«Big Data»: как массивы данных помогают банкам зарабатывать деньги

В конце прошлого года крупнейший коммерческий банк США JPMorgan Chase решил сопоставить информацию о финансовых операциях своих клиентов с экономическими данными, которые открыто публикуют на своем сайте государственные органы статистики. Работы оказалось немало: нужно было привести в порядок и проанализировать около полутора миллиардов файлов с информацией. Зато удалось получить подробную картинку экономического состояния общества, вывести массу актуальных микротрендов, узнать потребительские настроения и тщательнее сегментировать рынок — вплоть до самых узких групп клиентов, а то и до индивидуальных лиц. Причем следить за тем, как ситуация меняется, можно чуть ли не в режиме реального времени: данные, на изучение которых раньше уходили недели и месяцы, сегодня генерируются в читабельные отчеты за секунды. Жадничать банк не стал и предложил многостраничные результаты своих изысканий своим же корпоративным клиентам — разумеется, за довольно большие деньги. Для JPMorgan Chase эти доходы — капля в море, но это лишь один из сотен способов заработать на всеобщей увлеченности феноменом big data.

Не верите в феномен big data? Посмотрите на рисунок: такое количество контента в Интернете генерируется каждую минуту. В идеале банки будут учитывать все — и ваши «лайки» смешному ролику про котят, и «твит» про то, что через пару месяцев вы уезжаете в Венецию. Источник: Джош Джеймс, руководитель американской софтверной компании Domo.

Другой вариант монетизации массивов данных — незатейливая продажа клиентам дополнительных услуг. Для этого нужно «всего ничего»: научиться предсказывать поведение покупателей и их запросы. «Как только банки получают цельную картину по своим покупателям, они стремятся построить прогностические модели, — объясняет менеджер по финансовым услугам в SAS Дэвид Уоллес. — Они пытаются понять, как можно продать покупателю что-то еще. При этом они точно знают, когда нужно остановиться — в конце концов, именно им известно больше, чем кому либо, о состоянии вашего счета. Им не нужен клиент без цента в кармане, они хотят понравиться вам и сделать вашу жизнь более удобной — просто потому, что дешевле работать со старым клиентом, чем привлекать нового».

Такую продажу — даже без массивного анализа данных! — уже не первый год ведет испанский банк Santander. Каждую неделю по подразделениям банка рассылается список клиентов, которые, по мнению системы обработки массивов данных, могут быть заинтересованы в определенной услуге — например, страховании дома. Сделать это очень просто: нужно всего лишь вычленить клиентов, которые недавно обзавелись недвижимостью — то есть совершили транзакцию в достаточно крупном размере. Хорошенько изучив своего клиента, банк может попытаться продать ему не только финансовые услуги. Так, например, сингапурское подразделение Citigroup предлагает особый скидочный сервис для своих клиентов: он отслеживает время суток, локацию и историю покупок, и на основании этих факторов формирует индивидуальное предложение. На практике выглядит это примерно так: вы любите итальянскую кухню, время два часа пополудни, таксист, с которым вы расплатились картой, высадил вас рядом с площадью, на которой есть небольшой уютный ресторан. Система, проанализировав транзакцию в такси, высылает вам текстовое сообщение с предложением сходить перекусить и купоном на скидку в этом ресторане — если, конечно, с заведением есть договоренность. Все довольны: вы получаете свою пасту болонезе на доллар дешевле, ресторан — клиента, который может вернуться, банк — комиссионные с транзакции. Что самое удивительное, если вы откажетесь от предложения, система это запомнит и в следующий раз будет экспериментировать с другим заведением, другим временем или другой кухней.

Способность искусственного интеллекта постоянно учиться немного страшит. Все-таки мало кому хочется, чтобы банк знал его лучше, чем кто-либо еще. С другой стороны, подписка на скидочный сервис Citigroup — вещь добровольная. Мы уже выступаем в роли безропотных подопытных кроликов для десятков сайт со встроенным рекомендательным механизмом. Онлайновый магазин Amazon подбирает нам товары, которые купили пользователи в дополнение к выбранному. «Кинопоиск» и Netflix советуют похожие фильмы. Spotify анализирует прослушанную музыку и рекомендует определенные альбомы. Читатели, возможно, вспомнят прошлогодний скандал в ритейлинговой сети Target: магазин прислал одной из клиенток специальный каталог с товарами для беременных, основываясь на ее запросах в сети. Только он не учел, что клиентка еще не закончила школу, а почту за нее получил отец, от которого школьница держала свое интересное положение в секрете. Разъяренный отец набросился с обвинениями в адрес магазина, но вынужден был извиниться, когда узнал, что дочь действительно беременна. Аналогичное вмешательство со стороны банков до сих пор воспринимается как попытка посягнуть на неприкосновенность частной жизни.

Если Target вдруг решит выйти на поле банковских услуг, как это уже сделала британская сеть Tesco, его глубокое знание клиентов и способность делать максимально нацеленные предложения станут огромным конкурентным преимуществом. Вполне может быть, что одним из мотивом при прошлогодней покупке «Сбербанком» платежной системы «Яндекс.Деньги» было получение доступа к базе данных о поведении покупателей и их поисковых запроса — или к спектру инструментов, которыми можно эти базы данных анализировать. Недаром банк уже полгода говорит о своих проектах в области big data и вовсю занимается им в своей исследовательской лаборатории.

Отечественных банков, занявшихся направлением «больших данных», пока единицы. Причины тривиальны: технологии и программное обеспечение пока слишком дороги. В 2011 году венчурные компании инвестировали около $2,5 млрд в проекты, связанные с big data. Большая часть денег ушла на закупку мощных серверов и хранилищ данных. По оценкам исследовательской компании Ovum в 2013 году американские банки потратят на ИТ-сектор около $41,5 млрд — на big data может уйти до десятой части этой суммы. Платить нужно не только за программную и аппаратную часть, но и за человеческий труд: в том же Сингапуре в лаборатории Citigroup, отвечающей за работу с массивами данных, занято свыше 250 человек. Естественный выход — отдавать анализ «больших данных» на аутсорсинг: SAS, SAP, IBM и Pentaho уже внедряют свои решения в крупнейших американских банках и работают с российскими компаниями. Правда, большая часть их решений касается управления рисками (подробнее здесь). Видимо, прежде чем наполнять карманы деньгами, банки решили сначала зашить в них дыры.

Comments