Gamificación en la banca. Caso “Seguimiento de la cartera de préstamos comerciales de un banco mediante visualización tridimensional Incrementar la actividad de los usuarios y ofrecer nuevos servicios

Promoción productos bancarios y la formación de la necesidad de ellos.

La gamificación es una de las más populares. en este momento en las tendencias de marketing. Y era lógico para nosotros, como banco con una audiencia activa y avanzada, apoyarlo ofreciendo a los clientes una promoción donde las mecánicas de juego se implementan al nivel tecnológico adecuado y son en gran medida personalizadas.

Como resultado, muchos usuarios tienen su primera experiencia de ganar intereses sobre dinero que está en el banco. Clientes en propia experiencia Entienda que una cuenta de ahorro es un producto simple y rentable. Y este es el primer paso para abrir un depósito o una cuenta y para ampliar su conocimiento de los productos bancarios en general.

Una consecuencia indirecta es también el uso habitual de la banca online por parte del usuario, ya que sólo allí se puede ver su progreso.

Además, el resultado se logra indirectamente con la ayuda de la mecánica del juego, presentada en forma de una historia sobre un estilo de vida activo, que es mucho más interesante para una determinada audiencia que la oportunidad de ahorrar y recibir intereses (esto lo ofrece cualquier banco). ) o una llamada para utilizar un banco en línea.

La gamificación es un súper tema. Se trata de implicación. Es aburrido realizar transacciones en un banco, es aburrido utilizar productos bancarios. Y a la gente le encanta competir, a la gente le encanta competir. Se sienta dentro y muy profundo. Y puedes explotar estas cualidades de las personas. ¿Cómo hacer esto en un banco? Hay pocos casos. Pero mi profunda convicción es que aquellos que aprenden a involucrar activamente a sus clientes, incluido el uso de la gamificación, pueden ganar mucho dinero.

Enfoques típicos:

1. Programas de fidelización con puntos, millas y cashback como recompensa.
2. Capacitación contextual interactiva para nuevas funciones. Guiones de bienvenida.
3. Misiones y concursos para clientes.
4. Creación de servicios útiles sencillos con elementos de juego: PFM, acumulación en una portería.
5. Juegos promocionales virales que anuncian nuevos productos de forma entretenida.

En marzo de 2017, se acercó a nosotros probablemente el cliente más difícil de toda la existencia de nuestro servicio, que representaba los intereses de un gran banco que tiene una considerable red de sucursales en toda Rusia. Siempre estamos felices de recibir a cualquier cliente, pero esta vez nuestros especialistas tuvieron que lidiar con la burocracia bancaria típica, que nunca antes habíamos encontrado con ninguno de nuestros clientes. Sin embargo, no podemos dejar de notar el hecho de que las dificultades que experimentamos al trabajar con este banco tenían su propia explicación: una organización tan seria no podía realizar cambios en su sitio web sin considerar cada uno de los cambios que propusimos.

A continuación describiremos con más detalle todas las dificultades que encontramos al colaborar con especialistas de TI y la administración del banco y cómo duplicamos con creces el tráfico del sitio en 7 meses.

primer conocido

Nuestro primer contacto con el sitio (y con los empleados del departamento de relaciones públicas del banco) tuvo lugar en marzo de 2017. En ese momento, el sitio tenía muy buen tráfico de los motores de búsqueda, debido a que el banco en sí y el dominio existían desde hacía unos 10 años en ese momento, y todo este tiempo los especialistas en relaciones públicas de esta institución financiera estaban trabajando activamente con Sitios de Internet específicos y publicidad fuera de línea, lo que dio confianza al sitio y en el futuro nos ayudó mucho durante la promoción.

El resultado directo de muchos años de trabajo del equipo de relaciones públicas del banco fue que se colocaron muchos enlaces naturales en el sitio, lo que, junto con el dominio antiguo, logró suavizar un poco el hecho de que nadie participaba en la optimización interna. del sitio.

Además, el banco tenía un número suficiente de sucursales en las regiones de Rusia, lo que se reflejaba en la estructura de su sitio web, cuyo trabajo también llevó algo de tiempo.

trabajar en el sitio

Auditoría SEO del sitio

Comenzamos la auditoría del sitio revisándolo en busca de páginas duplicadas y metaetiquetas. En nuestra práctica, constantemente nos encontramos con sitios con páginas, metaetiquetas o contenido duplicados, y el sitio web del banco no fue una excepción. El motor, bastante competente desde el punto de vista de la seguridad, produjo varias docenas de páginas duplicadas e incluso más páginas con metaetiquetas de Título y Descripción duplicadas (por ejemplo, una sección y las páginas de la sección tenían los mismos títulos y descripciones de página, lo que desde el punto desde el punto de vista de la optimización interna, en general, una tontería).

