Big data előtt banki tranzakciós adatok kiaknázása. Kiss Ferenc Emánuel

Átírás

1 Big data előtt banki tranzakciós adatok kiaknázása Kiss Ferenc Emánuel

2 Budapest Bank 1987-ben jött létre az egyik legelső hazai kereskedelmi bankként A 8 hazai nagybank egyike Tulajdonosi háttér: 1995-től 2015-ig az amerikai GE tulajdonában június 29-től állami tulajdonú (MFB csoportohoz tartozó Corvinus Nemzetközi Befektetési Zrt.) Teljes körű pénzügyi szolgáltatásokat kínál mind a lakosság, mind a vállalkozások számára, ezen belül kiemelten a kis- és középvállalkozásoknak (KKV) 96 fiók országszerte ~ 2800 főt foglalkoztat (a leányvállalatokkal együtt) Bankműveleti Központ működik Békéscsabán 2006 óta Jelenleg közel 750 főt foglalkoztat A térség második legnagyobb munkáltatója a versenyszférában első féléves konszolidált adózás utáni eredmény: 15,7 milliárd Ft

3 Adatok, amelyek rendelkezésre állnak Banki adatok Tranzakciós adatok Demográfiai adatok Lokáció Bank-ügyfél kommunikáció Piaci információk (piaci kamatlábak, árfolyamok) Külső strukturált adatbázisok Külső nem strukturált adatok Céges adatbázisok (Opten, csődfigyelők) Külső vásárolt adatbázisok? Szociálismédia adatok???? Fontos, hogy a belső és külső adatokat üzletileg illeszteni tudjuk

4 Banki tranzakciók A banki tranzakciók az ügyfélszámlákon végrehajtott számlamozgással járó pénzügyi műveletek, amelyek a bank üzleti tevékenységhez kapcsolódnak. (fizetési, befektetési és hitel) Típusok: átutalás, csoportos beszedés, készpénz felvét, inkasszó, vásárlás, betétlekötés, hiteltörlesztés, kamatfizetés, kamatmódosítás stb. Főbb jellemzők: deviza, összeg, benyújtási csatorna, kártyaszám, partner, ki/mi hogyan könyvelte stb.

5 CRM / ügyfélkapcsolat Kockázatkezelés Mire is tudjuk használni? Előrejelzés a (várható) ügyfélviselkedésről Befolyásolás irányítani az ügyfélviselkedést Tervezett Korai előrejelző rendszerek Nem érkezik meg a fizetése? Nem fizeti a telefonszámláját? Csökken a kulcsvevőjével a forgalom Tanácsadás Mire is költ az ügyfél és az arányában magas-e? Behajtási stratégiák kialakítása Újrastrukturálás Tranzakcióhoz kötött ajánlat (offline) Korai előrejelző rendszer ügyfél lemorzsolódás Kereszteladások (banki termékek) Termékcsomagok kialakítása Online / prediktív Napi/online értékelés Partner termékek Elmozdulni az előrejelzéstől a befolyásolás felé

6 Ez már Big data? Gartner: Big data is high-volume, high-velocity and/or high-variety information assets that demand cost-effective, innovative forms of information processing that enable enhanced insight, decision making, and process automation. De konkrétan hogyan lehet eldönteni? A banki tranzakciók adathalmaza az? Mennyiség: Kb. havonta 10 millió ügyfél tranzakció (pénzforgalmi, befektetési és hitel) Gyorsaság: Másodpercenként érkeznek, jelenleg adattárházban áll csak elemzésre rendelkezésre, ami T+1 napos -> mihez nem elég gyors ez? Változatosság: kb. 3 ezer tranzakció típus, de lehet kevesebb is (40 fő művelettípus) és jóval több is -> sok dimenzió Ez már olyan adat, ahol megéri új eszközt / technológiát alkalmazni? Hol a határ?

7 Mit látunk a tranzakciókból? - Lehetőségek, Big data eszközök nélkül 1. Vásárlási szokások, attitűdök 2. Ügyfél Cash-Flow 3. Partneri kapcsolatok 4. Ügyfél tulajdonság megítélése (pl. precizitás, pontosság)

8 1. Vásárlási szokások, attitűdök Lidl Aldi Mikor? Mennyit? Hol? Ft Aldi Budapest Ft Lidl Nagytétény Ft Spar Diósd Végigkövethető az ügyfél útja Hogyan lehet ezt értékre váltani? 8

9 1. Vásárlási szokások, attitűdök Kártyás vásárlások időbeli eloszlása eft Hétvégén nem vásárol Havi vásárlások 200 ezer Ft MOL, Vecsés ÖMV Diósd LIDL Nagytétény MOBIL GAZ Kft Diósd METRO Budaörs DM Diósd CBA Diósd POSTAX XXX Budapest SPAR Diósd Az adatok részletezettsége nagyfokú személyre szabást tesz lehetővé 9

10 2. Ügyfél Cash-Flow Egy képzeletbeli ügyfél havi számlaforgalma: Előző hó Jövedelem Jóváírt kamat Egyéb bejövő Közüzemi díjak POS - Áruház POS - Benzin POS - Egyéb Külső befektetés Egyéb kimenő Aktuális hó Elvándorlás felismerését segítheti

11 3. Partneri kapcsolatok 2014 Egyéb, 2196 Tokaj Rákóczi Kft., 1305 Völgységi Szőlő Termesztők Szö, 110 MOLNÁR ÉS FIAI PINCÉSZET BT, 642 BALATON AGRÁR ZRT, 1200 Vinea Mátra Kft., Egyéb, 2987 Tokaj Rákóczi Kft., 1610 Vinea Mátra Kft., 913 BALATON AGRÁR ZRT, 2054 Völgységi Szőlő Termesztők MOLNÁR ÉS FIAI Szö, 915 PINCÉSZET BT, 127

12 4. Ügyfél tulajdonságok megítélése Kérdés: Ki mennyire pontosan fizeti a hitelkártya tartozását?

13 4. Ügyfél tulajdonságok megítélése Kérdés: Ki mennyire pontosan fizeti a hitelkártya tartozását? Válasz: Tranzaktorok 53%-a fizet csak forintra pontosan. Rengeteg és változatos adat az ügyfelekről Csak a képzelet szab határt

14 Konklúzió Komolyan mérlegelni kell, hogy mire fordítjuk a szűkös pénzbeli, emberi erőforrásokat: új adatforrásokra, új technológiákra vs. meglévő, de még kiaknázatlan lehetőségekre

15 Köszönöm a figyelmet!