Zrychlit vyřízení hypotéky o více než 30 dní nebo o pětinu zkrátit dobu, za kterou dostanete peníze na úvěr. Čas jsou peníze, což moc dobře vědí všichni. Banky a pojišťovny proto neustále vylepšují své procesy, aby dokázaly zákazníkům poskytnout co nejlepší a nejrychlejší servis, protože konkurence je vysoká. A odpověď často leží v datech.

Rychlejší vyřízení finančních produktů má v některých tuzemských institucích na svědomí Trask. Česká technologická společnost spolupracuje s bankami a pojišťovnami už přes 25 let a teď ještě více investuje do tzv. data science, tedy zkoumání a efektivního využívání dat, bez kterého se už často firmy neposunou.

„Pokročilá prediktivní analytika dnes může v bankách, pojišťovnách i dalších finančních institucích zpřesňovat a celkově zefektivňovat veškeré jejich obchodní aktivity, například prostřednictvím vysoce personalizovaných nabídek šitých na míru jednotlivým klientům,“ vysvětluje Lucie Slavíčková.

Inteligentní prací se zákaznickými daty a celkově datovou vědou se Slavíčková zabývá již přes 10 let. Zkušenosti sbírala v České pojišťovně, GE Capital a Monetě a nyní vše zúročuje v Trasku, kde působí jako šéfka Data Science a Customer Intelligence.

Bez pečlivé práce s daty, včetně umění rozpoznat zákazníka a dodávat mu služby, které přináší přidanou hodnotu, se dnes neobejde prakticky žádná firma, jež chce úspěšně prodávat své produkty. Jde jak o vyladění produktů samotných, všech navazujících procesů i následného marketingu.

„Pomáháme především klientům z finanční sféry identifikovat nejvhodnější zákazníky pro konkrétní obchodní nabídku a rozpoznat správný okamžik pro retenční, prodejní či neprodejní aktivitu,“ říká Lucie Slavíčková s tím, že druhá zásadní činnost jejího týmu spočívá v optimalizaci úloh.

Pod tím se neskrývá nic jiného než zevrubná analýza komplexnějších procesů, což může být ve finančním světě například pobočková síť. V Trasku dokáží díky vlastnímu nástroji Process Discovery přímo ze syrových dat, IT logů, zrekonstruovat veškeré procesy, které následně zvizualizují, a změří intenzitu a délku trvání jednotlivých kroků.

V případě pobočkové sítě se tak analyzuje veškeré dění na pobočkách, ale také veškeré interakce klientů s danou finanční institucí napříč všemi komunikačními kanály. Komplexní analýza podle Slavíčkové trvá obvykle dva až tři týdny, stejně dlouho pak její tým pracuje i na vytvoření prediktivního modelu, podle kterého se určují další kroky. Nic se však nedělá samoúčelně.

„Nejdůležitější je správné použití prediktivního modelu v praxi, vytvoření či uzpůsobení všech relevantních byznysových procesů ve firmě tak, aby zapojení modelu přineslo kýžený obchodní efekt,“ upozorňuje Slavíčková, která dodává, že pokud firmy dlouhodobě a podrobně sledují své procesy, mohou si nyní dobře vyhodnotit i to, jak je ovlivnila koronavirová krize a práce z domova.

„Dokážeme pomoci manažerům ověřit efektivitu například back office zaměstnanců, kteří nyní pracují z domova,“ říká Slavíčková. To je ale spíše vedlejší efekt. Od začátku roku se totiž Trask soustředí na pojišťovnictví a to, jak díky data science vylepšit uživatelský zážitek, což jinými slovy znamená zlepšit pojišťovací produkty.

Detaily, které na první pohled nejsou vidět

V Trasku aktuálně vidí dvě hlavní témata, která chtějí spolu se svými klienty, mezi něž patří největší tuzemské banky i pojišťovny, posouvat dál – jde jednak o promptní reakce na chování klientů v online prostředí a také predikce stornovosti pojistek a klientů, kteří přestanou v nejbližší době platit.

Na základě chování uživatelů na webu a dalších klientských dat lze vytvořit prediktivní model, který je schopen identifikovat klienty s největší pravděpodobností zájmu o nákup konkrétního produktu.

Foto: Trask

Sídlo společnosti Trask v Praze

„Pokud je model zasazen do real time prostředí, dokáže promptně servírovat významné události (triggery) například rovnou na call centru, kde na zatím klientem nevyřčený zájem mohou operátoři ihned zareagovat,“ říká Slavíčková. Výsledkem mohou být vyšší prodeje i úspěšnost a návratnost marketingových aktivit, které jsou přímo a konkrétně cíleny.

Obzvlášť v současné situaci je ale pro pojišťovny také důležité předvídat, kteří klienti by mohli z různých důvodů stornovat své pojistky nebo je přestat platit. Na základě prediktivních modelů může být pojišťovna opět o krok napřed a s nejrizikovějšími smlouvami z pohledu storna průběžně pracovat, aby věc vyřešila s předstihem ke spokojenosti všech stran.

„Na základě dat z pojišťovny vytvoříme model, který klientskou bázi dané společnosti pravidelně skóruje a který tak pravidelně předává managementu informace o tom, které smlouvy budou v následném období s nejvyšší pravděpodobností stornovány,“ doplňuje Lucie Slavíčková. Jak ale dodává, podrobná analýza všech procesů může mít i další efekty.

V úvodu zmíněné zrychlení vyřízení hypotéky o více než 30 dní nebo o pětinu zkrácená doba, za kterou dostanete peníze na úvěr – to jsou další efekty, kterých dokázal Data Science tým v Trasku díky svým nástrojům dosáhnout. V nejmenované středně velké bance se snížilo vyřízení hypotéky v průměru z 87 na 33 dní.

Na vině byla relativní maličkost – přetížení pracovníci na back office, na kterých se celý proces zbytečně zpožďoval. Až komplexní analýza celého procesu však dokázala tento problém identifikovat a přesně pojmenovat, a tak se během dvou měsíců celý proces zásadně zrychlil.

Podobný případ řešil Trask také v nejmenované rychle rostoucí bance v regionu střední a východní Evropy, kde klesaly objemy nezajištěných úvěrových produktů. Ukázalo se, že neefektivita je způsobena zejména tím, že docházelo ke špatnému předávání dokumentů a vyplňování formulářů.

„Naše analýza přesně odhalila jako hlavní problém několik neefektivních předávek a přepracování v rámci schvalovacího procesu. Po odstranění těchto úzkých míst došlo v průběhu následujících tří měsíců ke snížení objemu přepracování o 28 % a k celkového zkrácení ‚time to money‘ o 21 %,“ popisuje Slavíčková.