50 Największych Banków w Polsce 2017: Zrozumieć głos klienta…

Radosław Grabiec
Business Development Director SAS Polska

Według Erica Schmidta (CEO Google do 2011 r.) obecnie w ciągu dwóch dni produkowanych jest na świecie tyle danych, ile od pojawienia się człowieka do roku 2000. Jest to ogromna ilość informacji, która przyrasta napędzana rozwojem technologicznym odpowiedzialnym za wszystkie nowe urządzenia klasy wearables, które zakładamy na siebie, umieszczamy w naszych inteligentnych domach czy samochodach. Skoro mamy nieprzebrane zasoby „paliwa”, jak wygląda kwestia „silnika”, czyli analityki? Tutaj również obserwujemy rozwój. Pojawiają się nowe techniki analityczne, metody uczenia maszynowego, deep learning neural networks oraz inne algorytmy z obszaru sztucznej inteligencji budzące zainteresowanie i przykuwające uwagę analityków. Jedno z najbardziej pożądanych i na pewno przyszłościowe stanowisko pracy to według magazynu „Forbes” data scientist. Jest zatem paliwo, silnik i zdolni do jego obsługi specjaliści. Nasuwa się pytanie, skoro jest tak dobrze, to dlaczego ciągle jako klienci spotykamy się z problemem źle dobranych ofert oraz koncentracją akcji marketingowych ze strony banków lub firm telekomunikacyjnych w najmniej odpowiednim momencie?

Dlaczego klient depozytowy lub inwestycyjny dostaje non stop oferty kredytowe? W końcu, dlaczego – jeżeli w jednym kanale kontaktu wyraźnie zakomunikujemy brak zainteresowania ofertą produktu X – mamy prawie sto procent pewności, że każde wejście na stronę internetową lub do aplikacji mobilnej skutkować będzie prezentacją odrzuconej przez nas oferty, a w kolejnym dniu otrzymamy telefon z telemarketingu z dokładnie tą samą promocją. Zupełnie jakby w trakcie rozmowy pomiędzy dwoma osobami jedna zadawała ciągle to samo pytanie, bez względu na rodzaj uzyskanej odpowiedzi, licząc, że zadane pytanie jest właśnie tym, które najlepiej trafi do odbiorcy. Rzeczywistość, jak wiemy, jest zdecydowanie bardziej złożona i dynamiczna. Podchodząc w sposób statyczny i zakładając z góry, że nasza wiedza (dane) jest wystarczająca do zadania odpowiedniego pytania (analityka), trudno mówić o zrozumieniu głosu klienta, który z definicji ma naturę zmienną i złożoną.

Spróbujmy to usprawnić i do układu „dane-analityka” dodajmy trochę dynamizmu. To, czego brakuje, to proces decyzyjny w czasie rzeczywistym „real-time decisioning„, który pozwoliłby na prowadzenie prawdziwego dialogu z klientem i w zależności od uzyskiwanych odpowiedzi modyfikowałby kolejne zadawane pytania, tak aby jak najlepiej zrozumieć, jaką najkrótszą ścieżką można dojść do celu albo czy w ogóle jakakolwiek ścieżka sukcesu w przypadku danego klienta istnieje. Potrzebny zatem jest silnik decyzyjny, który w ułamku sekundy (50-100 milisekund) potrafiłby przeanalizować zadane pytanie i zwrócić odpowiedź, po czym gotowy byłby na kolejną rundę dialogu. Wydaje się proste, tyle że w trakcie tych 50-100 milisekund musi wydarzyć się całkiem sporo rzeczy, gdyż proces decyzyjny jest wielowymiarowym zagadnieniem.