Habiendo revisado el sitio en busca de duplicados, es hora de comenzar a buscar errores en el contenido. Para crédito de los redactores y del personal de relaciones públicas del banco, no se encontró casi ninguno. "Casi" significa que los principales errores que encontramos fueron un formato de texto deficiente, títulos faltantes o metaetiquetas faltantes para las imágenes. Incluimos todos los comentarios en cada página en un archivo de trabajo para la posterior discusión de los cambios con los representantes del cliente.

Además, el sitio pasó desapercibido y se volvió justificadamente popular en últimos años micro marcado "pan rallado". Para el sitio web de un banco, que tiene varias secciones y subsecciones, la presencia de dicho marcado, aunque no es un requisito obligatorio, es muy deseable.

El último elemento de nuestra lista de errores fue el relacionado con enlaces internos deficientes entre páginas. A pesar de que algunas páginas pedían ser enlazadas entre sí, los gestores de contenidos del banco no hicieron nada parecido.

Aquí es donde terminamos con los errores de optimización SEO en el sitio web.

Auditoría técnica

Con el aspecto técnico de la optimización del sitio, todo resultó mucho más triste porque, como escribimos anteriormente, el motor, que era bastante potente desde el punto de vista de la seguridad, era muy débil desde el punto de vista de la optimización. Incluidos los técnicos.

Lo primero que comprobamos fue la velocidad de descarga. Desafortunadamente, dejó mucho que desear. No, el sitio, por supuesto, se cargó, pero su velocidad era notablemente inferior a la de los sitios de la competencia. Dos factores llevaron a esto: imágenes pesadas en el sitio y la presencia de algunos módulos en la plantilla que ralentizaban la carga.

El segundo punto que notaron nuestros especialistas en SEO es la ausencia de archivos robots.txt y sitemap.xml en el directorio raíz del sitio. Después de algunas aclaraciones por parte de los administradores del banco, resultó que no había ninguna. Bueno, agreguemos un elemento más al expediente de trabajo para conversaciones posteriores con los clientes.

El tercer punto es buscar todos los enlaces salientes de las páginas del sitio y analizar cada uno de ellos. En su mayoría, se encontraron enlaces rotos (tanto a páginas internas del sitio como a sitios externos).

La cuarta "jamba" del portal del cliente fue el diseño adaptativo de mala calidad. Se observó que al trabajar con el sitio en teléfonos inteligentes, algunos bloques desaparecían y aparecían otros errores. Normalmente, todo iba bien en las tabletas.

El quinto punto fue verificar el “peso” de las páginas del sitio (en términos más simples, para que el sitio no tenga páginas cuyo código supere los 200 kilobytes). De cara al futuro, digamos que dichas páginas fueron encontradas e incluso rápidamente (en comparación con otros artículos) arregladas por los administradores del banco con el fin de reducir el "peso".

En estos cinco puntos, se agotaron los problemas técnicos y pasamos a compilar un núcleo semántico.

Núcleo semántico

La creación de un núcleo semántico para las páginas existentes comenzó con la creación de una estructura de sitio, comenzando con pagina de inicio y terminando con páginas del segundo nivel de anidamiento. Debajo de cada página, agrupamos varias consultas relevantes de alta y media frecuencia, algunas de las cuales ya estaban publicadas en ellas de una forma u otra, y el resto debía publicarse.

Comenzamos el proceso de recopilación de frases clave analizando el contenido de los sitios web de nuestros clientes, luego pasamos a recopilar semántica de páginas similares de sitios de la competencia y terminamos de compilar el núcleo de consultas después de trabajar exhaustivamente con los servicios de recopilación de palabras clave. Por lo tanto, teníamos a mano varios cientos de palabras clave relevantes y competitivas que debían colocarse en las páginas del banco destinadas a personas físicas y jurídicas, y todavía quedaban varios grupos de consultas prometedoras para las que se podían crear páginas adicionales.

Trabajo de optimización interna.

Después de realizar dos auditorías y compilar el núcleo semántico del sitio, nuestros especialistas, junto con especialistas en TI y gerentes de bancos, comenzaron a trabajar en el sitio.

Lo primero en lo que trabajamos juntos fue en corregir errores técnicos. Lo más sencillo fue aumentar la velocidad de carga del sitio. Optimizamos las imágenes tridimensionales en Photoshop, lo que redujo su tamaño final a casi la mitad, y los módulos que ralentizaban el trabajo del sitio fueron parcialmente eliminados y parcialmente reescritos por los propios especialistas en TI del banco. Como resultado, el sitio web del cliente comenzó a igualar la velocidad de carga de los sitios web de los bancos rusos más grandes. También resolvimos rápidamente el problema de la falta de un archivo robots.txt y un mapa del sitio: enviamos instrucciones para los robots de búsqueda en forma de archivo a los especialistas en TI del banco por correo y el mismo día vimos este archivo en el sitio. . El banco se negó a escribir un módulo separado para el mapa del sitio y prefirió una solución gratuita de uno de los servicios en línea.

