Google+
Журнал Плас Плас Журнал http://www.plusworld.ru/
ул. Кржижановского, д. 29, корп. 5 Москва, 117218 Россия
+7 495 961 1065 http://www.plusworld.ru/upload/templates/logo_plus_ru.png
RSS RSS RSS RSS

Big Data: внимание банков к соцсетям продолжает расти. Методы анализа информации в социальных сетях

(Голосов: 3, Рейтинг: 5)

27.02.2013 Количество просмотров 5149 просмотров

Интервью Михаила Горбатовского, руководителя по развитию бизнеса сектора финансовых услуг компании IBM в России и СНГ


Михаил ГорбатовскийТехнологии Big Data сегодня – один из основных трендов развития подходов к анализу и управлению информацией. Недавний запуск в России компанией IBM специализированной платформы, предназначенной для выявления потенциальных клиентов в социальных сетях и основанной на методах Big Data, вызвал живой интерес банковского сообщества. О том, чем могут быть полезны для банка активно растущие сегодня социальные сети и как в работе с ними могут помочь современные IT-технологии, журнал «ПЛАС» беседует с Михаилом Горбатовским, руководителем по развитию бизнеса сектора финансовых услуг компании IBM в России и СНГ.

ПЛАС: Что сегодня понимает IBM под термином Big Data и насколько это понимание типично для рынка?

Big Data и социальные сети
Анализ социальных сетей

М. Горбатовский: Начнем с того, что Big Data, хотя и является широко распространенным определением, тем не менее определение не строго научное, а научно-популярное. Именно поэтому у каждого IT-вендора существует свое собственное понимание, что же такое Big Data. Можно лишь отметить, что большинство компаний, и IBM в том числе, придерживается определения Gartner, согласно которому это понятие трактуется как набор методов анализа и управления информацией, характеризующихся «сочетанием трех V»: Volume (объем), Variety (разнообразие типов данных) и Velocity (скорость поступления). Мы часто добавляем к этим трем четвертую характеристику –Veracity (неопределенность данных), подразумевая, что при обработке различных структур данных надо учитывать их неопределенный характер, а также тот факт, что они содержат неструктурированные или же малоструктурированные данные.

Так исторически сложилось, что под определение Big Data после его появления, тиражирования в СМИ и активного пиара попало достаточно большое количество систем, в том числе уже существующих приложений. Действительно, наработки по анализу текста естественного языка или программное обеспечение для анализа номеров автомобилей на трассах появились значительно раньше, чем сам термин.

Методы Big Data в соцсетях
Возврат инвестиций происходит в результате принятия решений, а не в результате установки аналитической системы

В связи с этим возникает вопрос: в чем состоит разница между предыдущими решениями и той современной технологией Big Data, которая сегодня продвигается поставщиками решений как инновационная? На наш взгляд, под термином «технология Big Data» сегодня прежде всего следует понимать аналитические инструменты с определенными характеристиками. Big Data, с нашей точки зрения, – набор методов анализа всей доступной (предприятию, государственному органу, финансовому учреждению и т. п.) информации, который позволяет делать новые выводы, делать их быстрее, с большей, чем раньше, глубиной анализа, и часто – с наличием прогноза. 

Благодаря такому инструменту предприятие, используя все имеющиеся у него в наличии данные, способно принимать необходимые решения в нужное ему время, затрачивая на анализ от традиционных дней и часов до микросекунд. Еще одно важное добавление: Big Data необязательно предполагает режим анализа в реальном времени или же прогноз с большой исторической перспективой. Необходимым условием для Big Data как бизнес-инструментария является то, чтобы анализ производился в требуемый для организации момент времени. При этом одной из очень интересных особенностей этой технологии является то, что задачи и проблемы, которые ее использование помогает решить, уже стоят перед клиентами, но не могут сегодня быть решены традиционными средствами без ее применения. Например, при решении задачи предотвращения утечек данных и реагирования на кибератаки, где время на выявление аномального поведения и решение измеряется часто миллисекундами. Таким образом, Big Data появилась не как инструмент решения новых задач, а как следствие наличия уже существующих.

ПЛАС: Почему в мире все больше вендоров решений Big Data обращаютсяк анализу контента социальных сетей?