Rozważmy przykład klienta, który właśnie uruchomił aplikację mobilną swojego banku. Aplikacja powinna wyświetlić klientowi informacje na temat jego produktów i sald, ale też oczekujące oferty i promocje. Czy powinny to być oferty wygenerowane w cyklicznym miesięcznym procesie naliczania kampanii? A może zaszło ostatnio jakieś zdarzenie lub sekwencja zdarzeń wskazujących na konieczność wygenerowania innej oferty? Być może zmienił się skoring skłonności klienta, jego profil, zgody na kontakt, priorytety ofertowania etc. Proces realizowania tzw. next best action/next best offer jest już wystarczająco złożony w samym tylko obszarze arbitracji ofert i akcji, czyli kryteriów wyboru, którą powinna być przedstawiona do kanału (klienta) odpowiedź banku. Jeżeli dodamy do tego fakt, iż nie zawsze w momencie realizacji procesu decyzyjnego dysponujemy pełnym zestawem danych koniecznych do dokonania wspomnianej arbitracji, to otrzymamy kompletny obraz problemu. Dla zobrazowania sytuacji weźmy pewien przykład z życia. Spójrzmy na klienta z dużego miasta, klasa średnia w Polsce. Posiada konto oszczędnościowe, kilka lokat terminowych, ROR, na którym trzyma środki do bieżącego wykorzystania. Do realizacji drobnych zakupów używa karty płatniczej typu „portmonetka”, którą raz na jakiś czas doładowuje kwotą 50 do 100 zł. Doładowanie to ma charakter czynności regularnej, najczęściej następującej w okolicach zerowania się salda na karcie. Wyobraźmy sobie, że nasz anonimowy klient dokonuje płatności w kiosku za prasę, coś do picia i słodką przekąskę, a w momencie oczekiwania na autoryzację bezdotykowej transakcji zastanawia się, ile zostało mu środków na tej karcie. Chwilę później sprzedawca komunikuje klientowi odmowę płatności, a telefon wibruje, sygnalizując nadejście SMS (zignorowany przez klienta zaabsorbowanego krępującą sytuacją – na oczach kilku osób nie był w stanie zapłacić kilkunastu złotych za drobne zakupy). Po chwili słychać dzwonek telefonu – połączenie z banku. Klient odkłada zakupy, odchodzi na bok i odbiera telefon. Sympatyczny doradca proponuje klientowi ofertę kredytową, dzięki której uniknie w przyszłości kłopotliwej sytuacji. Klient przerywa rozmowę i sprawdza wiadomość tekstową. Zawiera treść „Zabrakło ci pieniędzy? Weź kredyt w naszym banku”. Irytacja klienta osiąga szczyty. Dlaczego? Mamy przecież wielokanałową i kontekstową komunikację marketingową do klienta. Oferta zawiera rozwiązanie, które pozwoli w przyszłości rozwiązać problem klienta, nie jest natrętna i oderwana od rzeczywistości. To prawda, ale jest też zdecydowanie spóźniona w czasie i przez to nietrafiona i bezużyteczna. Dlaczego tak jest? Dlatego, że zabrakło zarówno odpowiedniego zakresu analizowanych danych, jak i odpowiednio złożonego procesu decyzyjnego. W opisanym przykładzie zastosowano prostą logikę: kolejne, w regularnym odstępie czasu, doładowanie (np. trzecie), bank powinien zaproponować usługę alertowania SMS o malejącym saldzie na „portmonetce”. Po wykupieniu przez klienta takiej usługi, powinien działać proces decyzyjny o następującej logice: Włączając do analizowanych danych fakt regularności sekwencji sygnałów „saldo bliskie zeru” oraz „zasilenie karty”, zmieniamy całkowicie kontekst kontaktu z klientem z ofertowania kredytu na ofertowanie usługi, która pomoże klientowi w bezpiecznym korzystaniu ze środków finansowych podczas zakupów. Wydaje się proste, ale problematyczne staje się wykrywanie wzorców zakupowych, czyli zachowania klienta wskazującego na wysokie prawdopodobieństwo występowania w relatywnie krótkim czasie sekwencji transakcji zakupowych. Głównie ze względu na miejsce pozyskiwania danych do wykrywania takich wzorców. Patrząc od strony algorytmicznej, jest to idealna sytuacja do wykorzystania modeli samouczących, natomiast charakter gromadzenia danych jest inny niż w sytuacji, gdy mamy do czynienia z klasycznym procesem decyzyjnym w modelu „pytanie- odpowiedź”. Wykrywanie takich wzorców zachowań wymaga bowiem bazowania na strumieniu danych i jego tzw. analiza „w miejscu powstawania” – konieczne to jest choćby po to, żeby uprzedzić zdarzenie wyzerowania salda lub dojścia do innej sytuacji niepożądanej (np. fraud). Istotną kwestią jest też oczywiście wydajność takich analiz. W przypadku sytuacji odpytania przez kanał kontaktu silnika decyzyjnego o np. najlepszą następną ofertę, średnie obciążenie to 200-300 zapytań na sekundę, w szczycie dochodzące do 700- 1000 zapytań na sekundę (dane w oparciu o realizowane przez SAS Institute projekty w bankach w Polsce), natomiast procesy decyzyjne wykrywające, filtrujące i analizujące wzorce zachowań na strumieniu transakcji to obciążenie w granicach od kilkuset tysięcy do milionów transakcji na sekundę! Analityka strumieniowa to również konieczność przechowywania stanów transakcji, gdyż bardzo często to nie pojedynczy sygnał (np. płatność kartą z określonym kodem MCC – merchant category code) wymaga reakcji w postaci uruchomienia procesu decyzyjnego, ale sekwencja następujących po sobie zdarzeń, które trzeba rejestrować w pamięci i weryfikować, czy istotna z punktu widzenia np. działań marketingowych sekwencja zostanie wypełniona, w następstwie czego powinien zostać uruchomiony właściwy proces decyzyjny.

Reasumując, kluczowa do zrozumienia głosu klienta i udzielenia właściwej odpowiedzi na jawne lub ukryte w nim pytania jest zdolność do operacjonalizacji analityki w czasie rzeczywistym i odpowiedniego doboru danych, a także ciągłego uczenia i doskonalenia modeli prognozujących zachowanie klienta. Przy czym nie chodzi wyłącznie o manualną parametryzację modeli, ale o tzw. ich samouczenie (self-learning) i automatyczne dopasowywanie do zmieniających się oczekiwań i zachowań klientów.