Las cosas se complicaron un poco más con la eliminación de los enlaces salientes del sitio. A pesar de que eran pocos, el proceso se prolongó durante aproximadamente una semana. No sabemos por qué esto es así. Sin embargo, mientras el banco eliminaba los enlaces que habíamos especificado, nosotros mismos logramos crear un diseño adaptable de alta calidad para teléfonos inteligentes, que el banco probó durante una semana más.

Así, en dos semanas conseguimos hacer frente a problemas tecnicos sitio y vaya directamente a trabajar en el contenido.

El trabajo en el contenido comenzó cuando el cliente se negó rotundamente a crear nuevas páginas en el sitio y prefirió abandonar la estructura anterior. Por lo tanto, solo tuvimos que elaborar recomendaciones detalladas para los responsables de relaciones públicas del banco, tras las cuales tendrían que cambiar el contenido de cada página o eliminar las páginas duplicadas. De hecho, todas las recomendaciones se redujeron a qué palabras clave y en qué cantidad deberían incluirse en el texto mismo y una discusión sobre cómo deberían verse las metaetiquetas Título y Descripción (escribimos arriba que estaban duplicadas) y las etiquetas H1-H3.

Seguimos el mismo esquema en el caso de vincular manualmente las páginas del sitio entre sí: simplemente enviamos recomendaciones sobre en qué página colocar el vínculo y un ancla con la URL del vínculo.

Este proceso tomó aproximadamente dos semanas más, mientras que todas las aprobaciones para cambiar el contenido del sitio pasaron por la cadena desde nosotros hasta los gerentes responsables del banco. Por cierto, el banco escuchó la gran mayoría de nuestras recomendaciones y cambió el contenido tal como les dijimos.

Factores comerciales

Aparte de todo lo demás, analizamos factores comerciales en el sitio web del banco. En el lado positivo, el sitio ya tenía una función integrada de devolución de llamada y chat con un operador de soporte, así como para cada depósito y oferta de credito Tenía su propia calculadora. De las desventajas, era imposible contactar a los operadores de servicios de soporte mediante mensajería instantánea popular, y la página "Contactos" no tenía un mapa integrado de Yandex o Google con la ubicación del banco. En su mayor parte, estas desventajas se eliminaron una vez finalizados los trabajos principales en el sitio.

Además, a petición nuestra, los empleados del banco eliminaron información obsoleta sobre esta institución financiera en Yandex.Directory y Google My Business y agregaron información actual.

Conclusión

La siguiente captura de pantalla de Yandex.Metrica muestra cuánto logramos aumentar el tráfico del sitio y durante cuánto tiempo.

Inicialmente, los administradores del sitio instalaron el contador de métricas en diciembre de 2016 (esto no se ve en la captura de pantalla). Luego, durante 2,5 meses, la métrica simplemente calculó las estadísticas y, desde finales de marzo (como escribimos anteriormente), nuestro equipo comenzó a trabajar en el sitio. En nuestra opinión, el resultado podría haber sido mucho mejor si no fuera por la coordinación constante de todas nuestras acciones con los directivos del banco, el trabajo de los empleados del banco para corregir errores, la coordinación de lo que hicieron con nuestros empleados, etc. Como resultado, el proceso, que podría haber durado dos semanas como máximo, duró un mes y medio (si no más). Por otro lado, también se puede entender a los altos directivos del banco: simplemente no tienen derecho a permitir que extraños trabajen en el sitio y prefieren confiar en sus especialistas en TI.

Hasta la fecha, el único resultado del trabajo realizado en el sitio es, como ya hemos dicho, sólo un aumento del tráfico de 2,3 veces. No tenemos datos sobre el aumento de la base de clientes.

La aplicación, sobre la que escribiré a continuación, se basa en la plataforma iDVP (Plataforma interactiva de visualización de datos).

¡Así que comencemos!

El banco concede préstamos a grandes entidades legales– prestatarios. El número de grandes prestatarios en un momento dado no supera los 1.000. A la dirección del banco. Se necesita una herramienta conveniente con la que se pueda ver (monitorear) una imagen holística de la cartera de préstamos del banco. Al mismo tiempo, debería ser posible pasar de una visión de la cartera de préstamos en su conjunto a información detallada de cada uno de los prestatarios.