Под термином «технология Big Data» сегодня прежде всего следует понимать аналитические инструменты

М. Горбатовский: Они в данном случае лишь исходят из существующих потребностей клиентов. Ранее аналитика, в том числе и в ритейле, и в банкинге, как правило, использовала поколения систем, которые традиционно обозначаются термином System of Record. Это системы, в которых данные о клиентах, говоря упрощенно, хранятся в т. н. профилях клиента или «карточках». В таких системах, как правило, используется ряд статичных данных о клиенте – например, номер и серия паспорта, данные полиса пенсионного страхования, данные о проведенных операциях и т. п. Таким образом, весь банковский скоринг, принятие решений о выдаче кредитов, таргетированная реклама и т. д. производятся на основе этого профиля, записи о клиенте, «клиентской карточки».

С появлением социальных сетей, содержащих огромный объем динамически изменяемой, дополняемой и очень мало структурированной информации о клиентах, появляется и новый класс систем накопления данных о клиенте – System of Engagement, которые учитывают вовлечение клиента в различные активности задачи. Такие системы представляют огромный интерес для компаний, которые продают потребителям продукты или услуги, либо госструктур, взаимодействующих с населением. И те и другие вынуждены сегодня искать способы, как использовать информацию, размещенную в социальных сетях, так, чтобы обогатить существующие клиентские профили в своих информационных системах данными о том, чем живет человек, каковы его активности, планы, какие задачи он решает в тот или иной момент. Такая информация помогает компании определить, каким образом лучше взаимодействовать с существующим или потенциальным клиентом. Несомненно, что анализ столь сложно индексируемой и часто неформализуемой прежними методами информации, как та, что содержит контент социальных сетей, оптимально производить с помощью инструментов BigData.

ПЛАС: В чем, на ваш взгляд, причина того, что столь ценный источники информации, как социальные сети, до последнего времени неактивно использовался финансовыми структурами в России в своем бизнесе? Замечаете ли вы положительные изменения в этом плане?

М. Горбатовский: Действительно, социальные сети до недавнего времени не очень активно задействовались российскими кредитно-финансовыми учреждениями – и в качестве источника информации, и в качестве канала продвижения банковских продуктов и сервисов. Каковы причины такого отношения? На наш взгляд, основной из них является то обстоятельство, что традиционные каналы продаж банковских продуктов приносили и приносят достаточно высокие прибыли, и вследствие этого некоторые банки не видят особой необходимости инвестировать в альтернативные каналы.

Однако сегодня интерес банков, как российских, так и зарубежных, к социальным сетям в значительной мере вырос. Как нам кажется, это связано и с появлением и активным развитием стартапов в банковской отрасли, которые активно используют социальные сети как канал продвижения, как это делает, например, «Тинькофф Кредитные Системы», и с тем, что маржинальность банковских продуктов в традиционных каналах под влиянием многих факторов снижается.

Перспективным направлением для банков является создание систем скоринга на основе данных, полученных из социальных сетей

Мы уже наблюдаем достаточно серьезную работу нескольких игроков российского банковского рынка по активному пиару и маркетингу в социальных сетях, и можно утверждать, что интерес к этому каналу растет.

Еще одним перспективным направлением для высокотехнологичных инвестиций банков (если судить по вполне реальной практике на российском рынке) является создание систем скоринга на основе данных, полученных из социальных сетей. Этим направлением банки активно интересуются и начинают инвестировать в разработку таких систем. Они исходят из того, что, анализируя профиль поведения человека (то, какую информацию он о себе публикует и в какой форме, как он общается, как выглядит круг его контактов), можно сделать достаточно много ценных выводов и комплексных оценок различных показателей. Одним из основных из таких показателей для банков является Customer Lifetime Value (CLV). Данные социальных сетей в оценке этого важного с точки зрения построения долгосрочных отношений с клиентом критерия позволяют не только измерить ценность того или иного клиента для банка, его текущее благосостояние и перспективы на будущее, но и спрогнозировать, как благосостояние клиента будет изменяться со временем.

ПЛАС: Насколько известно, для этих целей уже существует масса решений и помимо Big Data. Что меняет здесь использование этого подхода?

