Prodávejte více úvěrů s vyšším úrokem díky personalizaci

Digitalizace bankovního trhu je v plném proudu a kromě velkých příležitostí přináší i řadu výzev. Prodeje přes digitální kanály zpravidla generují nižší marže a objemy než na pobočkách, menší bariéry zvyšují riziko předčasně splácených úvěrů a velké investice do online produktů vyžadují citlivou optimalizaci pobočkové sítě. S řešením těchto problémů mohou pomoci moderní prediktivní systémy postavené na pokročilém zpracování dat a strojovém učení. Reálné zkušenosti s nimi na odborné  snídani iTea společnosti Trask představila Lucie Slavíčková. Nynější Head of Data Science &Customer Intelligence v Trasku se podělila o zkušenosti, které získala v rámci různých pojektů zaměřených na transformaci prodejních procesů.

Nejnižší úrok není všechno

„Úrokové sazby u nových spotřebitelských úvěrů už řadu let setrvale klesají. Nám se však povedlo průměrnou úrokovou sazbu zvýšit o 1,5 procentního bodu a jen v online kanálech jsme v prvních třech měsících zvýšili výnos o desítky milionů korun. Ztratili jsme přitom jen jednotky procent úvěrů, kdy klient zvýšení úroků neakceptoval,“ popsala Slavíčková konkrétní případ. Jak se povedlo dosáhnout toho, aby o úspěšnosti prodeje nerozhodovala jen nejnižší možná sazba?

Inovační tým se v tomto případě inspiroval chováním úspěšných bankéřů na pobočkách, kteří dokázali zvýšit cenu a přitom produkt prodat. Na základě hloubkové analýzy prodejních a klientských dat vytvořili datoví specialisté prediktivní modely schopné odhadnout, jakou úrokovou sazbu konkrétní klient ještě dokáže akceptovat. Díky napojení na další systémy schopné vyhodnotit bonitu klienta či míru rizika mohla banka zájemcům v reálném čase nabídnout úvěr ušitý na míru a současně optimalizovat marži.

^REKLAMA

„Rozvíjíme koncept digitální personalizované nabídky. V první řadě musí nástroj detekovat, že je správná chvíle uživatele oslovit. Pokud však má zvýšit prodeje, musí být také schopen poměrně hluboké personalizace – od oslovení, přes nabídku konkrétní částky až po výši splátky. Součástí je také A/B testování, kdy se zkouší různé nabídky a vybírají ty nejvhodnější pro různé cílové skupiny,“ vysvětlil Radim Babka ze společnosti SAS. Právě její technologie ve spojení s řešeními Trasku byly v rámci inovace obchodního procesu využity.

Více prodejů, méně ztracených klientů

Možnosti pokročilé datové analytiky jsou však širší. V rámci dalšího projektu bylo cílem o 25 procent snížit podíl předčasně splacených úvěrů – a tento plán se dokonce povedlo překonat. „Aby se to podařilo, musela to být priorita celé firmy, od představenstva až po bankéře a operátory. Vytvořili jsme agilní retenční tým, který zahrnoval odborníky na produkt, risk, řízení pobočkové sítě a call centra. Dali jsme dohromady maximum dostupných dat o tom, jak se zákazníci chovají a nakolik jsou úspěšné jednotlivé kanály. Následně jsme zjednodušili procesy, abychom mohli flexibilně reagovat na impuls od klienta, vytvořili nové pomůcky a motivační nástroje pro bankéře a zavedli průběžný trénink,“ zdůraznila Slavíčková.

