Мобильное приложение журнала
Google Play Apple Store
курс цб на 06.12: USD 63.8135 EUR 70.7245
криптовалют: BTC 7394$ ETH 147.99$
lupa
225 просмотров

Модель потребительских предпочтений клиента розничного банка. Часть 2

Модель потребительских предпочтений клиента розничного банка. Часть 2

В первой части публикации мы рассмотрели математический аппарат предсказания следующей покупки клиента финансово-кредитного учреждения. Настало время определить время наилучшего предложения и способы оптимизации продуктового пути потребителя в портфеле организации, что является заветной мечтой отделов вторичных и перекрестных продаж. Олег Брагинский, основатель «Школы траблшутеров» и директор «Бюро Брагинского»

Cоберем массив данных по кредитным и депозитным договорам за 2015–2018 годы. Получится 5,6 млн клиентских историй, вобравших 11,3 млн сделок по восьми продуктам (см. рис. 1). Выделим обучающую выборку в размере 7,4 млн взаимодействий, по которой будем строить модели для проверки на оставшихся 3,9 млн сценариев задокументированного обслуживания.

Приступим к построению моделей прогноза покупок:

1) потребительский кредит на моментальную карту в магазине (PIL CSF) – см. рис. 2.

2) потребительский товарный кредит (CSF) – см. рис. 3.

3) кредитная карта на общие цели (СС) – см. рис. 4.

4) потребительский кредит на карту в отделении (PIL BRB) – см. рис. 5.

5) депозит (Depo) – см. рис. 6.

6) овердрафт (Over) – см. рис. 7.

7) автокредит (Auto) – см. рис. 8.

8) ипотека (Mort) – см. рис. 9.

Построенные модели и коэффициенты уравнений оказались значимы на уровне 95% вероятности. Оценим R квадрат Нэйджелкерка – критерий, показывающий долю влияния переменных модели на вероятность «угадывания» сделок, произошедших в контрольной выборке. Чтобы повысить адресность ошибки, разобьем клиентские массивы продуктов на квадранты, сформированные типом потребителей:

1) outgoing – покидающие кредитную организацию после первого опыта сотрудничества

2) subprime – обладающие низким доходом

3) mass – ведущие умеренный образ жизни

4) mass affluent – получающие средний доход

5) affluent – имеющие достаточный уровень обеспеченности

6) high affluent – способные гордиться условной зажиточностью и возрастом в диапазонах лет:

1) 20–30

2) 31–40

3) 41–50

4) 51–60

5) 61–80

Введя обозначения:

1) R квадрат Нэйджелкерка – КН

2) Точность модели для:

  • найденных клиентов – НК
  • упущенных клиентов – УК
  • успешных продаж – УП,

получим следующие оценки предсказания поведения потребителей продуктов:

1) PIL CSF: НК=0,45, НК=77,6%, УК=22,4%, УП=83,0%.

2) CSF: НК=0,54, НК=84,6%, УК=15,4%, УП=63,1%.

3) СС: НК=0,24, НК=75,6%, УК=24,2%, УП=17,3%.

4) PIL BRB: НК=0,31, НК=79,4%, УК=20,6%, УП=20,1%.

5) Depo: НК=0,66, НК=91,1%, УК=08,9%, УП=34,4%.

6) Over: НК=0,33, НК=89,0%, УК=11,0%, УП=01,7%.

7) Auto: НК=0,22, НК=85,1%, УК=14,9%, УП=00,2%.

8) Mort: НК=0,11, НК=84,4%, УК=15,6%, УП=00,1%.

Распределение результатов прогноза по категориям клиентов указывает на отсутствие систематических ошибок моделей: PIL CSF, CSF, CC, PIL BRB. Прочие имеют особенности:

1) Модель Depo:

  • предсказывает другое распределение клиентов по уровням доходов
  • завышает subprime, mass и занижает affluent, high affluent.

2) В распределении по доходам Over:

  • завышает долю для mass
  • занижает для outgoing.

3) Auto:

  • завышает автокредит для женщин, subprimе, mass, 20–30 лет
  • занижает: мужчины, mass affluent, affluent, 31–40 лет.

4) Mort:

  • завышает долю: subprime, mass, 51 и более лет
  • занижает: affluent, high affluent, 31–40 лет.

Наступил черед установить горизонт временного планирования. Оказалось, что 58,6% клиентов, «зашедших в банк» с продукта PIL CSF, продолжили пользоваться кредитно-финансовым учреждением наибольший срок с максимальным количеством сделок, что согласуется с реальностью и подтверждается моделью (см. рис. 10).

Сведя модели восьми продуктов в единое клиентское путешествие, удалось построить дерево «жизни клиента» в банке (см. рис. 11).

Последний продукт является корнем свершившегося поступка, следующий – потенциальным листом. Каждый лист унаследовал результаты моделирования:

1) наименование продукта;

2) вероятность покупки продукта;

3) срок между предыдущим и последующим продуктами.

Моделируя переходы от корней к листьям дерева, появилась возможность составлять сценарии жизни конкретного клиента в банке. Целевой функцией удержания потребителя, как мы уже отмечали, может стать максимизация:

1) прибыли кредитно-финансового учреждения;

2) временного горизонта пользования банковскими услугами;

3) скорости развития потребителя – проведение между расчетными продуктами.

P.S.

1) Пришлось учесть, что 95% клиентов за период 2015–2018 гг. имеют историю не дольше шести розничных продуктов, поэтому модель адекватно отрабатывает на цепочке из четырех сделок;

2) Наиболее вероятная цепочка продуктов, по которой легче всего «вести» потребителя, выглядит так: PIL CSF (80%, 66 дней) – CSF (61%, 163 дня) – PIL CSF (53%, 65 дней) – CSF.   

Читайте в этом номере:


Перейти к началу страницы

Подпишитесь на новости индустрии

Нажимая на кнопку "подписаться", вы соглашаетесь с


политикой обработки персональных данных