1. La gerencia quiere dedicar un mínimo de esfuerzo a trabajar con la aplicación, interpretar información visual y analizar datos.
2. La gerencia quiere ver el estado de la cartera de préstamos inmediatamente simplemente abriendo la aplicación, sin hacer un solo clic del mouse.
3. La información debe presentarse "tanta como sea posible", en una pantalla, sin necesidad de desplazarse. Ya en la primera pantalla, el usuario debería ver qué prestatarios son “problemáticos”, qué tan “problemáticos” son y cuál es su participación en la cartera en términos cuantitativos y de valor.
4. Las herramientas para filtrar y agrupar datos deben ser cómodas e intuitivas.
5. Las pantallas de la aplicación deben ser "hermosas" para que la dirección pueda utilizarlas para presentar "eficazmente" sus informes a los fundadores y accionistas.

Ya hablé de nuestro enfoque de las tareas de análisis de datos en un artículo anterior, si lo deseas puedes leerlo.

Puntos principales de este artículo.

1. Al examinar a un cliente, siempre tratamos de identificar el dolor (problema) del cliente que puede resolverse mediante el análisis de datos. Y creamos una aplicación que soluciona por completo este problema.
2. Para analizar los datos, no utilizamos informes de BI "ordinarios", sino aplicaciones 3D. En estas aplicaciones, la visualización de información analítica se realiza en forma de objetos 3D combinados en escenas temáticas interactivas (pantallas) conectadas por transiciones lógicas.
3. Las soluciones que creamos se basan en tres principios:

• Una representación visual de la imagen comercial del cliente. Ya en el primer contacto con la aplicación, en la primera pantalla, el usuario debería ver todas las partes de su negocio que le interesan.
• Descubriendo las causas del problema. Una vez seleccionado un punto problemático, el usuario debería poder utilizar la función de profundización, que le permite profundizar en el área del problema y ver las causas de los problemas en las siguientes pantallas.
• Estética técnica. La aplicación debería causar un efecto sorpresa, es decir. debe ser atractivo, intuitivo y conveniente.

Permítanme recordarles las etapas de diseño de nuestra aplicación:

1. Establecer la tarea y comenzar;
2. Encuesta de clientes y trabajo con fuentes abiertas;
3. Análisis, formación de requisitos y documentación;
4. Formación del documento final “Descripción de la Solicitud”.

Establecer la tarea y comenzar

Naturalmente, la solicitud debe cumplir con todos los requisitos específicos de la dirección del banco enumerados anteriormente.

Encuesta a clientes y trabajo con fuentes abiertas.

El principal ingreso de la mayoría de los bancos consiste en otorgar préstamos a empresas y a la población.

Algunos bancos se especializan en préstamos a la población, otros en préstamos a personas jurídicas.

En este banco, la tarea de controlar los préstamos otorgados a grandes empresas prestatarias era especialmente importante. Las empresas prestatarias pertenecen a varias industrias industria, en este sentido es necesario un análisis de cartera tanto por empresa como por sector industrial.

El banco compila y actualiza constantemente un perfil para cada prestatario, que contiene información sobre la confiabilidad del prestatario, su indicadores financieros.

Los analistas bancarios también recopilan información sobre el movimiento. dinero(flujo de caja) del prestatario y otros indicadores, construir modelos de flujo de caja. La información se recopila de varios sistemas de información frasco.

Con base en los resultados del análisis de la información recopilada, se identifican los problemas con el prestatario y se asigna al prestatario a una de las 5 "zonas problemáticas" utilizadas por el banco para agrupar a los prestatarios:

1. Zona verde: esta zona incluye un prestatario que no tiene problemas identificados que puedan afectar el pago del préstamo;
2. Zona amarilla: el prestatario tiene algunos problemas identificados;
3. Zona roja: el prestatario ha identificado problemas importantes;
4. Zona negra: el prestatario con una probabilidad cercana al 100 por ciento no reembolsará el préstamo;
5. Zona blanca: aún no se ha calculado el nivel de problema del prestatario.

Dependiendo del problema del prestatario, el banco está obligado a colocar cuentas especiales reservas para posibles pérdidas, cuyo monto depende del monto del préstamo y de la confiabilidad del prestatario. En este sentido, es necesario controlar el tamaño de estas reservas y evitar su crecimiento, porque Una reserva es dinero que está “muerto” para el banco y que no puede utilizar.

Los analistas bancarios también analizan la deuda vencida del prestatario (NPL – Préstamos morosos). Según los resultados del análisis, el prestatario se asigna a una de las 4 zonas de morosidad:

1. Zona verde: los pagos del préstamo por parte del prestatario no están vencidos o vencidos hasta por 4 días;
2. Zona amarilla – vencidos de 5 a 29 días;
3. Zona roja: de 30 a 89 días;
4. Zona negra: a partir de 90 días.

