Prediktivní analýza dat pomůže myslet o krok napřed a zajistit stabilitu v nejisté době, říká Lucie Slavíčková z Trasku

Lucie Slavíčková, Head of Data Science a Customer Intelligence v Trasku

Foto: Trask

Data jsou klíčem k úspěchu ve všech odvětvích finančních služeb. Jejich analýza umožňuje nahlédnout do minulosti, zorientovat se v současnosti a lépe se připravit na budoucnost. Stále větší roli proto hraje takzvaná prediktivní analýza, díky které můžete myslet o krok napřed a například zákazníkovi nabídnout službu, o niž by vzápětí sám žádal.

Na nasazování prediktivní analýzy ve firmách včetně velkých bank, které díky ní zlepšují své fungování, se specializují v tuzemské technologické společnosti Trask. Lucie Slavíčková jako ředitelka oddělení Data Science a Customer Intelligence nyní v komentáři pro CzechCrunch vysvětluje, v čem je síla prediktivní analýzy a kde je vhodné ji využít.

***

Vítejte ve světě prediktivní analytiky, která vám pomůže přilákat a udržet klienty a poskytne stabilitu v rozbouřeném finančním moři. Analytika se postupně stává hlavní součástí každé obchodní iniciativy, uvádí zpráva společnosti Deloitte. Znamená to, že dokáže zmírnit závažná rizika spojená s financemi a řízením pracovních kapacit.

Čím více tuto technologii banky využívají, tím bezpečnější prostředí vytvářejí. V současné nestabilní době je záruka stability a předvídatelnosti, kterou prediktivní analytika poskytuje, přesně tím, co většina finančních institucí hledá.

Nahlédněte do datové křišťálové koule

Vedle jistoty a stability chtějí banky a další finanční instituce pochopitelně zlepšovat hospodářské výsledky a mít náskok před konkurencí. I proto čím dál častěji využívají možností prediktivní analytiky. Datová věda jim pomáhá na základě historických dat, matematických algoritmů a technik strojového učení identifikovat pravděpodobnosti budoucích výsledků, odhalit nevyužité příležitosti i skrytá rizika.

Pokročilá prediktivní analytika tak dnes může v bankách, pojišťovnách i dalších finančních institucích zpřesňovat a celkově zefektivňovat veškeré obchodní aktivity, například prostřednictvím vysoce personalizovaných nabídek šitých na míru jednotlivým klientům. Manažerům to umožňuje přesnější plánování a rychlejší rozhodování.

Úspěchem a cílem ovšem není pouhé vytvoření prediktivního modelu. Důležité je také jeho správné použití v praxi, což znamená zapojení do stávajících procesů tak, aby bance přinášel požadované benefity. S jeho nasazením proto souvisí i úpravy byznysových procesů, které zahrnují například změnu kroků a uživatelského zážitku u online sjednání půjčky nebo úprava toho, jakým způsobem chodí leady ze CRM na call centrum.

V tomto ohledu je třeba zajistit, aby se „horké“ leady automaticky prioritizovaly a pracovalo se s nimi jako s prvními. V opačném případě totiž zůstanou někde hluboko na konci seznamu a zapojení umělé inteligence do procesů společnosti nepřinese žádný benefit, pracovníci nebudou schopni včas reagovat a zákazník už bude mít o půjčku zažádáno jinde.

Prověřte klienty a chraňte finance

S čím konkrétně umí prediktivní modely pomoci? Nacházejí uplatnění ve všech fázích kontaktu se zákazníkem. Klienti požadují stále personalizovanější řešení, snadno dostupné produkty a celkově lepší zákaznickou zkušenost v souladu s přísnými standardy bezpečnosti a ochrany osobních údajů.

Vše začíná už prvotní kontrolou žadatelů. Bankovní sektor systematicky hledá nové způsoby, jak spravedlivěji a rychleji prověřovat uchazeče o finanční produkty. Prediktivní analytika může nabídnout řešení tohoto problému tím, že seskupí žádosti do rizikových tříd.

Zároveň umí prediktivní analýza ochránit finance před bankovními podvody. Celosvětový průzkum společnosti KPMG ukázal, že nárůst podvodů zaznamenalo více než 60 procent respondentů. Mezi nejčastější triky patří phishing a krádeže dat prostřednictvím sociálního inženýrství.