М. Горбатовский: Существует технологическая проблема, связанная с характером контента социальных сетей: как правило, информация, содержащаяся в профилях клиентов, слишком разрозненна и крайне тяжело формализуется. Таким образом, полноценный анализ этой информации сегодня очень сложно (и дорого) проводить на достаточно большой выборке клиентов. С одной стороны, в сегментах, наиболее интересующих банк (и которые являются для банка наиболее прибыльными), необходимо постоянно искать новых клиентов, реагируя на те их потребности, которые выявляются в результате анализа. Но, что еще более важно, аналитики банка должны иметь возможность исследовать основные события социальной жизни существующего или потенциального клиента, а для этого им прежде всего необходимо понимать, как клиент представлен в социальных сетях. Если банк умеет такую информацию а) собирать и б) правильно трактовать, он может принимать более качественные бизнес-решения в стратегии и тактике коммуникаций с клиентами (а значит, и повысить продажи). Для того чтобы собирать информацию, содержащуюся в социальных сетях, решения, в принципе, уже есть. В России существует ряд достаточно известных компаний, которые занимаются анализом соцсетей. Большинство крупных PR- и маркетинговых агентств также предоставляют услуги по сбору информации из Social Media. Однако очень большая часть этой работы осуществляется фактически вручную. Следовательно, с помощью таких технологий даже в теории не может быть проанализирован большой клиентский сегмент. Например, простые текстовые фильтры все равно необходимо применять к большому количеству пользователей самых различных каналов: сайтов, форумов, блогов и т. п. Все это необходимо сводить воедино, связывать между собой, приводить к какой-то формализованной картине и в итоге складывать в некий искомый банком «информационный пазл».

Банки только начинают эксперименты в области анализа рисков, связанных с клиентами, на основе данных в соцсетях

Разумеется, существующие подходы не будут так работать, когда речь идет о количестве исследуемых потенциальных клиентов-пользователей соцсетей в несколько миллионов человек. На рынке существует большое количество платформ (например, использующих теорию графов), которые позволяют так или иначе анализировать информацию в соцсетях, но они являются в большей степени категоризаторами (т. е.на основе текстового анализа разбивают некий объем информации по категориям). На сегодня для полноценного анализа клиентского профиля в соцсетях и прогноза этого явно недостаточно, а вручную анализировать большие объемы данных нереально. Потребности в анализе, которые реализуют современные IT-технологии, такие как Big Data, находятся за гранью того, что может сделать разумная по размерам команда аналитиков. В такой ситуации у банков естественным образом возникает насущная необходимость использовать новейшие технологические решения, и Big Data среди них на сегодняшний день является одним из самых оптимальных вариантов – и в том плане, что позволяет захватить для анализа очень широкую аудиторию пользователей Интернета, и в том, что позволяет спрогнозировать реальные клиентские ожидания от банковского сервиса или продукта, т. е. правильно трактовать данные. Разумеется, Big Data не замещает полностью человека. Эта технология дополняет возможности аналитиков инструментами, которые позволяют банку больше зарабатывать или меньше тратить.

Здесь мы плавно подошли к вопрос управильной трактовки данных. Для того чтобы правильно трактовать собранную информацию, нужно разрабатывать модели, которые позволят производить эффективный скоринг этой информации и принимать необходимые бизнес-решения. И это уже вопрос ноу-хау каждого банка. Задача вендоров – предоставить банку технологию или метод, которые позволят им собранную информацию анализировать, сводить воедино и находить в ней тенденции или сигналы к действию.

Например, если человек ищет квартиру или у него родился ребенок – это серьезный сигнал, что у него есть потребность в ипотеке. Ипотека под материнский капитал – известная программа достаточно большого количества кредитных организаций. Но в любом случае ответ на вопрос, на какие именно сигналы банкам необходимо реагировать и как, лежит в сфере компетенции команд аналитиков, которые будут работать с теми инструментами, которые им предоставит вендор.

ПЛАС: Какие типы задач банк может решать, анализируя с помощью технологий Big Data контент социальных сетей, и какие конкурентные преимущества это ему может дать?

 М. Горбатовский: Первой из таких задач, несомненно, является анализ потребительского спроса, на основе которого производится и запуск новых продуктов и сервисов, и их корректировка. Он начинается с выявления на основе социальных признаков наиболее активных клиентских сегментов, которые интересуют банки. Сегодня для этого у банков, на наш взгляд, существует нехватка именно качественной информации. Как правило, в качестве поставщика информации для принятия решений банку выступает либо собственный отдел маркетинга, либо маркетинговое агентство. Зачастую банкам хотелось бы поступающую информацию сверять с независимыми источниками. Такими источниками могут являться социальные сети, форумы, блоги, иные интернет-источники. Их анализ и связывание воедино информации из различных источников, внутренних и внешних, позволяют банку увидеть всю картину целиком, включая то, как люди отзываются на те или иные действия, те или иные инициативы, которые банк реализует в определенных регионах. Вторая задача связана с анализом рисков. Последние могут быть двух основных категорий – риски клиентов и риски для бренда.

