Trwa ładowanie...
Zaloguj
Notowania
Przejdź na

Analiza Big Data filarem nowoczesnej bankowości

1
Podziel się:

Banki posiadają bardzo dużo informacji o kliencie, ale nie potrafią ich jeszcze w pełni wykorzystać. Jeśli potraktujemy analizę zachowań klientów za jeden z filarów nowoczesnej, cyfrowej bankowości, wejście w życie unijnej dyrektywy PSD2 może stać się doskonałą okazją dla banków do zacieśnienia relacji z klientami

Analiza Big Data filarem nowoczesnej bankowości

Banki posiadają bardzo dużo informacji o kliencie, ale nie potrafią ich jeszcze w pełni wykorzystać. Jeśli potraktujemy analizę zachowań klientów za jeden z filarów nowoczesnej, cyfrowej bankowości, wejście w życie unijnej dyrektywy PSD2 może stać się doskonałą okazją dla banków do zacieśnienia relacji z klientami – tłumaczą Włodzimierz Bielski i Adam J. Kępa, eksperci ITMAGINATION, czołowej firmy IT oferującej usługi z zakresu analityki danych.

ITMAGINATION jest partnerem strategicznym FutureTech Congress, który odbędzie się 24-25 maja w Warszawie. FutureTech Congress to jeden z najważniejszych szczytów biznesowych w Europie Środkowo-Wschodniej dedykowany branżom fintech, insurtech oraz big data.

Dlaczego firmy powinny inwestować w analitykę danych?

Włodzimierz Bielski: Posiadanie systemu do analizy danych pozwala firmom osiągać przewagę konkurencyjną. W miarę dojrzewania rynku, posiadanie sprawnej analityki będzie de facto standardem, tak jak obecnie jest nim posiadanie systemu ERP czy CRM. Dotyczy to zwłaszcza tradycyjnych branż, np. Retail i FMCG, które coraz bardziej spoglądają w kierunku e-commerce. To tu analityka Big Data będzie kluczowym narzędziem. Trend globalny, który widzimy mocno zarysowany również w Polsce, to analiza i przewidywanie zachowań konsumentów z użyciem Big Data.

W jaki sposób analizuje się zachowania użytkowników z wykorzystaniem Big Data?

*Adam J. Kępa: *Opieramy się na dwóch zasadniczych zbiorach danych: historii dokonywanych operacji, np. przelewów, zakupów oraz na tzw. clickstreamie, czyli strumieniu zdarzeń, które generuje użytkownik wchodząc w interakcję ze stroną internetową.

Włodzimierz Bielski: Dane są najpierw czyszczone i weryfikowane z użyciem narzędzi statystycznych, a następnie tworzone są modele analityczne i mechanizmy reguł decyzyjnych. Wytworzone modele są regularnie odświeżane, aktualizowane, a ich starsze wersje są archiwizowane. Z uwagi na duże zapotrzebowanie na zasoby obliczeniowe, w analizie danych chętnie wykorzystujemy zasoby chmury publicznej, o ile na przeszkodzie nie stoją wewnętrzne wymogi lub zewnętrzne regulacje.

Państwa firma stoi za autorskim rozwiązaniem Behaviolytics. Na czym ono polega i w jakich sektorach gospodarki ma zastosowanie?

*Włodzimierz Bielski: *Behaviolytics to koncepcja biznesowa, oparta o analitykę danych w czasie rzeczywistym, wraz z implementującą ją platformą analityczną. Jest skierowana głównie do sektora finansowego, e-commerce, ale i telekomunikacyjnego - czyli wszędzie tam, gdzie ma miejsce częsta, regularna interakcja użytkownika z systemami informatycznymi.

*Adam J. Kępa: *Celem Behaviolytics jest stworzenie wiarygodnego, indywidualnego modelu zachowań klienta - tak, aby system mógł być pomocnym asystentem, który troszczy się o finanse klienta i podpowiada, jakie najlepsze działania powinien podjąć „tu i teraz”. Nie zapomina też o zwykłych codziennych zdarzeniach. Przypomina na przykład o kwiatach dla żony, czy nadchodzącej płatności za prąd.

Z punktu widzenia banku, wdrożenie Behaviolytics pozwala na maksymalne dopasowanie banku do obecnych potrzeb klienta, ale też przewiduje jego przyszłe potrzeby i kreuje nowe. Behaviolytics ma także na celu nagradzanie użytkownika za określone działania, tak jak w przypadku programów lojalnościowych i grywalizacji. Nagradzać może na przykład za płatności zbliżeniowe, czy zakupy w danym sklepie. Behaviolytics nie służy jednak do popychania klienta do zakupów, ale przede wszystkim do zarządzania relacjami z klientem, wspierając go w codziennym życiu i czyniąc wręcz zadowolonym z informacji przekazywanych przez bank, który o wszystkim pamięta i po prostu pomaga. Banki posiadają bardzo dużo informacji o kliencie, ale nie potrafią ich jeszcze w pełni wykorzystać. W badaniu IBM i Uniwersytetu Oxfordzkiego podsumowano to jednym zdaniem: „Banki powinny wreszcie dać coś cennego swoim klientom, w zamian za cenne dane, które o nich posiadają”.

