курс цб на 23.01:
56.6261
69.265
курс криптовалют:
10807.3 $
1000.12 $

Как просчитать потерю корпоративного клиента, или Уходящие не по своей воле

20 июня 2017 17:11 Количество просмотров1527 просмотров

Сотрудники банковского отделения по обслуживанию юридических лиц были ошарашены. Позвонила главбух давнего клиента и сказала, что получила указание выводить денежные средства из банка. Только вчера тортом, цветами и «просеко» отмечали ее день рождения… Как выстрел в спину, да и… премий жалко.

Олег Брагинскийоснователь «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.

55

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).

56Ступенчатым 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).

56-2

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».

56-3Как 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».

Версия для печати

Читайте в этом номере:




В рубриках:
ЖУРНАЛ ПЛАС №5
Форум экспертов
50-рублевые банкноты – слухи об их смерти явно преувеличены
На платежном рынке России одним из главных событий уходящего года стал ввод в обращение новых купюр номиналом 200 и 2000 рублей. В декабре 2017 г. ряд СМИ активно обсуждал информацию о выводе из оборота 50-рублевых купюр через пять лет в связи с политикой ЦБ по сокращению наличного денежного оборота в стране. Эксперт-консультант, партнер компании Currency Research (США), член Международной ассоциации IACA Виктор Ионов считает подобные тезисы и столь долгосрочный прогноз довольно наивными. Об этом он рассказал порталу PLUSworld.ru.
29 декабря 2017 13:04
eIDAS – новый гарант доверия к электронным транзакциям в Евросоюзе?
О сути грядущих законодательных изменений на рынках стран Евросоюза рассказывает Павел Есаков, эксперт по системам аутентификации компании CompuTel System Management. 
25 декабря 2017 14:15
Робоэдвайзерам есть чему поучиться у автомобильной промышленности
«Количество роботов превысит количество людей на планете Земля к 2035 году», – таким прогнозом поделились с индустрией эксперты на форуме инновационных финансовых технологий «Финополис-2017» в Сочи. В современном мире машины становятся неотъемлемой частью нашей жизни, и все большее значение они приобретают и в сфере финансовых услуг. Так, робоэдвайзеры (роботы-консультанты) играют важную роль в управлении активами, помогая инвесторам осваивать цифровую торговлю за счет использования автоматизированных решений. Однако насколько успешными в реальной жизни окажутся гибридные решения, пока не ясно. Финтех-индустрии стоит обратить внимание на уроки из опыта автомобильной промышленности, чтобы избежать ошибок, которые могут замедлить технологический прогресс, считает Игорь Домброван, директор отдела институциональных продаж, Saxo Bank. 
22 декабря 2017 14:25
Лента новостей
ЖУРНАЛ ПЛАС №5
Мероприятия SiGMA 2017: Итоги
18 января 2018 13:41
Количество просмотров 136 просмотров
Криптовалюты Биткоин резко упал в цене 
11 января 2018 13:59
Количество просмотров 443 просмотра