Крис Скиннер - Цифровой банк. Как создать цифровой банк или стать им

И вот здесь на передний план выходит глубинный анализ данных (data mining). Суть его заключается в очень сложной обработке данных для поиска связей между различными и разрозненными фрагментами данных. В банковском деле анализ производится индивидуально в отношении каждого клиента, с тем чтобы, тщательно изучив историю его транзакций, найти способы поднять продажи. Данная практика отражена в концепциях маркетинга «один на один» в книгах Марты Роджерс и Дона Пепперса, а также в работах других авторов, например Фридриха Рейчхелда, изучавшего лояльность клиентов. Теперь все мы говорим об экономике впечатлений (еxperience еconomy) и дружелюбном банкинге (еngagement banking), но я сомневаюсь, действительно ли банки понимают это.

История глубокого анализа данных начинается в 1990-х; в то время он был целиком направлен на более эффективное использование данных в продажах. Получить больше перекрестных продаж, углубить деловые связи, извлечь больше прибыли, избавиться от малоперспективных клиентов… Никакой направленности на улучшение качества обслуживания не было в то время. Подобное наблюдалось в период реорганизации бизнес-процессов, когда банки предпринимали попытки выстроить свои процессы вокруг взаимоотношений с клиентами… Вместо этого большинство банков предпочли небольшие постепенные усовершенствования внутренних процессов с целью снизить издержки.

Сейчас всё по-другому.

В основе больших перемен лежат информационная экономика и возможность для новых игроков использовать информацию как оружие в конкурентной борьбе. Глубокий анализ данных способен сегодня наладить такие взаимоотношения с клиентом, которые обеспечат глубину, лояльность и продажи – всё, чего пытались достичь банки десять лет назад, и всё это может быть сделано сегодня без вмешательства человека. Мы видим это в работе Apple, Amazon, Google и подобных компаний.

Если говорить об Apple, всякий раз, когда вы скачиваете приложение или музыкальный трек, вы неожиданно получаете рекомендации о тысяче других. В музыкальном сервисе Apple каждый музыкант, которого вы слушаете, приводит пятерых других, которые вам могут понравиться.

То, что делает сегодня Google, еще интереснее. Используя ваш IP-адрес, он отправляет вам информацию и рекламу, которые соотносятся с вашей историей поиска. Всё распознается, анализируется, алгоритмически обрабатывается и затем персонализируется таким образом, что маркетинговое видение «один к одному» десятилетней давности может быть реализовано дешево и легко.

Что же банки делают с этим? Не так уж и много. Большинство не распространяются публично о том, как они используют данные о транзакциях клиентов в качестве конкурентного оружия, потому что это именно конкурентное оружие. Visa ведет себя необычно, заявляя, что теперь может проанализировать двухлетнюю историю операций клиентов, или 73 млрд транзакций, что эквивалентно 36 терабайтам данных, за 13 минут, используя облачные вычисления. Прежде это заняло бы месяц с привлечением традиционных внутренних компьютерных ресурсов компании. Что это означает? Это означает, что Visa, сотрудничая с банками, может распознавать образ жизни клиента, его потребности, взаимосвязи и мечты. А банки в свою очередь могут делать предложения, отвечающие на эти потребности и мечты.

Проактивный банк

Когда Google знает о том, что я ищу и, следовательно, о чем я думаю, он в состоянии прогнозировать, что соответствует моим ожиданиям. Если я искал информацию о побочных эффектах таблеток от головной боли, он может порекомендовать мне переключиться на парацетамол и направит меня в ближайшую Boots или Walgreens[72 - Британская и американская аптечные сети. Прим. перев.]. Если мне случалось интересоваться ценами на телевизионные панели, он может предложить мне скидку в магазинах Best Buy или PC World. Если вы не считаете, что Google Analytics – это ключевой компонент проактивного маркетинга, то вам следует знать, что Google достаточно точно прогнозирует движения фондового рынка, а также эпидемии гриппа, результаты выборов и многое другое.

Точно также банки могут использовать данные о предыдущих транзакциях, объединенные с поисковой историей и другими данными, чтобы предвидеть и делать актуальные предложения в реальном времени. Такой сервис мог бы предложить автокредит, когда вы проезжаете мимо салона дилера BMW, которым вы интересовались в Google прошлым вечером, или предложить ипотечный кредит, когда вы направляетесь в агентство недвижимости выбранного вами накануне агента.