Como resultado de considerar todos los indicadores del prestatario, el banco calcula su calificación total, que muestra cuán confiable es el prestatario.

Para cada préstamo, se monitorean los pagos puntuales y el cumplimiento de otros términos del contrato de préstamo.

Si el siguiente pago se retrasa, el banco descubre los motivos del retraso y emprende acciones contra la empresa prestataria. Podrían ser multas o condiciones más estrictas del contrato de préstamo.

EN acuerdos de préstamo También se indican los “pactos”: estos son condiciones especiales acuerdos que prohíben a la empresa prestataria tomar acciones que afecten negativamente la capacidad del prestatario para pagar el préstamo. Ejemplos de cláusulas son: la obligación del prestatario de proporcionar estados financieros al banco, cierre de cuentas en otros bancos, prohibición de obtener préstamos de otros bancos, provisión colateral préstamo.

Análisis, generación de requisitos y documentación.

Cuantos más préstamos “malos” tenga un banco en términos monetarios, peor será la calidad de su cartera de préstamos. Por lo tanto, la dirección del banco necesita ver inmediatamente los préstamos "malos" y los prestatarios "malos", poder observar la situación detallada del prestatario problemático y tomar una decisión sobre acciones futuras en relación con él.

Decidimos que el trabajo del administrador de usuarios con la aplicación debería, en última instancia, ser similar al juego "buscar prestatario problemático y descubra cuál es su problema”.

Además, para que la aplicación sea cómoda para la gestión bancaria, decidimos crear no sólo una versión de escritorio para Windows, sino también para Mac OS, iOS y Android. Además, la plataforma en la que desarrollamos estas aplicaciones nos permite hacerlo, como dicen, “con un solo toque”.

Con base en los resultados del análisis, se identificaron los siguientes indicadores que deben ser monitoreados para cada prestatario:

1. Volumen de deuda
2. Área problemática
3. zona de morosidad
4. Monto de reserva
5. Calificación del prestatario

1. Vea a todos los prestatarios en una pantalla; hay que recordar que el banco atiende simultáneamente hasta 1.000 grandes prestatarios;
2. Filtrar a los prestatarios por volumen de deuda;
3. Filtrar a los prestatarios por áreas problemáticas;
4. Filtrar prestatarios por zonas de morosidad;
5. Filtrar a los prestatarios por sucursales bancarias que les otorgaron préstamos;
6. Filtrar prestatarios por sector industrial;
7. Filtre a los prestatarios por problemas identificados con ellos.

Como dije anteriormente, damos gran importancia a la conveniencia y belleza de la aplicación. Por lo tanto, no sólo los analistas, sino también los diseñadores 3D y los especialistas en usabilidad participan en el trabajo con las pantallas de las aplicaciones.

Como resultado, obtuvimos algo como esto. pantalla de inicio iDVP.Banks.Credit Procesa solicitudes (ver imagen a continuación).

A primera vista, la pantalla parece bastante rica, pero al mismo tiempo toda la información está distribuida en zonas, lo que hace que sea más fácil de percibir. ¿Con qué zonas terminaste?

En esta zona, los prestatarios del banco están representados en forma de planetas multicolores (bolas). El tamaño del planeta corresponde al monto de la deuda crediticia. de este prestatario. El color del planeta corresponde al área problemática del prestatario. En este caso, los prestatarios del mismo color se agrupan para poder evaluar visualmente su participación (cuantitativa y por monto de deuda) en la cartera de préstamos. Así, resolvimos el problema de "ver a todos los prestatarios en una pantalla".

En la misma zona hay un filtro basado en el tamaño de los planetas (preste atención a la escala y al círculo ubicado a la derecha de los planetas). Usando este filtro usted puede especificar el mínimo y tamaño máximo deuda para los prestatarios mostrados. Por ejemplo, en la pantalla sólo se pueden dejar grandes prestatarios. Se ha resuelto la tarea de “filtrar a los prestatarios por volumen de deuda”.

Cuando haces clic en cualquier planeta, accedes a la pantalla "Tarjeta prestataria" (ver imagen a continuación), que muestra información detallada según indicadores que caracterizan a este prestatario y su préstamo.

Se resolvió la tarea de “pasar de la imagen general de la cartera de préstamos a un prestatario específico” para analizar la situación con un número mínimo de clics”.

En el estado inicial de la pantalla, no siempre es conveniente hacer clic en los planetas pequeños; simplemente es difícil alcanzarlos con el mouse o, en el caso de las interfaces táctiles, con el dedo. Para compensar esta dificultad, en la zona central es posible acercar y alejar (zoom-in y zoom-out) de cualquier parte del sistema planetario. Esto se hace usando la rueda del mouse o, si usa una pantalla táctil, usando la acción de "pellizcar".

