Forum Technologii Bankowych | Wydanie Specjalne | Jak rozwiązania technologiczne oparte na Customer Data Platform wspierają cyfrowy dialog z klientem

Forum Technologii Bankowych | Wydanie Specjalne | Jak rozwiązania technologiczne oparte na Customer Data Platform wspierają cyfrowy dialog z klientem
Źródło: DomData
Udostępnij Ikona facebook Ikona LinkedIn Ikona twitter
Z Markiem Młyńcem, partnerem, liderem zespołu doradztwa technologicznego, PwC Polska oraz Michałem Kreczmarem, dyrektorem ds. transformacji cyfrowej, PwC Polska, rozmawiał Maciej Mitręga.

Wydarzenia ostatnich miesięcy pokazały wyraźnie złożoność i niepewność rzeczywistości, w której żyjemy. Jedna zmiana pociąga za sobą kolejne – zmieniają się modele pracy czy zachowania konsumentów. Dla banków zmiana oczekiwań klientów oznacza wiele wyzwań związanych z ich aktywizacją, szczególnie w kanałach cyfrowych, zapewnieniem łatwości, intuicyjności i przejrzystości w kontaktach, czy poprawą obsługi. Pomocne w tych aspektach mogą okazać się nowoczesne rozwiązania technologiczne, które pozwalają na analizę szerokich zasobów informacji i modelowania na ich podstawie scenariuszy działania. Kluczem do sukcesu jest jednak umiejętność przekształcenia sumy rozproszonych danych w przydatną biznesowo informację.

W jaki sposób banki starają się lepiej zrozumieć potrzeby swoich klientów, wykorzystując dostępne źródła danych?

Marek Młyniec: Sektor finansowy jest w posiadaniu olbrzymiego wolumenu danych o klientach, który był gromadzony na przestrzeni lat. Banki w dużej mierze poradziły sobie z ich zebraniem, ale w dalszym ciągu wyzwaniem pozostaje takie ich zagregowanie i analiza, aby duże zbiory danych przekształcić w informacje pozwalające dobrze sprofilować klienta. W jednej organizacji funkcjonuje około piętnastu źródeł danych o kliencie, co dobrze obrazuje skalę wyzwania. Jeszcze większe problemy zaczynają się w przypadku, gdy sięgamy po dane zewnętrzne zgromadzone poza organizacją. Ich jakość, skalowanie i standaryzacja nie ułatwiają zadania, zwłaszcza gdy uwzględnimy wymogi regulacyjne w zakresie ich pozyskiwania, przetwarzania i przechowywania. Skuteczne metody analizy, również behawioralne, pozwalają coraz precyzyjniej opisać konsumenta, jego intencje zakupowe, preferencje i oczekiwania. Dla banku, ubezpieczyciela czy jakiejkolwiek większej firmy z sektora finansowego budowa pełnej wiedzy o klientach oraz przewidywanie ich zachowań nadal pozostaje wyzwaniem. Najprostsza droga to pozyskanie danych z BIK czy od partnerów biznesowych, np. tych pozostających w gestii ubezpieczycieli w przypadku kanału bancassurance. W coraz większym stopniu sektor otwiera się także na pozyskiwanie danych, które każdy z nas zostawia w sieci – czyli cookie. Pozwala to uzupełnić wiedzę o kliencie i zbudować pełen obraz jego potrzeb.

Co w tym względzie powinien wiedzieć klient?

Michał Kreczmar: Mamy do czynienia z danymi różnego charakteru, co określa rodzaj pozyskiwanych zgód. Inne są wymagane w przypadku cookie, a całkiem odmienne przy wypełnianiu formularza w celach rekrutacyjnych. Teraz dane cookie możemy już pozyskiwać od niezależnych dostawców. Dawniej służyły one głównie do mierzenia skuteczności, np. liczby osób, które weszły na stronę, czy skorzystały z usługi. W tej chwili mamy do czynienia z Third Party Data, czyli identyfikatorami budującymi profil konsumentów, wykorzystując ich zachowania w internecie. Takie dane, jak te o korzystaniu z serwisów sportowych, częstotliwości obecności w sklepie określonej branży czy charakterystyka dokonywanych zakupów, pozwalają wzbogacić profil użytkownika o nowe, nieujawnione dotychczas preferencje. Dzięki temu bank poszerza swoją wiedzę o kliencie w obszarach, do których dotychczas nie miał dostępu. Informacje określane jako Digital Body Language (DBL) – cyfrowa mowa ciała, dokumentują wszelkie aktywności, jakie podejmujemy. Są to m.in. wizyty w sklepie, serwisie tematycznym czy szukanie destynacji wakacyjnych. To pozwala na rozbudowę profilu odbiorcy oferty o nowy zakres behawioralnych informacji. W ten sposób możemy także weryfikować, uściślać i poszerzać informacje demograficzne, jak: wiek, płeć, miejsce zamieszkania czy rodzaj wykonywanej pracy, a nawet segmentować odbiorców, mając wiedzę o rodzaju sprzętu czy oprogramowania, z jakiego korzystają. Dane te pozwalają rozróżniać odmienne, indywidualne potrzeby i preferencje, w ramach pozornie porównywalnych demograficznie grup konsumentów. Istotne bywają w tych przypadkach cykle życiowe: przed ślubem, przed wyjazdem na wakacje, przed zmianą samochodu etc. Po zakupie tych danych możemy zintegrować je z informacjami zgromadzonymi przez organizację, tak aby dopasować ofertę do potrzeb i możliwości klienta. Stan konta czy poziom wydatków nie mówią bowiem wszystkiego.

Jakie warunki powinien spełniać dobrze pomyślany integrator, by sumę rozproszonych danych przekształcić w przydatną biznesowo informację? Również w odniesieniu do sposobu komunikowania się z klientem?

