margin-top: 125px; border: 1px solid gray; } -->

Case study: vyhodnocení chování klienta v bankovním sektoru

Ing. Michal Bank , 10. květen 2013 08:00 0 komentářů
Case study: vyhodnocení chování klienta v bankovním sektoru

Klient a jeho chování je jednou ze základních informací, pomocí kterých banka řídí průběh schvalování úvěrů a dalších produktů, měří profitabilitu, oživuje nabídku produktů a nastavuje marketingové kampaně a strategie pro oslovování zákazníka.

Pohled na jednotlivé zákazníky je ale zejména v retailovém sektoru nemožný. Ve stovkách tisíců a miliónech klientů vzniká potřeba vytvořit jakési „škatulky“, podle kterých může banka nastavit vlastní rozhodování. Z tohoto důvodu banky vytvářejí různé behaviorání modely a segmentace, které jim tuto práci usnadní. Výsledkem takové segmentace může být přiřazení nějaké kategorie nebo čísla v podobě score danému klientovi na základě parametrů vycházejích z jeho chování na produktech banky.

Pohled jednotlivých útvarů

Množina vstupních parametrů i výsledných kategorií se může samozřejmě diametrálně lišit. Největší rozdíly můžeme najít v odlišných pohledech a požadavcích na chování klienta mezi odděleními banky.

Například marketing může požadovat za jeden z hlavních parametrů to, jestli klient využívá běžný účet jako svůj primární účet (na který chodí jeho výplata, ze kterého platí kartou v obchodech a odesílá pravidelné platby). Další zajímavou informací je chování na kreditních kartách – jak často platí v jakých částkách atd. Výsledky segmentace slouží pro marketing potom pro sestavení kampaňových bazénů pro cross-sell nebo up-sell.

Pro řízení rizik jsou zase upřednostňovány jiné metriky, zejména delikvence klienta (jak často platí pozdě splátky, kolik dní atd.), příjmy nebo výše dluhu u ostatních bank. Tyto metriky jsou následně využívány pro schvalování dalších produktů klientovi.

Pro produktové oddělení může segmentace sloužit jako podklad úspěšnosti zavádění nových produktů, definici balíčků produktů nebo pro loajalitní programy.

Business zadání

Dostáváme se tedy k definici reálného požadavku, který z toho vyplývá – vytvořit řešení, které businessu umožní definovat segmentaci, pravidla jejího výpočtu a zobrazení výsledku. Vzhledem k tomu, že tržní prostředí je neustále v pohybu a s ním se mění i požadavky businessu, je nutné řešení vytvořit dostatečně parametrizovatelné, aby změny v definici segmentace byly flexibilní a nebyly zbytečně nákladné.

Datové entity pro definici segmentace

Diagram datových entit, tak jak vyplývá z výše uvedených informací.
Diagram datových entit, tak jak vyplývá z výše uvedených informací.

Pro definici požadavků businessu je nutné postavit segmentační komponentu, která bude použitelná pro dávkové zpracování a zároveň bude dostateně pochopitelná a použitelná pro business zadavatele.

Výsledek segmentace (např. segmentace klientů pro marketingovou kampaň) je stanovení konkrétního segmentu klientovi (např. segment SAVER pro klienty s vysokým zůstatkem na spořících účtech). Tento segment je určen pravidly, z nichž pravidlo může mít několik podmínek neboli parametrů složených z kritéria a logické podmínky s hodnotou (např. celkový zůstatek na spořících účtech >= 250 tisíc).

Příklad segmentační komponenty

Tabulka segmentací:

SEGMENTATION_ID DESCR
BEH_01 Testovací segmentace

Tabulka segmentů:

SEGMENT_ID SEGMENTATION_ID PRIORITY DESCR
LOYAL_SAVER BEH_01 1 Výběry z bankomatu debetní kartou - víc než 10
CARD_USER BEH_01 2 Nedelikventní klient s primary bankingem
REGULAR_CLIENT BEH_01 3 Bonitní klient - platby kredit. kartou nad 10.000 za poslední měsíc

Tabulka pravidel:

RULE_ID SEGMENT_ID SCORE DESCR
101 REGULAR_CLIENT 5 Výběry z bankomatu debetní kartou - víc než 10
102 REGULAR_CLIENT 15 Nedelikventní klient s primary bankingem
103 CARD_USER 30 Bonitní klient - platby kredit. kartou nad 10.000 za poslední měsíc
104 LOYAL_SAVER 20 Zůstatek na spořících účtech min. 250000

Tabulka kritérií:

CRITERIA_ID DESCR
ATM_TRN_CNT Počet transakcí na ATM
MAX_DELQ Maximální delikvence klienta
PRIM_BANKING_FLAG Příznak primárního bankovnictví
AGE Věk klienta
NET_INC Čistý příjem klienta z poslední dostupné žádosti
DB_TRN_AMT Objem debetních transakcí (v CZK)
SAVINGS_ACC_BAL Zůstatek na spořících účtech

