Big data előtt – banki tranzakciós adatok kiaknázása
Kiss Ferenc Emánuel
Budapest Bank •
1987-ben jött létre az egyik legelső hazai kereskedelmi bankként
•
A 8 hazai nagybank egyike
•
Tulajdonosi háttér: • 1995-től 2015-ig az amerikai GE tulajdonában • 2015. június 29-től állami tulajdonú (MFB csoportohoz tartozó Corvinus Nemzetközi Befektetési Zrt.)
•
Teljes körű pénzügyi szolgáltatásokat kínál mind a lakosság, mind a vállalkozások számára, ezen belül kiemelten a kis- és középvállalkozásoknak (KKV)
•
96 fiók országszerte
•
~ 2800 főt foglalkoztat (a leányvállalatokkal együtt)
•
Bankműveleti Központ működik Békéscsabán 2006 óta • Jelenleg közel 750 főt foglalkoztat • A térség második legnagyobb munkáltatója versenyszférában
•
2015. első féléves konszolidált adózás utáni eredmény: 15,7 milliárd Ft
a
Adatok, amelyek rendelkezésre állnak Banki adatok
• Tranzakciós adatok • Demográfiai adatok • Lokáció • Bank-ügyfél kommunikáció • Piaci információk (piaci kamatlábak, árfolyamok)
Külső strukturált adatbázisok •
Céges adatbázisok (Opten, csődfigyelők)
•
Külső vásárolt adatbázisok?
Külső nem strukturált adatok •
Szociálismédia adatok?
•
???
Fontos, hogy a belső és külső adatokat üzletileg illeszteni tudjuk
Banki tranzakciók • A banki tranzakciók az ügyfélszámlákon végrehajtott számlamozgással járó pénzügyi műveletek, amelyek a bank üzleti tevékenységhez kapcsolódnak. (fizetési, befektetési és hitel) • Típusok: átutalás, csoportos beszedés, készpénz felvét, inkasszó, vásárlás, betétlekötés, hiteltörlesztés, kamatfizetés , kamatmódosítás stb.
• Főbb jellemzők: deviza, összeg, benyújtási csatorna, kártyaszám, partner, ki/mi hogyan könyvelte stb.
Mire is tudjuk használni? Előrejelzés a (várható) ügyfélviselkedésről
CRM / ügyfélkapcsolat
Kockázatkezelés
• Korai előrejelző rendszerek
Befolyásolás irányítani az ügyfélviselkedést
• Behajtási stratégiák kialakítása
• Nem érkezik meg a fizetése? • Nem fizeti a telefonszámláját? • Csökken a kulcsvevőjével a forgalom • Tanácsadás • Mire is költ az ügyfél és az arányában magas-e?
• Újrastrukturálás
• Tranzakcióhoz kötött ajánlat (offline)
Online / prediktív
• Korai előrejelző rendszer – ügyfél lemorzsolódás
Napi/online értékelés
• Kereszteladások (banki termékek) • Termékcsomagok kialakítása
Tervezett
Partner termékek
Elmozdulni az előrejelzéstől a befolyásolás felé
Ez már Big data? • Gartner: „Big data is high-volume, high-velocity and/or high-variety information assets that demand cost-effective, innovative forms of information processing that enable enhanced insight, decision making, and process automation.” • De konkrétan hogyan lehet eldönteni? A banki tranzakciók adathalmaza az? • Mennyiség: Kb. havonta 10 millió ügyfél tranzakció (pénzforgalmi, befektetési és hitel)
• Gyorsaság: Másodpercenként érkeznek, jelenleg adattárházban áll csak elemzésre rendelkezésre, ami T+1 napos -> mihez nem elég gyors ez? • Változatosság: kb. 3 ezer tranzakció típus, de lehet kevesebb is (40 fő művelettípus) és jóval több is -> sok dimenzió
Ez már olyan adat, ahol megéri új eszközt / technológiát alkalmazni?
Hol a határ?
Mit látunk a tranzakciókból? - Lehetőségek, Big data eszközök nélkül
1. 2. 3. 4.
Vásárlási szokások, attitűdök Ügyfél Cash-Flow Partneri kapcsolatok Ügyfél tulajdonság megítélése (pl. precizitás, pontosság)
1. Vásárlási szokások, attitűdök
Lidl Aldi
Mikor?
Mennyit?
Hol?
2016.01.25.8.46.00
3996 Ft
Aldi Budapest
2016.01.25.9.06.08
2190 Ft
Lidl Nagytétény
2016.01.25.9.47.17
3775 Ft
Spar Diósd
Végigkövethető az ügyfél útja Hogyan lehet ezt értékre váltani?
8
1. Vásárlási szokások, attitűdök Kártyás vásárlások időbeli eloszlása eFt
Hétvégén nem vásárol
Havi vásárlások 200 ezer Ft MOL, Vecsés MOBIL GAZ Kft Diósd
ÖMV Diósd LIDL Nagytétény METRO Budaörs
DM Diósd
POSTAX XXX Budapest
CBA Diósd SPAR Diósd
Az adatok részletezettsége nagyfokú személyre szabást tesz lehetővé
9
2. Ügyfél Cash-Flow Egy képzeletbeli ügyfél havi számlaforgalma: 3.4 3.3 3.2
0.30
0.02
0.03
0.05
0.06
3.1
0.03
0.07
3.0 2.9
0.25
2.80
2.8
0.10
2.7
2.59
2.6 2.5 2.4
Előző hó Jövedelem
Jóváírt kamat
Egyéb bejövő
Közüzemi díjak
POS Áruház
POS Benzin
POS Egyéb
Elvándorlás felismerését segítheti
Külső befektetés
Egyéb Aktuális hó kimenő
3. Partneri kapcsolatok 2014 Tokaj Rákóczi Kft., 1305
Egyéb, 2196
Vinea Mátra Kft., 2228
Völgységi Szőlő Termesztők Szö, 110 MOLNÁR ÉS FIAI PINCÉSZET BT, 642
BALATON AGRÁR ZRT, 1200
2015 Egyéb, 2987
Tokaj Rákóczi Kft., 1610 Vinea Mátra Kft., 913 BALATON AGRÁR ZRT, 2054
Völgységi Szőlő Termesztők MOLNÁR ÉS FIAI Szö, 915 PINCÉSZET BT, 127
4. Ügyfél tulajdonságok megítélése
Kérdés: Ki mennyire pontosan fizeti a hitelkártya tartozását?
4. Ügyfél tulajdonságok megítélése
Kérdés: Ki mennyire pontosan fizeti a hitelkártya tartozását? Válasz: „Tranzaktorok” 53%-a fizet csak forintra pontosan.
Rengeteg és változatos adat az ügyfelekről Csak a képzelet szab határt
Konklúzió
Komolyan mérlegelni kell, hogy mire fordítjuk a szűkös pénzbeli, emberi erőforrásokat: új adatforrásokra, új technológiákra vs. meglévő, de még kiaknázatlan lehetőségekre
Köszönöm a figyelmet!
