Data Science в Евразийском банке. Кейсы и результаты внедрения

Применение Data Science в банковских продуктах — это давно уже необходимость, которая позволяет не отставать от конкурентов, оптимизировать расходы на банковские продукты, сокращать время получения продукта клиентами, а также помогает эффективно управлять ресурсами и повышать производительность банка.

Сегодня мы расскажем об опыте внедрения Data Science в Евразийском банке. Приведем примеры их использования и поговорим о результатах внедрения моделей на примере конкретных кейсов.

Аманкелді Жұлдыз, Исполнительный директор Центра клиентской аналитики

Опыт внедрения Data Science в Евразийском банке начался с 2019 года, когда на рынке в этой сфере было недостаточно компетентных, сотрудников и тогда был задействован аутсорс. Компания строила модели, банк пробовал их на практике.

После времени теста и внедрения аутсорсинговых моделей пришло понимание, что потребности у бизнеса растут. Растут и требования не только к моделям машинного обучения, но и к анализу данных, построению гипотез и их проверки.

Было принято решение, что стоит построить компетентную команду дата-сайентистов внутри банка. Часть команды была собрана из уже имеющихся сотрудников, которые проходили курсы и повышали квалификацию. А кто-то пришел извне.

В итоге, за последние два года структура отдела Data Science Евразийского банка построена так, что за определенным бизнес-направлением закреплен конкретный сотрудник, что позволяет углубиться в Data Science, в дата-анализ.

На сегодня, анализ занимает не последнее место в работе отдела дата-сайентистов. Ни одно новшество не запускается без анализа. Data Science-отдел проводит определенный преданализ при запуске продукта или его изменениях, строит математические модели, алгоритмы машинного обучения: на склонность в кредитовании для повышения эффективности маркетинговых коммуникаций, модели оттока, которые позволяют удерживать клиентов и другие.

Data Science в онлайн-кредитовании и в предодобрении кредита.

Аманкелді Жұлдыз, Исполнительный директор Центра клиентской аналитики

Продукт онлайн-кредитования в Smartbank — это денежное кредитование клиентов. Здесь задействованы маркетинговые коммуникации (звонки, sms-сообщения, рассылки), и запускать активности на всю имеющуюся базу очень невыгодно и трудозатратно.

Наш отдел проводил большой анализ, строил гипотезы, проверял их и опровергал, совершал много оптимизаций. После чего была сделана модель, которая определяет склонность клиента к банковским займам. Модель была удачно протестирована и пилотирована — в итоге она сработала и повысила эффективность коммуникаций в пять раз. Результат позволил работать этой модели и дальше. Сейчас коммуникации запускаются уже по тем клиентам, которых точечно отобрала сама модель.

Также есть модель, которая позволяет выстроить гипотезу на возможное одобрение или отказ в кредите клиенту. Модель строилась на том, что чаще всего за кредитом идут те клиенты, у которых не очень хорошая кредитная история. Скорее всего, эти люди уже были в нескольких банках и получили отказ. Далее встал вопрос: как повысить уровень одобрения на этом потоке. Исходя из этого, была построена модель, которая выдает результат: на какой конкретно срок и на какую сумму банк может выдать кредит. Такая модель позволила банку знать заранее, что клиент платежеспособен. Эффективность выдачи кредита на этапе предодобрения выросла в три раза.

Модель предодобрения позволила сократить расходы на маркетинговые коммуникации. Если ранее они запускались, например, на 100 клиентов, то сейчас рассылается точечно — условно 10%, то есть были отсеяны примерно 90% тех, кто не пройдет предодборную стадию получения кредита. Это увеличило эффективность работы маркетинговых коммуникаций в 10 раз.

Data Science в RTM (Real Time Marketing).

Мышленов Павел, Директор Отдела управления знаниями о клиентах

Множество компаний по всему миру ведут рекламные кампании, чтобы стимулировать свою клиентскую базу на использование продуктов или на стимулирование приобретения новых. Собирается база клиентов, которые интересуются продуктами компании, но есть минус в том, что между реальной заинтересованностью клиента и получения от компании рекламного сообщения на покупку продукта проходит время.

Здесь и нужна модель RTM. В рамках этого проекта запускается коммуникация с клиентом в режиме реального времени, в момент наступления того или иного события в его жизни. Например, есть клиент Евразийского банка, который постоянно пользуется дебетовой картой банка. Есть его путь пользования картой: клиент постоянно заправляется на заправках, оформляет страховку на авто, покупает запчасти, обслуживается на СТО. Это дает понимание о наличии автомобиля у клиента.

Для автолюбителей в банке есть продукт — автокарта, которая позволяет гораздо выгоднее оплачивать все расходы клиента на авто, так как есть повышенные кэшбэки, скидки от партнеров. Имея такие данные о клиенте банка, маркетинг проводит коммуникацию с предложением продукта "Автокарта" клиенту в режиме реального времени. Так применяется Data Science в RTM.

Аналогичная модель работает и с кредитами. Чтобы исключить тот фактор, когда потребитель, приходя в банк, по каким-то разным личным причинам не доходит до менеджера для получения кредита, чтобы исключить уход клиента к конкурентам: в момент, когда клиент, например, берет талон в электронную очередь, ему поступает коммуникация: "подай заявку на кредит в нашем мобильном приложении онлайн". И здесь тоже всё происходит в режиме реального времени.

Понимание того, что Data Science нужен в RTM пришло год назад. В течение этого года проводились тестирования кейсов, которые стояли в планах на внедрение. А/B тесты были собраны вручную, а в реализацию были запущены те кейсы, которые покажут результат. На стадии теста, конверсия выдачи кредита увеличилась в два раза.

Data Science в автокредитовании.

Имиров Шухрат, Главный аналитик Отдела исследования и анализа данных

При выдаче автокредита есть такой этап, как оценка авто. Была разработана модель, которая позволяет упростить этот процесс, сведя его полностью к онлайн-формату.

Модель автоматически рассчитывает среднерыночную стоимость машины. При создании модели были использованы тринадцать основных параметров характеристик машин. Использовали регрессию, которая выявляет влияние каждой характеристики на итоговую стоимость авто.

Эта модель позволила избавить нашего будущего клиента от физической оценки авто и лишней траты денег и времени. Так как именно на этом этапе часто теряется немалое количество клиентов.

В итоге, по результатам модели (после симулирования), сумма оценки топовых машин выясняется в 80% случаев.

Data Science в просчете оттока карт.

Болатхан Илияс, Главный аналитик Отдела исследования и анализа данных

Перед построением модели, в расчет были взяты транзакционные активности, были произведены их выявления и замеры: когда клиент входит в зону неактивности по количеству дней. Неактивным клиент считается, если он не использовал карту в течение 120 дней.

После анализа данных были размечены таргеты, назначены переменные и обучена модель. Модель дала отличные результаты: 30% от всей базы карточных клиентов находится 60-65% неактивных пользователей. То есть, это дает понимание заранее, что, скорее всего, в ближайшее время эти 60-65% перестанут быть активными клиентами.

На основе этих данных проводятся маркетинговые активности, которые позволяют удержать клиента в Евразийском банке.