Esta zona contiene un filtro basado en las zonas de color del problema de los prestatarios. Puede hacer clic/desabrochar las áreas problemáticas deseadas/innecesarias. Como resultado, en la zona central sólo permanecerán los planetas que tomen prestados los colores deseados por el usuario. Se ha resuelto la tarea de "filtrar prestatarios por zonas problemáticas", "filtrar prestatarios por zonas de morosidad". Un lector atento probablemente se preguntará cómo filtramos a los prestatarios por zonas de morosidad utilizando esta herramienta, porque solo filtra zonas problemáticas. Es simple: en la parte superior izquierda de la pantalla está el texto "SALDO DE DEUDA"; de hecho, esta es una lista desplegable para seleccionar los modos de visualización del prestatario. Los siguientes modos están disponibles para su selección:

1. RESTO DE LA DEUDA – en este modo, el tamaño de los planetas está determinado por el tamaño de la deuda, y el color de los planetas está determinado por la zona problemática;
2. VOLUMEN DE NPL: en este modo, el tamaño de los planetas está determinado por el tamaño de la deuda vencida, y el color de los planetas está determinado por la zona de NPL;
3. RESERVA – en este modo, el tamaño de los planetas está determinado por el tamaño de la reserva, y el color de los planetas está determinado por la zona problemática;
4. CLASIFICACIÓN: en este modo, el tamaño de los planetas está determinado por el valor de calificación y el color de los planetas está determinado por la zona del problema.

Área de filtrado a la derecha

Esta zona contiene un elemento filtrante de acordeón, que contiene tres filtros:

1. CA+TB (oficina central + bancos territoriales): utilizando este filtro, puede dejar en la pantalla solo a los prestatarios cuyos préstamos fueron emitidos por la oficina central (sede del banco) o los bancos territoriales (sucursales).
2. INDUSTRIAS: le permite filtrar prestatarios de ciertos sectores industriales.
3. PROBLEMAS – este filtro le permite dejar en la pantalla solo aquellos prestatarios para quienes los analistas del banco han identificado ciertos problemas.

Se ha resuelto la tarea de “filtrar a los prestatarios por sucursales bancarias, por industria, por problema”.

Área inferior del gráfico

Esta zona contiene un gráfico que muestra el cambio en la proporción de zonas problemáticas o zonas morosas a lo largo del tiempo. Para ello se utiliza el tipo de gráfico “gráfico de líneas apiladas”. Los colores del gráfico corresponden a áreas problemáticas o áreas NPL.

El usuario tiene la oportunidad de configurar el control deslizante en cualquier fecha del gráfico, y en la zona central solo se mostrarán aquellos prestatarios que el banco tenía en ese momento. Los tamaños de los planetas y sus colores corresponderán al monto de la deuda y al área problemática que tenía cada prestatario en la fecha seleccionada.

A continuación adjunto el resto de pantallas de la aplicación: miniaturas y nombres. Y tendrás la oportunidad de estudiarlos y analizarlos tú mismo. Si tienes alguna duda sobre el contenido, pregúntala en los comentarios, definitivamente te responderé.

Pantalla principal con visualización habilitada de un gráfico circular de la distribución de zonas con problemas de color

Pantalla principal con prestatarios filtrados por volumen de deuda (en la escala a la izquierda de los planetas, el límite inferior de visualización se establece en el 20% del máximo)

Pantalla de inicio. Acercándose a los planetas (acercamiento)

tarjeta prestataria

En el primer foro FinMachine celebrado el viernes, el director del departamento de modelado de riesgos de Sberbank, Maxim Eremenko, y el jefe de I+D en el campo de ciencia de datos, Andrey Chertok, describieron cómo el banco más grande del país, utilizando el aprendizaje automático, entre otros cosas, genera reclamaciones y encuentra socios comerciales para sus clientes.

Andrey Chertok: Como parte de nuestra participación en uno de los proyectos del banco, detectamos patrones de comportamiento de los clientes del banco en función de sus transacciones. Los primeros modelos estuvieron asociados al análisis descriptivo del comportamiento de las transacciones. Por ejemplo, el cliente no tenía compras relacionadas con el automóvil, aparecieron. Esto significa que compró un automóvil y ahora es posible, por ejemplo, ofrecerle a ese cliente productos o servicios que sean útiles para los propietarios de automóviles.

La siguiente tarea es predecir ciertos eventos, incluido el propio hecho de la compra. Además de los patrones, con la llegada de ciertos códigos MCC, es posible extraer suficiente información de los datos. historias interesantes, incluidos aquellos relacionados con las actividades de ahorro de los titulares de tarjetas. Es decir, vemos cuál de los clientes del banco está ahorrando dinero y advertimos a ciertos grandes compras. Esto puede mejorar enormemente los modelos. El banco puede ofrecer una gama más amplia de ofertas. Sin embargo, esto significa que dichos modelos deben adaptarse constantemente.

