Кризис заставил банки анализировать большие данные банкоматов
Как подтвердили CNews сразу несколько источников, в последнее время порядка 7–8 банков запустили проекты по анализу больших данных для оптимизации размещения и загрузки банкоматов. Одновременно банки всерьез обеспокоены возможным негативным отношением общественности к технологиям больших данных и потенциальными обвинениями в виртуальной слежке, и поэтому тщательно скрывают информацию о таких проектах. Ни один из ИТ-поставщиков не назвал банки, с которыми сотрудничает в этом направлении.
Причину повышенного интереса к оптимизации сети банкоматов эксперты видят в нестабильности валютного рынка. Держать лишнюю наличность в банкоматах стало невыгодно. Решения, основанные на анализе данных, поступающих с банкоматов, и информации из всевозможных внешних источников, позволяют построить модель, прогнозирующую потребность в наличности. На основе оценки оптимального объема денег в банкоматах можно составить график инкассации банкоматов.
В компанию "Алгомост" обратились 5 банков уровня второй-третьей десятки по величине активов, желающих оптимизировать загрузку банкоматов. В трех из них внедрение уже проведено. Основатель компании Михаил Левиев рассказывает, что его клиентам удалось уменьшить число инкассаций до 27%. Одновременно количество жалоб от недовольных клиентов, которые не могут снять наличность, уменьшилось на 15%. В компании Cleverdata знают о 3 подробных проектах и уверены, что это далеко не все кейсы.
«В этом сезоне модно оптимизировать работу банкоматов», – шутит Алексей Натекин, со-основатель DM Labs. По его данным, решения, помогающие предсказать востребованность наличности для оптимизации банкоматов, позволяют сократить расходы на поддержку сети на 20% и выше.
«Усложнение экономической обстановки ведет к ужесточению конкуренции, а значит средства, позволяющие банку повысить экономическую эффективность своих процессов и сконцентрировать работу на прибыльном сегменте клиентов, будут все более востребованными, – говорит Сергей Нестеренко, руководитель отделения интеграции данных IBS. – Анализ загрузки банкоматов, анализ профилей поведения клиентов помогают снизить операционные затраты и уровень мошенничества». В качестве средств, позволяющих концертировать работу на прибыльном сегменте рынка, эксперт назвал инструменты сегментации и моделирования поведения клиентов с использованием данных социальных сетей, интернета, а также внешних источников, таких как бюро кредитных историй, пенсионный фонд и др.
Сопоставление статистики о транзакциях в банкоматах с информацией из внешних источников позволяет находить новые зависимости и строить более эффективные модели. «Самый большой эффект дает обогащение данных, – считает генеральный директор Cleverdata Денис Афанасьев. – Решая задачу с одним из заказчиков, мы нашли зависимость между погодой и снятием наличных. Если идет дождь, то, скорее всего, клиенты не будут снимать наличные, а будут сидеть дома и оплачивать покупки в интернете. В хорошую погоду люди идут гулять и активнее пользуются банкоматами».
Павел Тулубьев, руководитель службы CRM «Лето Банка», считает, что многие недооценивают банкоматы как канал коммуникации с клиентами. Их преимущества эксперт видит в том, что это входящий канал общения, инициатором которого выступает сам клиент. Кроме того, для коммуникации не требуется наличие контактных данных, что особенно актуально для зарплатных проектов. Эксперт призывает анализировать геолокационные данные о клиентах, поступающие с банкоматов. Это может помочь в противодействии мошенничеству, например, при блокировке сомнительных операций.
В неблагоприятных экономических условиях компании начинают вплотную заниматься повышением эффективности, снижением рисков и удержанием клиентов, а это как раз те области, где эффект от технологий больших данных может быть значительным, считает Дмитрий Шепелявый, заместитель генерального директора SAP СНГ. «Сферы, в которых технологии больших данных помогают нивелировать последствия экономических трудностей, достаточно разнообразны. Правильный анализ больших данных позволяет снижать затраты на ремонты в металлургии, управления рисками ликвидности в банках», – рассказал эксперт.
Помимо прогнозирования потребности в наличности, есть еще одна сфера оптимизации банкоматов с применением больших данных – определение наилучших точек их размещения. Эта задача относительно клиентопотока преимущественно решается с привлечением данных телеком-операторов.