В области анализа рисков, связанных с отдельными клиентами, например, заемщиками, на основе их профилей в социальных сетях, банки только начинают экспериментировать. Сейчас, как правило, банки просят человека при подаче заявки на кредит указать ссылку на свой профиль в какой-либо социальной сети. Такой метод представляется весьма и весьма спорным. Ведь человека, который официально предоставляет такие данные для системы скоринга, подобное требование в определенной мере подталкивает к тому, чтобы заранее этот профиль подкорректировать –так, чтобы он выглядел интересным (или безопасным) для проверяющих структур.

Решения, основанные на технологии Big Data, могут помочь в деле более объективного взгляда на клиента и качественного анализа индивидуальных рисков без предъявления таких требований. Их преимущества как раз и заключаются в том, что позволяют банку самому правильно сложить «информационный пазл»: без запроса данных у клиента установить, принадлежит ли тот или иной профиль конкретному человеку. Эти же технологии позволяют понять, существуют ли какие-то несоответствия между информацией, которую клиент официально предоставляет банку, и той информацией, которую он выкладывает в социальных сетях. К примеру, потенциальный клиент активно пишет о своих проблемах с микрофинансовыми организациями на форуме должников, но указывает в анкете, что у него нет непогашенных кредитов. Или же существующий клиент является по факту недобросовестным должником банка, но в сетях активно рассказывает о том, как путешествует по миру, тратя деньги, и т. д. Или же человек значится малообеспеченным клиентом, но рассуждает на форумах о покупке дорогой машины. Технология позволяет выявить моменты, которые не вяжутся между собой и могут вызывать интерес аналитических или иных служб банка. Этот интерес может касаться как эффективного взаимодействия с клиентом для продажи ему новых продуктов, так и вопросов снижения расходов (в виде предотвращения возможного дефолта клиента или мошенничества).

Риски для бренда – еще одна важная категория. Оценить их помогают прежде всего негативные отзывы о кредитно-финансовом учреждении. Причем не те, которые поступают по обычному каналу жалоб и соответствующим образом обрабатываются, а публичные отзывы в Интернете о банке, его продуктах и сервисах, которые вызывают или могут вызвать какую-либо волну недовольства. Приятно отметить, что над этими вопросами большинство компаний (не только банков) уже активно работает. Тем не менее для крупных организаций такой анализ достаточно сложно производить вручную, силами какого-либо отдела, поэтому им приходится прибегать к помощи IT-решений, позволяющих выявлять проблемы на раннем этапе возникновения и как можно более оперативно на них реагировать. Технология Big Data позволяет увеличить и размер выборки, и глубину анализа.

Третья задача касается непосредственно привлечения новых клиентов. Если говорить о практике IBM применения таких решений на основе Big Data, то недавний пилотный проект 2012 г. с одним из банков ставил задачу посмотреть на социальные сети как источник информации о потенциальных клиентах. За время анализа мы нашли порядка 60 тыс. потенциальных клиентов для банка на достаточно ограниченной выборке – проанализировав порядка 1/10 от активных пользователей Интернета за год. Это направление является для России совсем новым, но мы надеемся, что в нынешнем 2013 году мы увидим на рынке несколько крупных «пилотов» в этой области.

ПЛАС: Насколько внедрение аналитических решений с применением технологического подхода Big Dataзатратно для банков? Требует лионо серьезной модернизации IT-инфраструктуры? От чего, по вашим оценкам, зависят сроки возврата инвестиций?

М. Горбатовский: Решения на основе Big Data хороши как раз тем, что ориентированы на неструктурированный сегмент и позволяют работать с данными практически любого качества и поэтому не требуют создания под них отдельного хранилища. С другой стороны, эти решения лишь дополняют существующие в банках хранилища данных, позволяя делать более качественные выводы от анализа нескольких источников. Поэтому, с точки зрения затрат на инфраструктуру все зависит только от того, сколько информации сам банк хочет собирать и держать у себя, а сколько может (или хочет) получать от внешних провайдеров. С точки зрения затрат на интеграцию, как и в случае с любой информационной системой, все зависит от количества точек интеграции и уровня зрелости существующих информационных систем в банке. Если системы, которые банк хочет интегрировать с решениями Dig Data (иначе говоря, с системой анализа неструктурированного контента из сети Интернет), хорошо развиты, а точки интеграции открыты и гибко настраиваются, то интеграционных проблем возникнуть не должно. Соответственно, тем меньше сроки разработки и стоимость решения в целом. В случаях, когда банк использует старые legacy-системы, интеграция с которыми затруднена, затраты растут. Но, так или иначе, системы на основе Big Data – в целом достаточно «легкие», и цикл их внедрения достаточно короток.

