Автоматизация управления взаимоотношениями с клиентами банка

Исходя из этих данных ориентировочная  стоимость проекта по внедрению  CRM-системы, включая автоматизацию процессов работы с проблемной задолженностью, автоматизацию процессов розничного направления и автоматизацию процессов корпоративного направления для 1000 пользователей, с учетом стоимости лицензирования и внедрения  прикладного программного обеспечения, а также с учетом приобретения системного программного обеспечения и технических средств составит  1 920 000 долларов США, без учета стоимости работ по сопровождению системы.

Внедрение CRM-системы потребует слаженной и осознанной работы от всех его клиентоориентированных подразделений, обособленных и структурных подразделений, регламентации, а также перестройки бизнес-процессов, что в свою очередь связано с дополнительными затратами и рисками. Однако при всех сложностях, внедрение CRM-системы позволит банку получить эффективный инструмент для повышения своей конкурентоспособности на рынке розничных банковских услуг.

 

3.3 Использование аналитической модуля Siebel eCampaigns для анализа клиентской

 

Рассмотрим, как можно извлечь  закономерности и построить правила из исходной информации. Выявим наиболее значимые факторы, влияющие на принятие решений конкретной группой людей, к примеру, потребителей услуг банка.

Извлечем информацию из исходного  набора данных о том, как прогнозное поле зависит от значения исходных показателей, найдем закономерности в данных и опишем их словами.  Для этого используем модель деревьев решений – это один из алгоритмов Data Mining («добыча знаний»).  Это позволит кластерировать исходные данные и выделить сегменты потребителей, наиболее чувствительные к влиянию рекламы. На основании полученных данных можно будет снизить издержки маркетинговой службы, сконцентрировав усилия на донесении информации конкретным группам потенциальных клиентов.

Проведем анализ  клиентской базы по следующим критериям: возраст, пол, регион, доход, используемые продукты, вид занятости. Необходимо проранжировать и прогруппировать исходные данные. К примеру, возраст можно разделить на социальные группы и закодировать одним значением, к примеру 16-22 года – студенты, 23-55(60)-работающие население, 56(61 и выше пенсионеры).  По мере наполнения и улучшения статистической базы, появляется возможность исследовать конкретную возрастную группу и сделать более мелкие диапазоны для анализа. То есть анализ идет от крупной агрегации к детальной.

Еще один вариант запуска новой  компании  – это предложение  нового банковского продукта в отдельном пилотном регионе (в нашем случае в Гродненском) и  случайно выбранным клиентам.  Сегментация полученных данных позволит выбрать клиентские сегменты, лояльно настроенные к предлагаемому продукту, депозит для пенсионеров «Забота». При этом основная маркетинговая компания уже будет направлена на определенную целевую аудиторию. Идеальный вариант использования таких моделей – это наличие постоянной обратной связи, которая позволит анализировать результаты каждой маркетинговой компании. Постепенно расширять число моделей и улучшать их качество.

Преимущество построения дерева решений в том, что алгоритм расчета сам выделит наиболее важные показателя для принятия решений. В одной клиентской группе более важен вид занятости, в другой – доход, в третьей – имеет ли клиент кредит в банке. И значит, для каждой группы клиентов, будет построено своё дерево решений, которое опишет предпочтения анализируемого потребительского сегмента наиболее полно.

Банк получает следующие преимущества:

- увеличение прибыльности бизнеса;

- увеличение соотношения числа  продаж к числу контактов с  клиентами;

- увеличения числа повторных  продаж продуктов существующим  клиентам, кросс-продажи, пакетные услуги;

- увеличение лояльности клиентов  и формирование нерыночных каналов продаж через «клиент сказал клиенту»;

- уменьшение расходов на рекламные  компании через повышение эффективности  компаний;

- снижение маркетинговых затрат  путем использования новых каналов продаж, оптимизации существующих;

- он-лайн контроль эффективности  рекламных компаний, поиск наиболее  эффективных маркетинговых программ, коррекция компаний;

- снижение расходов благодаря  отказу в продаже заведомо  “провальных” продуктов заведомо нелояльным категориям клиентов, возможно отказ от таких клиентов;

- снижение оттока клиентов.

