totiž možné zjistit jinak nepostřehnutelné vnitřní souvislosti a trendy. V terminologii CRM se pro analýzu dat zavedl pojem analytické CRM.

Cílem Data Miningu, nebo chcete-li analytického CRM, ale v žádném případě nejsou složité statistické postupy datových "horníků", ale zcela konkrétní přínos pro business. Nejčastějšími obchodními problémy, které řeší naši zákazníci, je behaviorální segmentace zákazníků, analýza a predikce odchodu zákazníků ke konkurenci (Churn, Attrition Analysis), analýza kreditního rizika a skórování, analýza podvodů s debetními a kreditními kartami, řešení pro podporu cross-sellingu a up-sellingu a cílený campaign management.

Data jako na běžícím pásu?
Obrovské množství dat, které mají banky o svém provozu, klientech a jejich interakcích s bankou, ovšem neznamená, že data jsou okamžitě přístupná a připravena k sofistikovaným analýzám popsaným výše. Různé primární systémy poskytují různé "verze pravdy", tj. různé údaje o tomtéž. Většina bank proto v současné době implementovala nebo implementuje data warehouse neboli datový sklad, který tyto problémy řeší. Navíc podporuje celou řadu dalších obchodních problémů, kromě již výše zmíněných zákaznicky orientovaných jsou to například:

. Identifikace zákazníka a householding (identifikace zákazníka v rámci domácnosti)
. Řízení rizik a podpora pro statutární reporting
. Řízení rizik v souvislosti s přípravou na reporting podle Basel II

Naše společnost se zabývá pokročilou identifikací a analýzou standardních obchodních problémů, kterým bankovní domy čelí. Poskytuje řešení, která podporují hledání odpovědí na uvedené problémy pomocí analýzy informačního potenciálu ukrytého v datech.

Příklad nejčastější - řekni mi co čteš…
Jednou z nejčastějších úloh řešených naší firmou v současnosti je behaviorální segmentace zákazníků. Mantrou dnešního marketingu je totiž "relationship marketing" či "one-to-one marketing" - poznání individuálních potřeb zákazníků a jejich uspokojování individuální nabídkou. Tuto ideu lze ovšem v podmínkách masového trhu efektivně realizovat pouze prostřednictvím pokročilé segmentace.

Jde o to rozčlenit zákaznickou bázi na relativně homogenní podskupiny, vůči kterým lze uplatnit stejný marketingový nebo obchodní přístup. Takto sofistikovaná segmentace má málo společného s tradičními přístupy a segmenty typu "muži od 18 do 50 let". Pokročilé technologie a analytické metody včetně technik data mining umožňují na rozdíl od klasických segmentací použít více segmentačních proměnných (v bankovnictví např. objem transakcí, objem úvěrů, velikost společnosti, poměr cizoměnových/tuzemských transakcí) a objevit v zákaznických datech souvislosti a trendy, které často nejsou intiutivní nebo jinak postřehnutelné.

Další příklad - sbohem a šáteček
Dalším z trápení bank na konkurenčním trhu je udržení zákazníků. Podle kvalifikovaných odhadů totiž celých 10% zákaznické báze každoročně migruje ke konkurenci. Akvizice nových zákazníků je přitom velice nákladná a otázkou dne se tedy stává schopnost rozpoznat, kteří zákazníci se pravděpodobně chystají ke konkurenci ještě předtím, než o tom vydají signál (například než zruší všechny účty) a u těch ziskových jim tomu zabránit.

Zkušenosti navíc ukazují, že čím více produktů zákazník koupí u jedné finanční instituce, tím menší je pravděpodobnost jeho odchodu. Jak ale prodat více produktů tak, aby všechny z nich zůstaly profitabilní, případně jak migrovat zákazníky k nejziskovějším produktům? Problematika prevence odchodu zákazníků je tedy úzce spjata s produktovou a cenovou politikou včetně balíčků produktů.

Tento úkol se týká především tzv. retailové klientely bank, u VIP a korporátních zákazníků totiž privátní bankéř lépe odchytí signály o nespokojenosti zákazníka v osobních kontaktu.

Zjistit, kteří zákazníci odešli a proč, není v prostředí bank triviální záležitost. V současné době však již dokážeme s využitím integrace a analýzy dat identifikovat odchody klientů za předchozí období, určíme důvody, které vedly k odchodu zákazníků a zároveň zjištěné poznatky aplikujeme prediktivním způsobem na současnou bázi klientů.

Nutným vstupem jsou data o zákaznících, a to data produktová (počet a druh účtů/produktů, servisní úroveň atd.), behaviorální (průměrný zůstatek běžných účtů, hypotéky, dynamika bankovních transakcí různých druhů, překročení kreditního limitu na některém z účtů, počet pojistných událostí atd.), data o kontaktu se zákazníkem (počet kontaktů s call-centrem atd.) a spolehlivá data demografická.

Zde s vysokou mírou pravděpodobnosti dokážeme s předstihem identifikovat množinu potenciálních ,,uprchlíků". Tato informace je důležitým signálem pro marketing i obchod a dává jim možnost s dostatečným předstihem vznikající situaci zvrátit, například formou cílené nabídky.

Kampaně levněji
Kolikrát denně se vám stává, že vás kontaktují firmy s nabídkou pro vás zcela nerelevantních produktů. A přitom zjistit, na jakou nabídku bude ten který segment pravděpodobně reagovat už dnes, opět není záležitostí věštění z křišťálové koule. V naší firmě nazýváme řízení kampaní s podporou analýzy dat tzv. inteligentním Campaign Managmentem.

Zkušenost mého známého přitom mluví za všechny. Při nákupu nového domu si potřeboval zajistit hypotéku. Obrátil se tedy na svou kmenovou banku s žádostí o informace o hypotékách. Tuto informaci sice dostal, ale nelenil a zjišťoval nabídky konkurenčních ústavů. Jeho banka přitom má obrovské množství dat o jeho finanční situaci, finančních zvyklostech, kreditním riziku atd. k tomu, aby mu včas mohla poskytnout (byť symbolickou) speciální nabídku. Neučinila tak. Neučinila tak ani poté, co známý zrušil termínovaný vklad. Neučinila tak ani poté, co převedl úspory do jiného bankovního ústavu. Co k tomu dodat?

Cílený marketing, nebo také inteligentní Campaign Management, se přitom rozhodně vyplatí ekonomicky. Analýzou dat lze totiž zvýšit jejich efektivnost až o desítky procent, což jsou reálná čísla z projektů realizovaných konzultanty naší firmy. Jedná se o tzv. "lift" efekt. Počty jsou pak jednoduché: kampaň, která dříve stála 20 milionů korun (řekněme že oslovila 1 milion zákazníků za průměrnou cenu 20 Kč na zákazníka) a přinesla navyšovací prodej u 5 000 zákazníků, nyní díky přesnějšímu zacílení a lift efektu 10% bude při stejné odezvě klientů stát pouze 18 milionů. Co k tomu dodat….

Pozn. red.: Šárka Klofáčova působí jako marketingová ředitelka a Marius Máslo jako projektový manažer společnosti Adastra.