En la diapositiva vemos tres casos bastante claros: compra de un coche, renovación de un apartamento/compra de muebles y costes de tratamiento. Es especialmente valioso si el cliente puede dar su opinión sobre los productos que se le ofrecen. Por tanto, es necesario realizar modelos que puedan tener esto en cuenta. comentario. En muchos sentidos, este es el mismo principio que subyace a los modelos de aprendizaje por refuerzo que ahora estamos empezando a desarrollar.

El aprendizaje por refuerzo, que actualmente están desarrollando OpenAI y DeepMind, entre otros, es un presagio de la IA tal como quieren verla. El sistema no está preinstalado con ningún modelo del mundo y en realidad no sabe nada al respecto. El sistema comienza a interactuar con el mundo, a recibir comentarios, las llamadas recompensas. Luego, el sistema ajusta su comportamiento en función de qué tan buenas o malas se reciben las recompensas. En el caso de los productos bancarios, la recompensa es, por ejemplo, lo interesante o poco interesante que resulta para los clientes una determinada oferta bancaria.

Utilizando métodos con propiedades específicas que permitan el aprendizaje por refuerzo, podemos adaptar estos algoritmos en tiempo real. Entre los nuevos enfoques, cabe destacar también que recientemente se publicó en Nature un artículo del mismo DeepMind, donde se habla de cómo se introdujeron elementos de una máquina de Turing en una red neuronal. Como resultado, la red neuronal pudo tener memoria, de la que carecen las redes neuronales en esta etapa.

Caso 2. Optimización del embudo de ventas
Andrey Chertok: En este caso analizamos la actividad transaccional, buscando clusters de clientes con determinados patrones de comportamiento. Pero en este caso no los asociamos con la predicción de ningún evento. Por ejemplo, podemos encontrar clientes que vuelan con frecuencia, viajan al extranjero y realizan conversiones de divisas con frecuencia. En base a esto, hacemos ofertas a dichos clientes de manera más efectiva.

Las diapositivas muestran qué patrones podemos encontrar y qué productos podemos ofrecer en este caso. En general, la historia es clara: aquí se suponen ciertos métodos asociados con la agrupación. Proyección de datos, por ejemplo.

Caso 3. Optimización de la circulación de efectivo
Andrey Chertok:Sberbank tiene una amplia red de cajeros automáticos, sucursales y un esquema para trabajar con clientes corporativos. En consecuencia, surge la tarea de predecir la demanda de efectivo del mañana. Cuanto más exactamente hagamos este pronóstico, más exactamente, digamos, podremos distribuir este dinero. Por un lado, es importante que el dinero no quede inactivo en los cajeros automáticos, sino que podamos depositarlo en deposito a corto plazo. Por otro lado, nos esforzamos por evitar pérdidas de reputación: el dinero se acaba antes de lo previsto, el cajero automático deja de funcionar y el cliente sigue insatisfecho.

Aquí necesitamos modelos que puedan manejar errores asimétricos. Los primeros modelos son muy sencillos y se basan en métodos clásicos de análisis de series temporales asociados a su suavizado. Ahora se necesitan enfoques más precisos y ya se utilizan activamente métodos de aprendizaje automático. Naturalmente, estos métodos deben ser adaptativos, ya que la demanda depende tanto de factores macroeconómicos como de parámetros como la ubicación de los cajeros automáticos en la ciudad y la previsión meteorológica. La combinación de características heterogéneas produce resultados más significativos que el uso de otros modelos de aprendizaje automático.

Caso 4. Modelización de la probabilidad de incumplimiento de pequeñas empresas en tiempo real
Maxim Eremenko: En 2014 todo el mundo hablaba de Big Data. En 2015, el aprendizaje automático se volvió disruptivo y al límite. Este año, la principal tendencia fue el aprendizaje profundo. El año que viene, evidentemente, hablarán de aprendizaje por refuerzo.

A diferencia de las tres tendencias anteriores, el aprendizaje por refuerzo es fácil de probar en plataformas abiertas. La inteligencia artificial abierta, financiada por Elon Musk, y la plataforma DeepMind se entrenan en juegos de computadora utilizando una API abierta que permite ingresar el código del juego.

Tenemos una batalla entre dos algoritmos. Si en los 80-90 jugábamos al Pac-Man, ahora la máquina lo controla y este algoritmo se puede modificar. DeepMind fue un poco más allá en este camino y, junto con Blizzard, creó un algoritmo para StarCraft.

