Finance

V době tvrdé konkurence a tržní nestability potřebují banky strategii pro získání co největšího množství údajů pro dvě klíčové aktivity, kterými jsou vztah s klientem a řízení rizika likvidity. Následující scénáře ukazují, jak Big Data ovlivňují tyto důležité aspekty finančních služeb.

Prodejní a marketingové kampaně

Pro zlepšování služeb jednotlivých klientů se banky snaží určit nejlepší způsob, jak předvídat jejich potřeby. Banky se setkávají s několika problémy, zatímco se snaží budovat vztahy a zlepšit služby s klienty. Obvykle nemohou efektivně zachytit, analyzovat a ukládat velké množství příchozích dat a zaměstnanci stojící tváří v tvář klientovi nemají přístup ke správným datům ve správný čas. Nicméně pro přípravu a uskutečnění včasného individualizovaného jednání s klientem, potřebují mít banky detailní pohled na klienta, a to na základě individuálního i demografického chování. Banky také potřebují seskupovat nestrukturovaná data, jako jsou data ze sociálních médií, e-mailů a komentářů zákaznických center, aby rychle reagovaly na problémy, ještě dříve než tyto negativně ovlivní vztah s klientem. S tímto druhem pohledu mohou banky optimalizovat provozní modely, které předpovídají, jaké by měly být nejlepší akční nabídky.

Řízení rizik

Jedním z klíčových metrik, které banky sledují na denní bázi, je jejich likvidita, která silně koreluje s jejich hospodářskou stabilitou a růstovým potenciálem. Ke sledování likvidity tak rychle a efektivně, jak je jen možné, tj. s minimálním lidským zásahem, banky stále více využívají technických přístupů, které zahrnují velkou šíři dat a automatizovaných sběrných technik. Zachytáváním, ukládáním a analyzováním velkého množství dat potřebných k plnění regulačních reportů, panelů rizik a systémů včasného varování, stejně jako pro generování analýz požadovaných k vyčíslení a předpovědi rizik likvidity, mohou banky jasně posoudit jejich stávající stabilitu. Spojením všech těchto příslušných informací pro vytvoření vysoce optimalizovaných rizikových modelů je výzvou, která zahrnuje identifikaci a integraci velkých objemů nestrukturovaných dat v různých formách a z různých datových zdrojů, a pak je učinit dostupnými pro komplexní vysoce objemové výpočetní procesy.

Segmentace klientů

Segmentace klientů se využívá v každém odvětví, kde se pracuje s koncovým zákazníkem využívajícím jejich produkty a služby. V bankovnictví a finančním průmyslu je klientská segmentace klíčovým nástrojem k analýze rizik a prodejů, reklam a marketingových kampaní. Kromě existujících informací o klientech, které banky a finanční průmysl shromažďují každodenně, kupují také externí data jako jsou například obchodní záznamy z hotelů, letecké přepravy, maloobchodního prodeje, atd. Pohled na klienta ze všech možných úhlů je stále ve vývoji a Big Data umožňují vyplnit tyto mezery tím, že poskytují výpočetní výkon potřebný k inteligentnímu vytěžování potřebných dat.

Analýza dat z Call center

Po desetiletí společnosti analyzují data z call center pro určení počtu pracovníků, sledování výkonnosti agentů a správu sítě. Ale ve věku Big Dat je v současnosti zaváděno mnoho nových softwarových nástrojů ve snaze použít nestrukturované hlasové nahrávky a analyzovat jejich obsah a pocity klientů. Banky aplikují kontextové analýzy na takto nestrukturovaná data k nalezení modelů a trendů. Mnoho bank integruje data z call center s jejich transakčními datovými sklady za účelem snížit odliv klientů, řídit up-selling, cross‑selling, upozorňování klientů a odhalovat podvody.

Prevence odlivu klientů

Schopnost udržet si klienta je stejně důležitá jako schopnost navýšit prodej svých produktů a služeb. Je obvykle méně nákladné poskytovat službu stávajícímu klientovi, než získat nového klienta. Tzn. banky musí rozpoznat, u kterých klientů hrozí největší riziko ukončení jejich vztahu s bankou. Detailní pohled na klienta pomáhá odhalit, jaké iniciativy klientského servisu nebo proaktivní nabídky nejlépe vyhovují zabránění odchodu klienta. K dosažení tohoto cíle musí banky identifikovat postoje či vodítka, které vedou k odlivu klientů. Je nezbytné určit vysoce hodnotné klienty a porozumět jejich potřebám, protože to jsou často nejvíce ziskoví klienti a nejpravděpodobněji klienti s dlouhodobým vztahem s bankou. Na základě analýzy dat z mnoha zdrojů, mohou Big Data pomoci odhalit nové trendy a porozumění klientům v dalších kritických oblastech. Například mohou pomoci určit trendy a vzory k vytvoření základu kampaně pro udržení klienta. Obohacením prediktivních modelů vyšší granularitou dat mohou banky provádět cílené nabídky, které by byly klienty akceptovány s větší pravděpodobností. S vysoce kvalitními daty a podrobnou analýzou, mohou banky vytvářet cílenou mikrosegmentaci, která usnadňuje individualizované nabídky a vede k vysoké spokojenosti klientů.

Detekce podvodů

Banky a společnosti poskytující kreditní karty mohou sledovat návyky klientů při výdajích v reálném čase. Tyto společnosti spravují obrovské množství dat počínaje identifikačními údaji, zůstatky na účtech až po zaměstnanecké detaily, historii transakcí a úvěrovou historii. Kromě transakčních záznamů pro ověření a schválení transakce mohou dále sbírat informace o lokaci, životním stylu, výdajových vzorech. To vše dohromady pomáhá společnostem vydávající kreditní karty bojovat proti podvodům v reálném čase. Big Data architektura umožňuje analyzovat probíhající transakce vůči individuální historii v reálném čase, schválit/odmítnout transakci, popřípadě upozornit majitele účtu.

Analýza zákaznického sentimentu

Banka může reagovat na negativní (nebo pozitivní) vnímání své obchodní značky se zaměřením na komunikační strategie na konkrétních internetových stránkách, čelit nebo podpořit nejvíce otevřené autory přispívajících v blozích, Twitteru a dalších sociálních sítích. Pokud společnost vydává nový produkt, který způsobuje problémy, kontextová analýza komentářů v sociálních sítích nebo na stránkách recenzující produkt může umožnit rychlou nápravu.