Włodzimierz Bielski: W obliczu nadchodzącej dyrektywy PSD2, bez tego typu rozwiązań, tworzących wartość dodaną dla obu stron transakcji, tradycyjna bankowość robi się coraz bardziej "commodity" (ang. towar, usługa podstawowa). Traktując jednak Behaviolytics jako filar nowoczesnej, cyfrowej bankowości, wdrożenie PSD2 może być doskonałą okazją do zacieśnienia relacji z klientem i wzbogacenia jego profilu o cenne dane zewnętrzne, tak by jeszcze lepiej zrozumieć jego zachowania i potrzeby.

Machine learning to jeden z filarów działania Behaviolytics. Jakie efekty pozwoliło osiągnąć uczenie maszynowe w tym modelu?

Włodzimierz Bielski: W wielu praktycznych zastosowaniach uczenie maszynowe to podstawowa klasa technik - przykładem może być fraud detection, czyli w uproszczeniu wykrywanie podejrzanych wzorców zachowań. Opierając się na transakcjach wstępnie zaklasyfikowanych jako podejrzane, możemy albo użyć określonego zbioru reguł do podjęcia automatycznej reakcji, albo przekazać taki przypadek do dodatkowej analizy dokonywanej poprzez upoważnioną osobę. Ogólnie mówiąc, techniki machine learning są użyteczne we wszelkich zagadnieniach identyfikacji, zarządzania i minimalizacji ryzyka.

Trendowi Big Data przeciwstawia się Martin Lindstrom, specjalista neuromarketingu, kierując uwagę na small data – dane, w których od działania algorytmu ważniejszy jest czynnik ludzki. Mimo że koncepcja Behaviolytics analizuje dane big data, zawiera w sobie elementy small data – czy to znaczy, że analizie big data potrzeba empatii, by przynosić miarodajne wyniki?

Włodzimierz Bielski: Odwołam się do podanego wyżej przykładu wykrywania nadużyć. W rzeczywistych zastosowaniach ścieżka postępowania często będzie dwuetapowa. W pierwszym etapie zautomatyzowany system, działający na przysłowiowym "big data" będzie dokonywał wstępnej selekcji zachowań. W etapie drugim, to odpowiednio wykwalifikowany specjalista, korzystając zarówno z twardych danych jak i własnego doświadczenia, podejmie właściwą decyzję. Nie widzę zresztą sprzeczności między big a small data - w powyższym przykładzie dane, które dostaje analityk, i na podstawie których podejmuje decyzję, to właśnie "small data".

Czy połączenie big data i small data pozwala wypracować optymalny model analityki danych?

Włodzimierz Bielski: Dokładnie tak. Użyłbym tu analogii do współczesnego, coraz bardziej zautomatyzowanego przecież lotnictwa. Wdrożenie automatyki pozwoliło na istotne ograniczenie liczby wypadków lotniczych, poprzez odciążenie pilotów od konieczności dokonywania ogromnej liczby decyzji i wyborów – obecnie dokonywanych wystarczająco dobrze przez autopilota i systemy pokładowe. Ale dalej rola pilota jest niezwykle istotna - zarówno w zakresie monitorowania pracy systemów - tu właśnie mamy przejście pomiędzy big data w stronę small data - jak i przy przejmowaniu kontroli w kluczowych momentach lotu. O ile małe statki powietrzne możemy wciąż pilotować wyłącznie na przyrządach, to jest to po prostu niewykonalne w przypadku lotów komercyjnych i zatłoczonych korytarzy powietrznych. Widzę tu duże podobieństwo do świata współczesnego biznesu - coraz bardziej połączonego, zatłoczonego i po prostu szybszego.

Adam J. Kępa: Już od czasów II wojny światowej ścierają się dwie koncepcje: jedna mówi, że komputery i automatyka zastąpią człowieka, druga - że komputery i automatyka po prostu wspierają i będą wspierać człowieka. Według mnie obecnie obie mają zastosowanie, co więcej potrzebna jest bardzo dobra wizualizacja wyników analiz opartych o Big Data, aby ostatecznie człowiek mógł podjąć decyzję biznesową. Ma to także zastosowanie w bankowaniu. Dzięki Behaviolytics - na podstawie procesów analitycznych działających na danych klienta w czasie rzeczywistym - bank przekazuje klientowi przez bankowość internetową lub mobilną „następne najlepsze działanie” (ang.: next best action) lub „następną najlepszą ofertę (ang.: next best offer), adekwatne do aktualnej sytuacji klienta, zaprezentowane w czytelnej formie.

Włodzimierz Bielski - Data Science Competency Manager w ITMAGINATION, gdzie odpowiada za rozwój kompetencji Data Science. Doświadczony architekt rozwiązań analitycznych, z ponad 10-letnim doświadczeniem w branżach FMCG, Banking i E-Commerce.
Adam J. Kępa - Financial Services Industry Lead odpowiedzialny w ITMAGINATION za sektor finansowy. Od ponad 15 lat pracuje dla sektora bankowego jako dostawca rozwiązań aplikacyjnych i systemowych. Posiada wieloletnie doświadczenie w zarządzaniu dużymi i złożonymi projektami IT.

Informacja prasowa

wiadomości
gospodarka
najważniejsze
Oceń jakość naszego artykułu:
Twoja opinia pozwala nam tworzyć lepsze treści.
KOMENTARZE
(1)
abc
7 lat temu
ale reklama...