Tradičním finančním institucím stále výrazněji konkurují inovativní internetové služby, které útočí na samou podstatu obchodního modelu bank. Vznikají například virtuální měny, alternativní platební systémy, platformy pro P2P půjčky nebo služby umožňující převody peněz mezi svými uživateli.
Opatrnost a přehnaná rozvážnost přivedly banky či pojišťovny do situace, kdy musejí začít opravdu rychle inovovat, aby neztratily trh, který si celá desetiletí budovaly. Použít k tomu mohou nejen své vysoce rozvinuté technologické zázemí a finanční zdroje, ale především obrovské množství dat z historie transakcí milionů klientů.
Musejí jen najít cestu, jak tato data efektivně vytěžit, a na závěrech analýzy postavit inovativní služby nabízené co nejpřesněji specifikovaným cílovým skupinám klientů.
Data z transakcí
Banky, pojišťovny nebo například telekomunikační společnosti ve většině případů i z legislativních důvodů uchovávají obrovská množství dat ze všech klientských transakcí, ať už jde o přihlášení do samoobslužných systémů (internetové bankovnictví, mobilní aplikace, hovor se zákaznickým centrem) či jakékoli jiné interakce mezi zákazníkem a poskytovatelem služeb.
Z analýzy těchto dat pak mohou vyplynout zcela nové informace o jejich klientech a zatím netušené souvislosti, které nebylo možné odhalit jinou cestou.
„Analýza bankovních transakcí dává zcela nový pohled na jednotlivé klienty v mnohem širších souvislostech. Například můžeme identifikovat klienty jako členy společné domácnosti, zjistit, kde pracují, a samozřejmě i to, za co nejvíce utrácejí nebo kdy a jak tráví dovolenou,“ vysvětluje Bohumír Zoubek, ředitel produktů a služeb firmy Profinit, dodavatele řešení datové analýzy pro banky či telekomunikační operátory.
Detailnější segmentace
Zatím vycházely informace o klientech z často zcela neaktuálních údajů uvedených ve smlouvě o poskytování bankovních služeb. Nyní lze ale analýzou dat zjistit, odkud pocházejí příjmy klienta, kdo jsou jeho spolupracovníci, kde a jak často nakupuje, s kým bydlí ve společné domácnosti (podle podobnosti nákupního chování) a kde se právě pohybuje.
Namísto základní segmentace podle věku či místa bydliště mají dnes banky velmi přesný přehled, kde se klient pohybuje. Zjistit to lze z informací o platbách a výběrech z bankomatů, ovšem vyžaduje to analýzu obrovského množství dat, náročnou nejen na kapacitu a výpočetní výkon, ale i na kvalitu algoritmů použitých pro hledání souvislostí v datech.
Výsledkem jsou ale daleko detailnější poznání každého klienta a možnost mnohem přesnějšího cílení nabídky služeb. Do hry se navíc dostávají i další zdroje informací, především sociální sítě a jiné on-line aktivity lidí, které mohou dále upřesnit jejich zájmy, zvyky a blíže specifikovat jejich okolí.
Personalizované služby
Koncem minulého roku publikovaný průzkum agentury SC&C pro Českou bankovní asociaci hovoří o tom, že i když jsou čtyři z pěti Čechů spokojení se svou hlavní bankou, téměř třetina klientů bank uvažovala v minulých dvanácti měsících o změně finančního ústavu. Od úvah k činům ale v drtivé většině případů nakonec nedošlo, protože si Češi myslí, že služby poskytované různými bankami jsou ve svém výsledku prakticky stejné.
Bohumír Zoubek z Profinitu je ale přesvědčený, že: „Klíčem k odlišení nabídky produktů a služeb, stejně jako k jejich přesnějšímu cílení na konkrétní zákazníky, je analýza velkých dat s cílem klienty lépe poznat. Inovativní banky se odliší od ostatních na trhu a získají si nové spotřebitele.“
Současná praxe ukazuje, jak je pro banky složité poskytovat běžným zákazníkům personalizované služby nebo alespoň přesněji cílit marketingové aktivity. V rámci kampaní nabízejí banky či pojišťovny masově určitý typ služby – úvěry, hypotéky, životní pojištění či investice, nejčastěji zcela bez ohledu na to, jaká jsou skutečná finanční situace, nákupní chování či osobní preference. Bez analýzy dat z jednotlivých transakcí ale poskytovatelé finančních služeb své klienty ani blíže poznat nemohou.