Marek Młyniec: Budowanie informacji przydatnej biznesowo to proces wieloetapowy. Pierwsza faza stanowi efektywne połączenie profilu rzeczywistego klienta, dostępnego np. w banku, z tożsamością internetową, bazującą na profilowaniu cookie. Do tego celu służą dedykowane algorytmy tzw. cookiematcher. Drugi etap dotyczy takiej agregacji danych, która pozwala zbudować pełen obraz klienta. Do tego celu służą rozwiązania typu Customer Data Platform, czyli nowoczesne bazy danych dotyczących klientów, pozwalające łączyć dane wewnętrzne z zewnętrznymi (Third Party Data). Trzeci etap to przetwarzanie posiadanych danych w sposób dający rzeczywistą wartość. Chodzi o to, by big data przekształcić w smart data. Przy dużych wolumenach danych mówimy o złożonych algorytmach analitycznych i wykorzystaniu technik modelowania, takich jak machine learning. Dzięki tym danym i na podstawie algorytmów budujemy optymalny przekaz do klienta.

Michał Kreczmar: Technologia nie tylko identyfikuje potrzeby klienta, ale pozwala go, mówiąc kolokwialnie, namierzyć albo zidentyfikować. Dziś nie mówimy już o segmentach klientów, lecz konkretnych osobach. Jesteśmy w stanie określić potrzeby jednego człowieka, by następnie go odnaleźć w konkretnym momencie wśród miliona innych konsumentów. Innymi słowy – kampania reklamowa w oznaczonym czasie kierowana jest do tzw. Kowalskiego.

Marek Młyniec: Co ważne, możemy w czasie rzeczywistym wykorzystywać jednocześnie wszystkie dostępne kanały, poczynając od tradycyjnej relacji w oddziale banku, call center, SMS-ów, e-maili, wyświetlaczy w bankomatach, po bannery na zewnętrznych portalach odwiedzanych przez użytkownika etc.

Czy istnieje możliwość weryfikacji skuteczności kanałów komunikacji z klientem?

Marek Młyniec: Dysponujemy całym katalogiem efektywnych metod pomiaru. Najprostszym jest test A/B, za pomocą którego weryfikujemy skuteczność komunikacji skierowanej do dwóch podobnych grup, wysyłając do jednej tradycyjną kampanię, zaś do drugiej wzbogaconą o dane cyfrowe. Nasze doświadczenia wskazują, że efektywność tych ostatnich jest znacząco większa.

Michał Kreczmar: W świecie cyfrowym jesteśmy w stanie zmierzyć skuteczność komunikacji naszego przekazu na wszystkich etapach docierania do klienta i pozyskiwania go, i to w każdym z wykorzystanych kanałów komunikacji.

Marek Młyniec: Ważnym aspektem jest też dobór strategii marketingowej, czyli formy i częstotliwości kontaktu z klientem. Zwłaszcza że w zależności od fazy relacji nasze zapotrzebowanie na informacje i dane bywa zmienne. Jeśli, dajmy na to, system reklamacyjny i ofertowy są niezależnymi bytami równoległymi, wówczas łatwo o nieporozumienia. Z reguły kto inny sprzedaje, kto inny odpowiada za marketing, a jeszcze ktoś inny odpowiada za obsługę klienta. To owa przysłowiowa już silosowość systemów w ramach jednej organizacji.

Jak zatem efektywnie zarządzać procesem od big data do smart data?

Marek Młyniec: Rozwiązaniem tych problemów jest integracja wszystkich danych o kliencie w jednym miejscu, takim jak Customer Data Platform, co umożliwia synchronizację komunikacji i zapewnienie efektywności przekazu. Drugi komponent stanowi optymalne dobranie algorytmów. To zadanie dla zespołów analitycznych. Po zbudowaniu wstępnych algorytmów przychodzi czas na wykorzystanie sztucznej inteligencji. To warunek efektywnego wykorzystania machine learningu przy zachowaniu ustalonych na wstępie procesu reguł. 

Co może zakłócić ten proces?

Michał Kreczmar: Kluczowe znaczenie ma jakość i adekwatność danych, jakie wprowadzamy. Zafałszowane informacje zakłócają spójność danych, na podstawie których algorytm ma się uczyć. Oznaczenie i jednorodność danych stanowią zatem klucz. Drugą kwestią są same algorytmy, bowiem znaczna ich część stanowi tzw. black boxy, de facto nie znamy zasad, na jakich działają. Rekomendujemy zatem bankom, aby, dysponując fabryką algorytmów, nie polegały wyłącznie na dostawcach technologii. Znając zasadę działania algorytmu, jakim dysponujemy, możemy go doskonalić, nie zdając się na niewiadomą.

Marek Młyniec: Na koniec monitorowanie całego procesu na każdym etapie, by na bieżąco wyłapywać każdą rozbieżność jego przebiegu z przyjętymi założeniami.

Co decyduje o ewaluacji?

Marek Młyniec: Skuteczność tego typu rozwiązań mierzymy wskaźnikami efektywności komunikacji, akwizycją, retencją, cross-sellem oraz wskaźnikami zadowolenia klientów typu NPS. Są to wskaźniki typowo monitorowane przez działy marketingu, CRM oraz jakości. Zintegrowanie tych danych, wraz z dostarczeniem funkcjonalności raportowych i wizualizacyjnych, umożliwia sprawniejsze zarządzanie całym cyklem życia klienta i wspólną ocenę efektów w ramach całej organizacji. To zaś ułatwia osiąganie długoterminowych korzyści – zarówno dla klienta, jak i dla banku.

Źródło: Miesięcznik Finansowy BANK