Что касается сроков возврата инвестиций на решения Big Data, то (как и с любыми аналитическими инструментами) они очень сильно зависят от того, насколько эффективно банк будет использовать эти инструменты для принятия бизнес-решений. Каков срок возврата инвестиций в покупку обыкновенного молотка? Очевидно, это зависит от того, насколько и для чего этот молоток будет использоваться – можно забивать им гвозди при постройке дома, а можно просто хранить на чердаке. Поэтому необходимо понимать простую вещь: возврат инвестиций происходит в результате принятия решений, а не в результате установки аналитической системы. Соответственно, для возврата инвестиций на внедрение и эксплуатацию системы, которая выявляет в социальных сетях потенциальных клиентов банка, необходимо обеспечить эффективную конверсию потенциальных клиентов в реальных потребителей банковских продуктов и сервисов.

ПЛАС: С применением каких принципов, подходов и сценариев должна, на ваш взгляд, проводиться такая конверсия?

За время анализа найдено порядка 60 тыс. потенциальных клиентов для банка на достаточно ограниченной выборке

М. Горбатовский: С моей точки зрения, эффективность конверсии информации, которую предоставляют системы Big Data, зависит в первую очередь от культуры работы банка с клиентом. Основной плюс технологии Big Data в этом плане состоит как в получении «обзора на 360 градусов», то есть полной информации о клиенте, так и в возможности эффективного использования такой информации. Следует, однако, учесть, что эта эффективность очень сильно зависит от конкретных методов и подходов каждого кредитно-финансового учреждения. В большинстве или по меньшей мере во многих российских банках они до сих пор являются достаточно упрощенными. Например, результаты сложного анализа могут конверсироваться в простую рассылку SMS или в баннерную рекламу.

Я не могу давать советы банкам, но предлагаю задуматься: почему потребители отдают весьма важную персональную информацию социальным сетям, подписываются на их условия по privacy, размещают там личные фотографии, но в то же время прямые предложения банков их могут иногда раздражать? Наверное, потому, что коренным образом различается сама модель коммуникации. Если социальные сети работают по принципу Engagement System, т. е. вовлечения клиента в какую-то работу или процесс, то множество банков до сих пор работают по старинке, с помощью методов директ-маркетинга. Такой прямой подход при наличии большого количества банков на российском рынке у потребителя сегодня уже начинает вызывать определенное отторжение.

Возникает вопрос, не будет ли более эффективным использовать систему непрямого вовлечения клиентов в те или иные активности, которые прежде всего полезны для них самих? Справедливости ради отмечу, что некоторые банки, особенно за рубежом, уже давно идут по пути создания для клиента приятной и комфортной атмосферы работы с банком. Так обеспечивается гораздо больший спектр услуг и возможностей для клиента, нежели набор только банковских продуктов.

В качестве косвенного примера приведу кейс с т. н. офисами будущего, которые уже начинают появляться на российском рынке: офис банка может совмещаться с кафе, тут же предлагается и ряд небанковских услуг, таких как продажа авиабилетов или услуги по государственным платежам.

Таким образом, в частности, идет непрямое вовлечение потребителя во взаимодействие с банком – по принципу, аналогичному используемому социальными сетями. Мне кажется, банкам есть чему поучиться у соцсетей в деле конверсии клиентов и монетизации лояльности. Взаимное обогащение информацией, полезной для бизнеса, – еще один, на мой взгляд, перспективный результат работы банков с социальными сетями.


Комментарии (0):

Добавлять комментарии могут только зарегистрированные Пользователи


Читайте в этом номере:
обновить

а вы знаете, что...

… в Океании раковины каури (моллюсков) сохранились как платежное средство ограниченного оборота до наших дней? В настоящее время среди всех архипелагов Океании раковины моллюсков действительно распространены в качестве не декоративной, а реальной расчетной единицы на Соломоновых островах.