В качестве исходных данных взят файл с данными о вкладчиках. Результат  исследования содержит 482 факта. Исходный файл содержит такие поля:

EDUCATE – число лет образования;

GENDER – пол;

AGE – возраст;

TVDAY – среднее число часов  просмотра TV в день;

ORGS – кодированная принадлежность  к какой-либо организации;

CHILDS – количество  детей;

INC – еще какой-то признак,  возможно принадлежность к бизнесу;

NEWSCHAN – подверженность влиянию новостей (рекламы) – это прогнозное поле,  на основании которого модель обучается.

На рисунке 13 показан пример исходных данных.

 

Рисунок 13 – Исходные данные

Примечание - Источник: Собственная разработка

 

Загрузим эти данные в аналогичную по структуре платформу (рисунок 14):

 

Рисунок 14 – Выгрузка данных в модуль Siebel eCampaigns

Примечание - Источник: Собственная разработка

 

И построим модель процесса обучения на основе дерева принятия решений (рисунок 15):

Рисунок 15 – Модель процесса анализа на основе дерева принятия решений

Примечание - Источник: Собственная разработка

 

В качестве источника данных процесса используется  база данных. В качестве цели – узел с типом «ДеревоПринРешений». Входные параметры типизируем и установим тип значения. «Дискретный» для тех, которые имеют несколько значений и «непрерывный» для тех, которые имеют диапазон значений (рисунок 16).

 

Рисунок 16 – Типизация значения исходных полей

Примечание - Источник: Собственная разработка

 

Для непрерывных величин установим  диапазоны значений по группам. На примере  ниже возраст делим на группу 16-22 года – “студенты”, 23-30 – “молодежь”, 31-55 – “продуктивное время”, 56 и  выше - пенсионеры.  Эти диапазоны  будут использоваться как дискретные величины при построении дерева решений (рисунок 17).

 

Рисунок 17 – Диапазоны значений по группам

Примечание - Источник: Собственная разработка

 

Зададим параметры построения дерева (рисунок 18):

Рисунок 18 – Параметры построения дерева принятия решений

Примечание - Источник: Собственная разработка

 

И визуализируем полученную модель (рисунок 19):

 

Рисунок 19 – Модуль дерева принятия решений

Примечание - Источник: Собственная разработка

 

 Видно, что модель из всего  пула начальных величин выделила 2 признака – возраст и принадлежность к организации. Соответственно модель содержит 2 уровня нижестоящих узлов.

Попробуем сделать тестовый просмотр примера. Для возраста 52 года и принадлежности к организациям 0 выполним расчет (рисунок 20):

 

Рисунок 20 – Расчет вероятности по возрастной категории

Примечание - Источник: Собственная разработка

 

Мы попали в узел дерева, который утверждает, что шанс попасть под действие новостей (рекламы) у анализируемого человека 62%.

Поиск показывает, что мы попали в  такой узел (рисунок 21):

 

Рисунок 21 – Узел дерева принятия решений по возрастной категории

Примечание - Источник: Собственная разработка

 

Этот узел содержит 134 из 482 исходных примера и зависит только от значения возраста. Данное решение абсолютно логично, т.к. у более взрослых людей привычки и предпочтения становятся более фиксированными и могут зависеть более от возраста, чем от остальных факторов.

Модель деревьев решений построена. Теперь необходимо интегрировать модель в общий процесс оценки (скоринга).  Положив искомое значение в таблицу-источник, получаем рассчитанный прогноз (рисунок 22).

 

Рисунок 22 – Модель  процесса скоринга

Примечание - Источник: Собственная разработка

 

Создадим функциональный модуль, который: 1) запишет запись во входную таблицу; 2) сделает прогонку модели (существует специальный программный модуль RSAN_PROCESS_EXECUTE в стандарте); 3) считает данные из целевой структуры. В выходных параметрах мы получили не только вероятность для данного узла, значение, но и его порядковый номер (рисунок 23).