Parametry pravidel:

RULE_PARAM_ID RULE_ID LOG_GROUP PROD_FILTER CRITERIA_ID OPER VAL
101001 101 1 Deb. karta ATM_TRN_CNT > 10
102001 102 1 % MAX_DELQ = 0
102002 102 1 % PRIM_BANKING_FLAG = 1
102001 103 1 % AGE >= 40
103002 103 1 % NET_INC > 20000
103003 103 1 Kredit. karta DB_TRN_AMT >= 10000
103004 103 2 % AGE < 40
103005 103 2 Kredit. karta DB_TRN_AMT >= 10000
104002 104 1 Spoř. účet SAVINGS_ACC_BAL >= 250000
104004 104 2 Spoř. účet SAVINGS_ACC_BAL >= 250000

Zdrojová data

Vzhledem k tomu, že zdrojovými daty můžou (a většinou jsou) nejrůznější informace, které jsou v bance roztříštěné po několika systémech, je vhodné použít jako zdroj dat datový sklad, který takovéto informace obsahuje.

Zároveň je nutné, abychom měli k dispozici konsolidované informace o klientovi, jeho produktech či službách a další data podle konkrétních požadavků businessu.

Typickým zdrojem pro takovýto druh výpočtu je datamart obsahující klientské a produktové informace v agregované úrovni.

Proces vyhodnocení

Datový tok je vyobrazen na diagramu.
Datový tok je vyobrazen na diagramu.

Výpočet výsledné segmentace vznikne spojením zdrojových dat a segmentační komponenty. Výsledek je uložen v granularitě klienta tak, že každé jedné segmentaci odpovídá jeden segment. Volitelně je možné navíc na klienta napočítávat score podle splněných kritérií.

Detailní technické řešení závisí na konkrétních businessových požadavcích, struktuře zdrojových dat a použitých technologiích.

Výhody řešení

Už jste se octli v situaci, že nevíte, jak přesně vaše banka segmentuje klienty? Nebo jsou segmentace řešeny jako adhoc procesy bez konzistentní historie? Je zavádění nových segmentací příliš komplikované a nákladné? Přesně tyto problémy se snaží výše uvedené řešení odstranit. Parametrizovatelná segmentační komponenta přináší zjednodušení a zpřehlednění business pravidel se zárukou auditovatelnosti a konzistence dat.

adastra

Ing. Michal Bank

Ing. Michal Bank

Autor pracuje na poradenské pozici ve společnosti Adastra s. r. o.


Komentáře


RSS 

Komentujeme

Chatbot mluví za mrtvého – od nápadu k realizaci

Pavel Houser , 30. listopad 2016 13:00
Pavel Houser

Na webu The Verge popsala Casey Newton příběh dvou přátel (Eugenia Kuyda a Roman Mazurenko). Peripet...

Více





Kalendář


RSS 

Zprávičky

Telefony Nokia se příští rok vrátí na trh

ČTK , 02. prosinec 2016 10:30

Chytré telefony se značkou Nokia se objeví zpátky na trhu v příštím roce. Finská společnost Nokia dn...

Více 2 komentářů

CETIN nabídne příští rok operátorům připojení až 250 Mbit/s

ČTK , 01. prosinec 2016 17:00

Společnost Česká telekomunikační infrastruktura (CETIN) zvýší od května příštího roku rychlost inter...

Více 0 komentářů

Akcie Samsungu stouply na nový rekord

ČTK , 01. prosinec 2016 12:00

Akcie jihokorejské společnosti Samsung Electronics dnes stouply o více než čtyři procenta na nový re...

Více 0 komentářů

Starší zprávičky

FBI bude moci s povolením soudu pronikat do jakýchkoli počítačů

ČTK , 01. prosinec 2016 10:30

V americkém Senátu dnes selhal poslední pokus o zablokování rozšířených policejních pravomocí, které...

Více 2 komentářů

Gartner:Prodej tabletů v ČR letos klesne o osm procent na 1,1 mil

ČTK , 30. listopad 2016 14:00

Zájem o tablety letos dále klesá. Prodej tabletů a hybridních notebooků na českém trhu se letos sníž...

Více 0 komentářů

Grafen opracovaný laserem

Pavel Houser , 30. listopad 2016 11:00

Na Iowa State University přišli s další metodou pro tištění grafenových součástek. V tomto případě j...

Více 0 komentářů

GFI Software přichází s beta verzí pokročilé cloudové ochrany e-mailu

Petr Velecký , 29. listopad 2016 18:00

Beta verzi své nejnovější cloudové platformy pro zajištění bezpečnosti a kontinuity provozu podnikov...

Více 0 komentářů