Подход, описанный выше, весьма похож на кредитный скоринг. Там так же используется база данных заявителей, заемщиков, выданных кредитов с их историей. На этих данных строится модель, которая используется для оценки новых заявок на получение кредита, прогноза погашения кредитов действующими заемщиками и оценки вероятности возврата средств теми, кто уже просрочил свои платежи. Как и в скоринге, прогнозные модели, позволяющие определить вероятность отклика на предложения банка, необходимо периодически обновлять.

В отличие от кредитного application scoring, когда оценка клиента производится разово в момент рассмотрения его заявки, склонность клиента к продуктам имеет смысл перерассчитывать на регулярной основе. Ведь поведенческие характеристики клиентов меняются с течением времени, а вместе с ними меняется и оценка их предпочтений. Например, один из российских банков обнаружил, что клиенты чаще всего принимали предложения оформить нецелевой кредитный договор после пяти месяцев активного пользования кредитной карточкой. Здесь важными параметрами являлись именно длительность периода и степень активности. Последняя выражалась такими показателями, как средний остаток ссудной задолженности и количество транзакций.

Как могут использоваться показатели склонности клиента к продукту

Конечно, расчет показателя склонности клиента к продукту не имеет никакой ценности, если его не использовать на практике. Способ его применения зависит от технологии выполнения маркетинговых бизнес-процессов, принятой или запланированной к использованию в банке. Приведем возможные примеры.

1. Маркетинговые кампании по инициативе банка (outbound)

Предположим, банк планирует осуществить рассылку предложений по одному из своих кредитных продуктов. В качестве первоначальной выборки он использует всю клиентскую базу. Затем на таблицу клиентов накладывается ограничение -отклик на предложение продукта должен быть не менее определенного значения, например 50%. Допустим, первоначальная выборка была 100 тысяч, а отклик более 50% вероятен только для 10 тысяч из них. В то же время денег па кампанию выделено столько, что хватит только на 5 тысяч. В таком случае сократить выборку до требуемой величины очень просто. Нужно только поднимать показатель вероятности отклика, пока в выборке не останется лишь 5 тысяч клиентов, имеющих высокую склонность к покупке данного типа кредита.

2. Подготовка best offer для последующего предложения его клиенту

Банк не практикует рассылки и не проявляет инициативу в обращении к клиенту. В то же время в аналитическом CRM на регулярной основе рассчитываются показатели склонности клиента к разным продуктам. Эти данные передаются во фронт-офисные приложения. При обращении клиента в банк операционист контакт-центра или менеджер может видеть список наиболее подходящих банковских продуктов для клиента с приоритетами и предлагать их. При этом система может определять "чувствительность" клиента к параметрам продукта - например, к процентной ставке, сроку, первоначальному взносу и в индивидуальном порядке оптимизировать продукт с учетом уровня риска, связанного именно с этим клиентом. Таким образом, удается повысить вероятность отклика клиента на предложение банка, не снижая при этом общей доходности продукта и не увеличивая чрезмерно принимаемые банком риски.

3. Подбор best offer в режиме real time (inbound)

Клиент звонит в контакт-центр, информация о нем заносится в операционный CRM. В режиме онлайн запрос передается аналитической системе, которая производит оценку склонности данного клиента к разным продуктам и предлагает продукт с наибольшей вероятностью его покупки. Такой метод больше подходит для задач не Cross-Sell, a Up-Sell. Во втором случае клиент, как правило, интересуется определенным продуктом, но можно предложить ему дополнительный, сопутствующий продукт.

Предложение банка может быть доставлено клиенту не только при взаимодействии с сотрудниками банка, но и, например, при работе клиента с системой интернет-обслуживания или выполнении операций на разного рода устройствах - терминалах самообслуживания, банкоматах.

Достигаемые результаты

О преимуществах и эффекте смены про-дуктоориентированной стратегии на кли-ептоориентированную говорят реальные показатели. Например, американский Provident Bank после внедрения специализированного аналитического решения SAS Cross-Sell/Up-Sell и применения заложенных в нем технологий заявил об увеличении откликов на проводимые маркетинговые кампании на 400%. Португальский Santander Totta, помимо значительного улучшения показателей продаж, смог добиться снижения годового оттока клиентов на 25%, что принесло ему дополнительно десятки миллионов евро в год. Банк АХА Financial ставил задачу концентрации своих усилий на работе с высокорентабельными клиентами. Посредством применения клиентской аналитики от SAS он смог эффективно сегментировать свою клиентскую базу, а последующие предложения продуктов выделенному целевому сегменту с использованием прогнозных моделей дали увеличение продаж на 276% по всей продуктовой линейке.

На российском финансовом рынке сегодня складывается ситуация, которая вынуждает российские банки больше инвестировать в развитие и поддержание отношений с клиентами. CRM-аналитика является ключевым элементом в построении клиентоориентированной стратегии. И уже многие российские банки занимаются внедрением таких решений или по крайней мере задумываются об этом. Надо действовать уже сейчас, ведь возвращать потерянных клиентов слишком дорого.

"Поведенческие характеристики клиентов меняются с течением времени, с ними меняется и оценка их предпочтений "