Data fusion: big data с человеческим лицом

Денис Суржко
начальник управления перспективных алгоритмов машинного обучения ВТБ

Если десять лет назад сбор больших данных считался революционной практикой, то теперь подобная технология — это условие устойчивости бизнеса на рынке. Данные применяются прежде всего для улучшения клиентского сервиса, управления рисками, персонификации предложения и противодействия мошенничеству. Однако компаниям мало только собственных данных, и без кросс-индустриальных данных о клиенте они рискуют терять позиции. Технология data fusion — это новое направление работы с данными, которое значительно расширяет знания бизнеса о потребителе. О том, что такое сквозное объединение данных и как оно применяется в банковской сфере, рассказывает Денис Суржко, начальник управления перспективных алгоритмов машинного обучения ВТБ.

Исторически банки были одними из первых компаний, которые научились извлекать ценность из статистических данных о клиентах. Первые модели кредитного скоринга, позволяющие автоматически принимать решения, датируются еще 50-ми годами прошлого века. Неудивительно, что в эпоху big data финансовая отрасль входит в число лидеров в задачах работы с данными. Например, в 2017 году банки США накопили 1 эксабайт данных — это свыше миллиона терабайтов. Сейчас эта цифра значительно выше.

Банки получают доступ ко всем финансовым операциям клиента: пополнение счета, снятие наличных, накопления, оплата счетов. Кроме того, при оформлении банковских продуктов человек оставляет свои паспортные данные, заполняет детальные анкеты. Трансакционная активность позволяет проследить перемещение. В совокупности это может напугать, но на самом деле положительного в сборе этих данных значительно больше, чем отрицательного.

Аналитика во благо

Аналитика больших данных — важный инструмент для развития клиентского сервиса, совершенствования банковских продуктов и повышения эффективности работы организации.

На сегодняшний день все успешные финансовые организации используют big data в работе. Во многом именно от этого зависит конкурентоспособность организации на рынке. Благодаря big data и алгоритмам искусственного интеллекта (ИИ) в банковской сфере произошел важный поворот от продуктоцентричного к клиентоцентричному подходу: для повышения продаж услуги должны быть ненавязчивыми, удобными.

Большие данные являются источником инсайтов о клиентском поведении и позволяют вычленять закономерности и предпочтения разных категорий потребителей. Именно аналитика больших данных позволяет предлагать клиентам персонифицированные продукты или выстраивать таргетированные коммуникации. В других сферах, например ретейле, большие данные обеспечивают эффективную работу рекомендательных систем, а данные о геолокации, взятые у телеком-операторов, позволяют оптимизировать маршруты общественного транспорта.

Вопреки заблуждениям о том, что сбор персональных данных финансовыми организациями ущемляет безопасность, аналитика больших данных помогает пресекать мошенничество. Например, когда пользователь со стабильным доходом и накоплениями резко снимает все деньги и пытается перевести их на другие счета, искусственный интеллект воспринимает это как подозрительную операцию и подает сигнал тревоги. Тогда банковские операции могут быть приостановлены до момента, когда клиент подтвердит свое намерение сделать перевод. Похожим образом система антифрода Visa ежегодно пресекает попытки мошенничества на общую сумму около 2 млрд долларов.

К тому же большие данные — это способ банка обезопасить себя и своих клиентов от чрезмерных рисков. Например, геоаналитические модели, разрабатываемые банком на основании объединения внутренних и внешних данных о финансовой активности клиентов, позволяют компаниям более эффективно открывать точки продаж, одновременно минимизируя бизнес-риски и повышая свою доступность для потенциальных покупателей.

Предугадывание желаний

Располагая всей полнотой данных, банки стали предлагать клиентам персонифицированные продукты, подбирая их на основе клиентского поведения. Автоматические расчеты кредитного лимита, рекомендации по открытию инвестиционных вкладов и даже советы по управлению финансами. Эксперты отмечают, что такие советы повышают лояльность клиента и препятствуют смене банка, поскольку человек воспринимает финансовую организацию не столько как поставщика услуг, сколько как советника по планированию бюджета.

В настоящий момент потенциал собранных данных раскрыт не полностью. Данные всегда несут большой синергетический потенциал, однако ни одна из отраслей не способна создать полную картину цифровых следов своих клиентов без синергии с другими отраслями. Для того чтобы синергия данных несла новые возможности, а не риски для клиентов, она должна базироваться на качественно новых современных технологических концепциях, таких как data fusion.

Поэтому если раньше с рынка вытеснялись компании, которые не использовали big data, то сейчас эта участь ожидает тех, кто не согласен создавать кросс-индустриальные объединения данных с компаниями-партнерами. Эта технология получила название data fusion — сквозное объединение данных. Она позволяет создать полноценную картину цифровых следов за счет объединения деперсонифицированных (обезличенных) баз данных в единый массив.

Помимо банков в синергетическом эффекте от данных заинтересованы ретейлеры и телеком-компании. В этих сферах аккумулируются данные о трансакциях, детализация потребительских предпочтений, сведения о перемещениях. Однако простое объединение первичных данных в едином data lake не только порождает дополнительные риски утечки информации, но и в ряде случаев противоречит этическим принципам применения big data и ИИ.

Решить эту проблему удалось в том числе с помощью нового подхода формирования управляемых представлений данных, в том числе с использованием глубоких нейронных сетей. Подобные представления данных не несут рисков утечки первичной информации, но, например, сохраняют ценность для предсказания потребностей клиента при применении ИИ. Именно data fusion занимается системным осмыслением и решением подобных проблем.

Полученная с помощью сквозного объединения совокупность данных позволит формировать поведенческий профиль и создавать гиперперсонифицированные предложения. Банки смогут даже в самых незначительных ситуациях предлагать решения, основанные на анализе поведения клиента. И такие советы будут значительно точнее человеческих решений. Например, банки смогут с намного большей точностью проводить оценку инвестплана, прогнозировать риски и даже выбирать наиболее подходящее местоположение для открытия магазина.

Разговор на одном языке

На сегодняшний день технологию data fusion активно внедряют несколько крупных компаний, в числе которых ВТБ в партнерстве с «Ростелекомом». Среди направлений, в которых ВТБ применяет объединение данных прямо сейчас, кредитный скоринг, прогнозирование рисков, разработка новых продуктов, геоаналитические сервисы для эффективного развития бизнеса и выстраивание маркетинговых коммуникаций на основе более узкого сегментирования клиентов по поведенческим группам.

Если говорить о коммуникациях, то внутренние исследования подтверждают эффективность подхода. Разработка креативов, подбор каналов и формата коммуникации в зависимости от особенностей поведения разных сегментов потребителей приводит к росту продуктивности маркетинговых кампаний.

Кроме роста эффективности работы с текущими клиентами и полной замены спама узкотаргетированными предложениями, сквозное объединение позволит выйти на новые аудитории. Реализация концепции data fusion повышает тонкость восприятия банком потребностей и предпочтений, а значит, позволяет найти идеальный баланс в коммуникации с каждым клиентом в отдельности.

Мнение автора может не совпадать с мнением редакции