Prediktivní analýza dokáže identifikovat potenciální podvody analýzou nejčastějších provozních vzorců, které se týkají obchodů, nákupů a plateb. Využívá strukturovaná data, tedy samotné transakce, i nestrukturovaná data jako e-maily, recenze nebo příspěvky na fórech, aby odhalila skryté vzorce.

Zjednodušte plánování osobních financí klientů

Modely strojového učení se rychle učí vzorcům a odhalují jejich změny. Měsíční výdaje člověka se obvykle řídí cyklickým vzorcem, takže prediktivní analytický model může bankám pomáhat s určením hlavních kategorií výdajů, primárních zdrojů peněz a také s trendy peněžních toků klientů.

Tento model může klienta banky upozornit na docházející hotovost nebo mu zaslat upomínku, aby se vyhnul pozdním platbám včetně penále. Pokud klient souhlasí, bankovní systém může v případě potřeby automaticky provádět převody mezi různými účty. Další výhodou je pomoc se segmentací klientů. Těm, kterým dochází hotovost těsně před výplatou, by mohla banka například nabídnout rychlou půjčku s výhodnějšími sazbami.

Najděte včas neplatiče i věrné zákazníky

I přesto, že většina klientů splácí své úvěry včas, banky se musí vypořádat s těmi, u nichž hrozí riziko nesplácení, a co nejdříve je identifikovat. Označení některých klientů „červenou vlajkou“ dříve, než se opozdí ve třech či více splátkách, může bance ušetřit peníze – rizikovým klientům nabídne podporu a finanční poradenství dříve, než se dluh stane nepřekonatelným.

Nejcennější jsou pro banku pochopitelně loajální zákazníci. Prediktivní analytika zkoumá životní styl, vzorce utrácení i další proměnné a vypočítává pravděpodobnost nákupu dalších finančních produktů. Banka tak může nabídnout úvěr na nákup automobilu nebo životní pojištění klientovi, který si již vzal hypotéku.

Našim bankovním klientům v Trasku zase pomáháme identifikovat ty nejvhodnější zákazníky pro konkrétní obchodní nabídku a rozpoznat správný okamžik pro retenční, prodejní či neprodejní aktivitu.

Přilákejte klienty a udržte si je

Zákazníci jsou základem fungování každé společnosti včetně bank. Podle průzkumu společnosti Cisco se až 72 procent bankovních klientů na základě špatné zákaznické zkušenosti rozhodlo změnit banku. Začlenění datové analytiky pomáhá výrazně zlepšit služby zákazníkům.

Můžete využívat strojové učení k poskytování správných informací ve správný čas, chatboty k poskytování včasných reakcí nebo používat prediktivní modelování k poskytování personalizovaných zkušeností. Našemu týmu Data Science se například povedlo v nejmenované středně velké bance snížit dobu vyřízení hypotéky v průměru z 57 na 33 dní.

Na služby navazuje akvizice a retence zákazníků. Abyste si udrželi kvalitní zákaznickou základnu, je důležité ji dostatečně zaujmout. Prediktivní modely pomohou identifikovat vysoce hodnotné potenciální zákazníky a nastavit individualizovanou komunikaci včetně personalizovaných kampaní.

Přesněji zaměřte marketingové strategie

Marketingové plánování u finančních institucí vyžaduje dobře zacílená sdělení doručená ve správný čas. Prediktivní analýza může s tímto úkolem pomoci tím, že identifikuje klienty, kteří mají největší zájem o koupi produktu. A pokud je prediktivní model zasazen do real time prostředí, dokáže promptně servírovat významné události například rovnou na call centru, kde na zatím klientem nevyřčený zájem mohou operátoři ihned zareagovat.

Partnerem článku je společnost Trask. V rámci CzechCrunch Premium spolupracujeme s vybranými partnery, se kterými připravujeme obsah na míru. Více najdete zde.

Lucie Slavíčková má více než 10 let zkušeností v oblasti customer value management ve finančních institucích. Před příchodem do Trasku pracovala pro Monetu Money Bank na pozici B-1. V Trasku se soustřeďuje na oblast customer intelligence, data science a omnichannel management.