Los algoritmos se entrenan de tal manera que se racionalicen para su completa problemas aplicados. En el futuro, podrán recibir formación eficaz en tareas relacionadas, por ejemplo, con la traducción de información textual a vectores.

Estas tareas son la base del motor Google Word2vec, que realiza la traducción de información textual a vector, la búsqueda y todo el análisis semántico del texto en el que se basa.

Pero el caso en sí es un poco diferente. Revisamos los clientes activos de nuestra cartera en los segmentos B2B y B2C, prestando especial atención a las pequeñas empresas que intercambian pagos activamente. Y cuando trabajamos con ellos, intentamos abandonar la calificación y el análisis crediticio clásicos. estados financieros y realizar una evaluación cualitativa de los riesgos relativos a la reputación del beneficiario, gestores y parámetros similares. En su lugar, comenzamos a utilizar algún tipo de métrica agregada, basándonos únicamente en las transacciones; en esencia, realizando una puntuación analítica basada en los datos disponibles para el banco.

Como resultado, resultó que el modelo basado en calificación crediticia, que clasifica a los clientes según la probabilidad de incumplimiento, prácticamente no es diferente en términos de métricas de precisión cuantitativa de modelos clasicos. Su Gini es casi el mismo: 60-65%. Pero si la propia información del banco se enriquece con datos externos, por ejemplo de redes sociales, y se utiliza para clasificar, entonces la precisión puede aumentar aún más.

En la práctica, esto significa que no hay necesidad de perder tiempo evaluando los riesgos en términos de análisis clásico. Puede procesar los datos que están en el sistema y obtener una métrica de calidad estadísticamente igualmente relevante.

Este modelo ahora solo se puede utilizar para generar una lista de propuestas preaprobadas. Si el cliente dice: “vale, estoy de acuerdo”, entonces el proceso es más complicado. Con el tiempo, si vemos que la calidad del stream se ha mantenido en la actual o más alto nivel, y el modelo muestra una mayor precisión predictiva, entonces se puede utilizar como alternativa.

Caso 5. Algoritmos de procesamiento del lenguaje natural para analizar y generar declaraciones de reclamación
Maxim Eremenko: Al utilizar herramientas para trabajar con texto o procesamiento del lenguaje natural, nos enfrentamos al hecho de que Sberbank es bastante gran número dedica recursos humanos y de tiempo a analizar reclamaciones y preparar respuestas. Al mismo tiempo, se puede automatizar el análisis de la mayor parte de la información de los demandantes y las propias declaraciones de reclamación dirigidas a Sberbank. No utilice el trabajo de personas que ingresan información sobre los datos del pasaporte en la parte operativa. declaración de reclamación, pero puedes extraer todo esto: fecha de nacimiento, datos del pasaporte, datos y la parte resolutiva. En una segunda etapa, para preparar la respuesta a las reclamaciones, propusimos utilizar una plantilla específica a modo de optimización.

Caso 6. DefiniciónB2BandaB2cadenas B
Maxim Eremenko: Para los usuarios B2B activos, puede hacer más que una simple evaluación. riesgo de crédito, sino también para seleccionar patrones típicos de su pareja. Si vemos una empresa con un perfil similar en cartera actividad económica, y ambos pertenecen aproximadamente a la misma cohorte, es decir, no se trata de grandes inversiones ni de pequeñas empresas, luego, en base a estos patrones, seleccionamos socios y recomendamos qué relaciones pueden ser de su interés.

Caso 7. Algoritmos para el chatbot @SberbankML_Bot
Maxim Eremenko: Nuestro chatbot aún está aprendiendo, pero también hace algunas cosas que mucha gente ya sabe hacer, por ejemplo, reenviar a través de API a fuentes abiertas como Wikipedia. Si le preguntas quién es Gref o Putin, te responderá.

Tenemos el compromiso interno con nuestros jefes de que para el verano de 2017 el bot podrá mantener una conversación sobre temas bancarios, además tendrá habilidades cognitivas básicas y podrá mantener conversaciones sobre temas abstractos. Por el momento, el bot está basado en Telegram, pero ya estamos desarrollando nuestro propio messenger [donde se trasladará].

Caso 8. Nuestros algoritmos no solo pueden aprender por sí mismos, sino también escribir poesía.
Máximo Eremenko: Este es un proyecto más entretenido. Tomamos una red neuronal recurrente basada en los poemas de Pushkin, Lermontov y un poco en el chat Jira de los propios desarrolladores, y entrenamos el sistema para escribir poesía. Al principio no se las arreglaba bien ni siquiera con el tetrámetro yámbico, pero luego empezó a aparecer incluso la rima. Ahora se las arregla para escribir poesía incluso sobre Sberbank.