Kombinace různých prediktivních modelů, které s pomocí umělé inteligence vyhodnocují tisíce různých proměnných, následně umožnila předvídat, kteří klienti jsou nejvíce náchylní k odchodu. Ty vybrané pak banka aktivně oslovila. Proaktivní snížení úrokové sazby klienta většinou pozitivně naladí, a při té příležitosti mu banka nabídne další produkty, čímž si kompenzuje úrokovou ztrátu. Pružný retenční systém také umožňuje rychlou reakci v případě, že už klient pouze oznámí odchod k jiné bance. Bankéřům umělá inteligence automaticky generuje důležité informace i konkrétní doporučení, co lze a vyplatí se udělat – například zda lze  / se doporučuje snížit konkrétnímu klientovi úrokovou sazbu a jaký nový objem půjček mají  ideálně klientovi nabídnout navíc, aby se finanční ztráta vyvolaná snížením aktuální úrokové sazby vykompenzovala. Součástí zavedených změn je úprava incentivního modelu a pravidelný trénink argumentace.

^REKLAMA

S využitím machine learning modelů lze současně optimalizovat jednotlivé prodejní kanály, aby generovaly větší objemy. „Je potřeba perfektně zmapovat zákaznickou zkušenost. Trask k tomu nabízí skvělý nástroj Process Discovery, který vytvoří přehlednou vizualizaci a odhalí úzká místa, kde se uživatelé nejčastěji ztrácejí. To umožňuje zajistit, aby se klient nikde nezadrhl a nepotřeboval pomoc. Následně je mu předpřipravena nabídka, přičemž maximum údajů je vyplněno předem,“ uvedla Slavíčková. Podle ní se například ukázalo, že lidé mnohem spíš zareagují na nabídku menšího úvěru v konkrétní výši, kterou pravděpodobně využijí, než na generickou informaci o maximální výši předschválených limitů.

Ucelený pohled na firmu

Popsané nástroje lze využívat nejen pro vylepšení online produktů a na podporu bankéřů na pobočkách, ale na vyšší úrovni též k optimalizaci celé pobočkové sítě. Jak potvrdil rychlý průzkum mezi účastníky snídaně iTea, právě tuto otázku nyní intenzivně řeší velká část bank. Posledních pět let se počty bankovních poboček snižují v celé Evropě. Průměr EU je momentálně 221 poboček na milion obyvatel, v Českuje to 213, v zemích jako Norsko, Finsko či Belgie ovšem pouze desítky. Poboček ubývá i přesto, že objemy transakcí rostou. Banky totiž stále více investují do digitálních kanálů, kde se klienti dokáží částečně nebo i úplně obsloužit sami. A protože zisky z digitálních produktů zatím mají své limity, je třeba současně optimalizovat a hledat úspory.

Kolik poboček by banka správně měla mít? Které by měla uzavřít tak, aby dopad do byznysu byl minimální? Jaká opatření má učinit a proč? Aby se na tyto otázky dalo odpovědět, opět jsou potřeba data. Ideální je vycházet přímo z logů, tedy syrových dat. Již zmíněný nástroj Process Discovery od Trasku dokáže zmapovat interakce klientů napříč všemi kanály, vizualizovat veškeré procesy ve firmě a poté, s pomocí prediktivní analytiky, přinášet odpovědi na klíčové otázky. Jaké kanály lidé preferují pro různé úkony? Jaká je hodnota a budoucí potenciál klientské báze na konkrétní pobočce? Jaká je efektivita jednotlivých poboček? A co přesně způsobí jejich případné zavření?

Ve všech výše popsaných případech každopádně platí stejný postup: získat vyčerpávající data, hloubkově je analyzovat a následně vytvářet predikce a testovat různé scénáře. Díky umělé inteligenci a strojovému učení se tak lze v krátkém čase dobrat nečekaně přesvědčivých výsledků. Potřebné technologie je přitom možné nasadit bez složitého programování v řádu měsíců a vysoké nejsou ani nároky na jejich obsluhu – správci mají k dispozici přehledné rozhraní s jednoduchým ovládáním.

Trask si v těchto oblastech vybudoval patřičné know-how i vlastní ekosystém nástrojů a je schopný svým klientům poradit, provádět sofistikované analýzy, vytvářet machine learning modely a celé řešení také implementovat.

Tisková zpráva Trask solutions