Как просчитать потерю корпоративного клиента, или Уходящие не по своей воле
Олег Брагинский, основатель «Школы траблшутеров» и директор «Бюро Брагинского»
Заподозрить финансиста в злонамеренности языки не поворачивались, поэтому позвонили мне: «Вы, говорят, все просчитать можете – пришло время доказать мастерство делом». Оказалось, общаемся по громкой связи – уловил резкий шепот: «Скажи, что бухгалтеру приказали из головного офиса». Услышанное в корне меняло дело: предсказать отток ничего не подозревающего юридического лица по указанию руководителя из ЦПР (Центра принятия решений) казалось невозможным.
Нереальность задачи ставила под угрозу мою репутацию, и с этим нужно было что-то делать. Неуверенно пробормотал: «Подумаю, что с этим можно сделать», под довольные выкрики с противоположного конца провода. Задача мучила, как гвоздь в скамейке: пересесть лень – проще морщиться. Не удавалась формализация начальных условий:
- как угадать несамостоятельность компании?
- как вычислить ЦПР, если он не обслуживается в банке?
- как понять намерение расстаться, если компания снижает финансовую активность, но не закрывает счета?
- Теплилась слепая уверенность в могуществе методов Big Data и слабая надежда на 20-летний опыт банковской деятельности. 200 тыс. юридических лиц за 25 лет с миллиардами транзакций послушно легли в модель. Наступил ступор гипотез. Поиск «методом тыка» даже не рассматривался.
Три недели прошли в тягостных размышлениях:
- экспериментально подтвердилось, что поставщики открытых баз данных о предприятиях страны не помогут найти ЦПРы – клиентские менеджеры отклонили треть приведенных мною расчетных догадок;
- не удалось сформулировать «индикатор ухода с обслуживания» – юрлица не опустошали счета до нуля и, даже прекратив работу с банком, принимали остатки денег по ранее заключенным контрактам;
- догадки о календарных привязках к началу календарного или финансового года не подтвердились;
- доверительные беседы с десятками финансистов лояльных к банку ушедших организаций подтвердили непредсказуемую природу команд сверху;
- прекращение отношений с банком после выплаты кредитов, как вероятное развитие событий, интересовало только Капитана Очевидность.
Ситуация становилась патовой – я не знал, где и что собираюсь искать. Время тикало не в мою пользу. В минуты крайней жалости к себе нахлынули воспоминания о написании компьютерного антивируса на первом курсе Политеха – получалось же тогда искать иголки в стогах! Не применить ли и сейчас подобный подход?
Допустим, что:
- неизвестно, есть ли у компании руководящая и направляющая сила;
- непонятно, собирается ли компания прекратить обслуживание в банке.
Тогда нам необходимо найти типовые кардиограммы финансового здоровья и искать аномалии ресурсного поведения юрлиц. При всей размытости постановки задачи пришло понимание, что решить ее вполне по силам.
Быстро удалось закодировать серии типовых поведений (табл. 1):
1. Верхняя горизонталь – организация поддерживает деловую среднюю активность выше исторической медианы.
2. Нижняя горизонталь – деловая активность ниже среднего.
3. Всплытие – рост среднего суммарного объема денежных средств на счетах.
4. Погружение – аналогичное падение.
5. Мерцание (Имеется в виду термин Trends of flickering) вниз – пробивание дна и стабилизация.
6. Мерцание вверх – пробивание потолка и восстановление.
7. Двойное мерцание вниз – пробивание дна, восстановление и повторное пробивание дна.
8. Двойное мерцание вверх – пробивание потолка, восстановление и повторное пробивание потолка.
9. Поведение не определено – не хватает статистики или нет выраженных трендов.
Запустил раздельную кластеризацию для первых восьми категорий, и случилось долгожданное чудо: каждое из множеств оказалось на удивление устойчивым и не желало дробиться добровольно. Свет забрезжил в конце тоннеля!
Вспомнил, как ритейлеры сравнивают периоды, используя Like4Like подход, и финализировал постановку проблемы:
1. найти период X дней, сравниваемый с:
2. необязательно равным ему периоду в Y суток,
3. следующим со сдвигом (отставание или опережение!) в Z дней,
4. при которых случается (нисходящая или восходящая!) финансовая активность,
5. завершающая отношения юрлица с банком (последующая транзакционная пассивность).
Чтобы не мельчить, приступил к поиску границ моделирования. Оказалось, наиболее транзакционно предсказуемы группы компаний в диапазоне годовой суммарной банковской прибыли от 47,8 тыс. долл. США до 927,3 тыс., что покрывало 30,8% действующих и 56,5% ушедших из банка организаций (табл. 2).
Ступенчатым снижением точности на 0,01% удалось добиться включения в моделируемый диапазон 54,6% активных и 43,4% пассивных компаний. Границы годовой суммарной прибыли раздвинулись до диапазона 16 тыс. – 6 млн долл. США. Валовая годовая прибыль при этом выросла с 15,3% до 59,2% (табл. 3).
Тестирование модели на 70% случайной выборки показало, что адекватно предсказывается уход компании из банка при сравнении четырех месяцев к четырем со сдвигом в восемь месяцев. При этом глубина снижения прибыльности составляет 39,51% от первого четырехмесячного периода.
Применение метода для 100% компаний, ушедших из банка, показало отклонение точности в 0,14%. В таблице 4 показаны 19 лучших вариантов параметров модели предсказания оттока, обеспечивающих величину отклонения до 10%.
Рассчитав модель для действующих компаний, я определил 230 компаний в «предынфарктном» для банка состоянии, провел беседы с 28 клиентскими менеджерами 7 отраслей и уточнил модель, добавив защиту от ложных срабатываний на снижение деловой активности компании, исключив:
- ожидание бюджетных денег или окончания тендерных процедур;
- снижение объема продаж или осознанный отказ от части маржи;
- сезонность бизнеса или плановый уход с продукта.
После апробации модель внедрили в корпоративную CRM банка, и при срабатывании поведенческих маркеров сотрудники стали по утрам наблюдать сообщения следующего содержания: «Организация «ABC», по которой вы являетесь клиентским менеджером, склонна к уходу с банковского обслуживания. Расчетное время «потери» – 3 недели».
Как часто бывает, нововведение было встречено с ухмылками, которые быстро стерлись после сбывания серии предсказаний по крупным клиентам. Интуиция и опыт распространяются на зону контроля менеджера, а математика способна охватить сколь угодно большие объемы.
Завершив теоретические изыскания и полевые проверки, поехал проводить презентацию для заказчика. Оказали теплый прием и напоили горячим чаем. Повествование о разработанной методике дамы восприняли одобрительно, но спокойно. Не хватало ожидаемой восторженности.
Обескураженный, спросил: «что не так?» На что получил добродушный ответ: «С самого начала знали, что справишься». Коротко и просто. Семь недель сражался с неизвестностью, не находя решения. Извелся в поисках допущений, изгалялся в подходах. Не верил в себя и удачу, а они даже не сомневались...
Учите матчасть, проверяйте факты, стройте гипотезы и… доверяйте женской интуиции. Используйте Big Data, играйте по-крупному и следите за следующими публикациями в журнале «ПЛАС».