Aktuální technologie, jako například in-memory computing na velmi rychlé zpracování databázových dat v operační paměti serverů, umožňují analýzu obrovských objemů dat prakticky v reálném čase. Při použití vhodných algoritmů může banka na základě analýzy plateb velmi snadno zjistit, že klient například často cestuje do zahraničí, pořídil si nové auto nebo bydlení, jezdí lyžovat, začal žít s partnerem ve společné domácnosti nebo že se mu narodilo dítě.
Pak je možné lépe cílit například nabídku vedení účtu v cizí měně, hypotéky, úrazového pojištění a další služby. Datová analýza umožní bance také rychle a vhodným způsobem reagovat na změny v životě klienta. Jestliže například z analýzy finančních toků zjistí, že klient přišel o zaměstnání, může jej sama aktivně kontaktovat a nabídnout řešení splátek hypotéky.
Nová úroveň zabezpečení
Analýza velkých dat může posloužit nejen při personalizaci služeb klientům, ale také při zvyšování zabezpečení transakcí.
„V případě datové analytiky se zabýváme rovněž vzorci chování uživatelů internetového bankovnictví. Odchylky od běžných postupů při obsluze účtů mohou totiž indikovat pokus o podvod,“ vysvětluje Bohumír Zoubek.
Každý uživatel internetového bankovnictví si během krátké doby vytvoří návyky obvyklých postupů, jak s rozhraním přímého bankovnictví pracuje. Lze vysledovat vzorce chování bezprostředně po přihlášení (kontrola stavu účtu, historie transakcí), obvyklý postup při zadávání transakcí atd. Vzorec chování je výsledkem analýzy velkého množství dat popisujících pohyb v nabídkách internetového bankovnictví, rychlost práce, používání ovládacích prvků uživatelského rozhraní atd.
Odchylka od takto vysledovaných vzorců chování může znamenat, že došlo k prolomení první vrstvy zabezpečení účtu (uživatelského jména a hesla) i dvoufaktorového ověření SMS zprávou s ověřovacím kódem.
Sledování všech aktuálních připojení k internetovému bankovnictví a vyhodnocování souladu s obvyklým chováním klientů je extrémně náročné na výpočetní kapacitu. Proto se banky mohou rozhodnout pro sledování jen vybraných klientských účtů, typicky těch, kde jsou i další indicie, že by mohlo dojít k jejich napadení, nebo tam, kde hrozí nejvyšší riziko.
Důkladné poznání klientů může pomoci i při obraně před dalšími riziky, například před phishingem. Banka se může zaměřit na klienty, kteří by mohli být tímto typem útoku nejvíce ohroženi, zvýšit dohled nad jejich účty a informovat je, jak phishing rozpoznat a jak se mu bránit.
Propojení dat
Zcela novou dimenzi personalizace služeb zákazníkům by přinesla možnost propojení dat finančních institucí s mobilními operátory. Lokalizace klientů v reálném čase, na základě pohybu jejich mobilních telefonů, by navíc velmi přispěla i k zabezpečení účtů a ochraně před podvody.
Velmi podezřelé by byly například karetní transakce odehrávající se daleko od aktuální pozice klienta a jako podvodná by mohla být vyhodnocena hlášení pojistných událostí z místa mimo lokalitu, kde se měly právě odehrát.
„Zdaleka nejvíce dat o svých zákaznících mají ve svých databázích mobilní operátoři. Z pohledu ochrany osobních údajů je ale velmi problematické sdílet tato data s dalšími subjekty. Se sdílením by navíc museli souhlasit i sami klienti,“ uzavírá Bohumír Zoubek.
Sdílení dat mezi poskytovateli služeb by otevřelo obrovský prostor pro personalizaci a nastavení služeb. V případě pojištění by mohlo jít například o dynamickou úpravu pojistného podle toho, kde se klient pojišťovny pohybuje. Mnoho dalších propojení služeb by na sebe nenechalo dlouho čekat.