 

Рисунок 23 – Результат классификации клиентской базы по депозиту «Забота»

Примечание - Источник: Собственная разработка

 

В итоге мы получили результат при анализе клиентов.  К примеру, депозит “Забота” необходимо предлагать мужчинам от 50 лет, которые имеют прописку в области и заняты на государственной службе – вероятность успешной продажи 72%. Это удешевляет продажи существующих продуктов и облегчает запуск новых. Клиент ощущает меньше негатива, когда ему предлагают продукт, явно вне пределов его финансовых возможностей.

Эти же правила можно интегрировать  в интерфейс фронт-офисной программы  или  CRM. Тогда уже при заполнении полей анкеты клиента можно получить список продуктов, которые необходимо предложить клиенту. А также проводить  контроль выполнения этих требований от каждого менеджера по продажам фронт-офиса.

Необходимо сделать вывод, что  аналогичный анализ можно провести, к примеру, по различным сегментам клиентов банка. Результаты маркетинговой компании, загруженные обратно в систему анализа позволят и улучшить  прогноз за счет новых данных.  Подобные исследования будут актуальны и востребованы при условии динамичного обновления данных в системе. Возможные каналы донесения информации клиенту – реклама, обзвон, рассылка по почте, рассылка SMS.  При этом не стоит забывать об активной работе с текущими клиентами по анализу их потребностей. Необходимо поэтапно улучшать качество клиентских данных и совершенствовать модели.

 

 

 

 

 

ЗАКЛЮЧЕНИЕ

 

Сегодня банки, являясь  важнейшими финансовыми институтами страны, строят свою деятельность на бизнес-технологиях, поскольку именно информационные технологии в современных условиях являются фундаментом банковского бизнеса. Влияние информационных технологий на банковский бизнес увеличилось настолько, что автоматизация, подобно финансовой политике банка, во многом определяет конечный результат деятельности кредитных организаций.

Основой надежной работы любой автоматизированной системы является качественная первичная  информация. Комплексное функционирование на операционном уровне в среде локальных и (или) глобальных вычислительных сетей ставит задачи, связанные с первичной обработкой и сбором данных, подготовкой информации для руководства и управлением финансово-экономической деятельностью банка. Расширение круга решаемых задач приводит к необходимости появления новых решений в области автоматизации банковской деятельности, позволяющих повысить уровень управления и качества комплексного обслуживания клиентов. В то же время новые подходы не должны противоречить действующим в банке технологическим процессам, максимально сохраняя и поддерживая те из существующих методов, которые объективно направлены на решение стоящих перед банком задач.

Ключевая тенденция построения IT-инфраструктуры в банках сегодня  — это создание единого центра обработки данных для всех подразделений вне зависимости от их территориального расположения. Централизация IT-систем позволяет банкам снижать издержки и упрощать обслуживание инфраструктуры. Таким образом, основой практически всех приложений становится централизованная инфраструктура.

Сегодня потенциальный клиент все  больше внимания уделяет не только процентной ставке, но и качеству сервиса.  Одним из решений данной задачи является внедрение CRM-системы.

В результате исследования выполнены поставленные задачи:

- рассмотрены проблемы использования автоматизированных банковских систем и пути их решения для дальнейшей работы по продвижению банковских продуктов;

- проведен сравнительный анализ выбранных CRM-систем в среде СППР (Assistant Choice);

- рассмотреть функциональные возможности CRM-системы Oracle Siebel CRM;

- решена задача с использованием аналитической модуля Siebel eCampaigns по сегментированию клиентов-вкладчиков, наиболее чувствительных к влиянию рекламы.

В результате исследования можно сделать следующие выводы:

- внедрение CRM-системы и единой клиентской базы необходимо для повышения его сервисных качеств.

- целесообразно проведение референс-визитов в страны СНГ для ознакомления с передовым опытом внедрения и использования  CRM-систем в банках.

- Реализованные в Siebel eCampaigns механизмы позволяют решить задачу создания консолидированного хранилища информации о клиентах, обеспечивая к тому же и непротиворечивость хранимой информации, формализовать знания экспертов, создать модели классификации клиентской базы, с помощью средств визуализации представить наглядные результаты. Осваивая передовые технологии добычи знаний, и применяя их для оценки потенциальных клиентов, банк может быть более конкурентоспособным на рынке розничных услуг, а также получает возможность минимизировать свои риски.