В статье рассматривается использование искусственного интеллекта и интеллектуального анализа больших данных (Big Data) для улучшения клиентского опыта и адаптации маркетинговых стратегий. Анализ больших данных включает в себя извлечение полезной информации из большого количества разнородных и быстро генерируемых данных.
В банковском секторе анализ больших данных включает в себя транзакции клиентов, их действия и общение с клиентами. Он позволяет банкам совершенствовать свою деятельность.
Ключевые слова: анализ больших данных, big data, искусственный интеллект (ИИ), банк, банковская сфера
Введение.
В наши дни с развитием интернета и технологий потребители становятся требовательнее к сервисам и продуктам. Как следствие, задачей компании становится создание хорошего клиентского опыта. Для этого используется искусственный интеллект в целом и интеллектуальный анализ больших данных (Big Data) в частности. Используя данные инструменты, можно выявить, что клиентам и потенциальным клиентам нужно, что они могут сделать в будущем, и адаптировать маркетинговую стратегию.
Основная часть. Анализ больших данных — это процесс извлечения полезной информации из большого количества разнородных, быстро генерируемых данных, не требующих предварительной структуризации. [2, с. 163]
Big Data состоит из трех элементов: данные, аналитика, технологии. [1] Данные — это необработанный материал, который с помощью аналитики и технологий обрабатывается и на выходе получаются «умные данные», которые позволяют выявлять тенденции в поведении клиентов, и на основе этого сформировать индивидуально предложение.
Анализ и обработка больших данных проводится на основе следующих основных методов: Data Mining, краудсорсинг, А/В-тестирование, прогнозная аналитика, машинное обучение, сетевой анализ. [1, с. 285]
Data Mining (интеллектуальный анализ данных) — это процесс обнаружения в необработанных данных неизвестных ранее, оригинальных, полезных в практике и доступных для интерпретации знаний, которые необходимы для принятия решений в различных сферах человеческой деятельности [3, с. 6744]. Полученные знания используются для прогнозирования, оптимизации бизнес-процессов, улучшения взаимодействия с клиентами и так далее.
Краудсорсинг — это технология, основанная на использовании большого количества интеллектуальных ресурсов для решения различных задач. Такого привлечения людей можно добиться только на основе использования интернет-технологии — краудсорсинговой платформы (это собственный или арендованный сервис, позволяющий собирать, обрабатывать, хранить и передавать большой объем данных) [4, с. 795].
A/B testing (split testing) — это метод исследования, при котором сравнивают контрольную группу с наборами тестовых групп с изменёнными параметрами, для определения факторов, улучшающих целевые показатели.
Предиктивная аналитика (прогнозная аналитика) — это метод анализа данных, который основан на прогнозировании будущего поведения объектов и субъектов исследования с целью принятия оптимальных решений.
Машинное обучение — это один из разделов искусственного интеллекта, изучающий алгоритмы и модели, которые на основе данных способны выявлять закономерности и делать прогноз [5, с. 23].
Сетевой анализ — это анализ больших объёмов данных с использованием сетевых технологий. Например, анализ поведения пользователей в интернете.
Данные методы искусственного интеллекта обеспечивают более точные и быстрые результаты в анализе больших данных. На их основе возможно быстрое создание маркетинговых проектов, которые с большой вероятностью станут эффективными и востребованными.
Таким образом можно выделить пять отличительных черт больших данных: объем, скорость, ценность, точность и вариативность форматов данных.
Банковский же сектор накопил большое количество данных, а также он ежесекундно производит огромное их количество. Все производимые транзакции генерируют данные.
В банковском секторе к большим данным относятся: транзакции, совершаемым клиентами (их описание и суммы), предпринимаемые действия клиентов (решения о кредите, ссуде и т. д.), общение с клиентами (телефонные звонки в службу поддержки клиентов, отправленные электронные письма и беседы с чат-ботами). Это типичные примеры источников данных в банке.
Анализ больших данных — это важный финтех-инструмент, представленный на рынке. В частности, большие данные позволяют предприятиям, включая банки, совершенствовать свою деятельность. Например, банки могут определять потенциальные риска и выявлять факторы, которые могут повысить уровень удержания клиентов, что обеспечивает устойчивость на рынке. Преимущества от внедрения анализа больших данных в коммерческих банках включают в себя усовершенствованные бизнес-модели, снижение операционных расходов, повышение эффективности услуг, усовершенствованные стратегии контроля рисков и повышение конкурентоспособности.
Процесс работы с технологией на рынке банковских продуктов и услуг включает в себя три основных этапа [6, с. 107]. На первом этапе данные поступают в огромных количествах. Эти данные могут быть различных типов, и на данном этапе не будут организованы в практическую информацию. На втором этапе специальная система автоматически очищает и упорядочивает данные. А на заключительном этапе банки интерпретируют необработанные результаты, чтобы сформировать конкретный план. Специалист по исследованию данных анализирует все полученные данные и создает подкрепленное фактами предложение по улучшению.
Таким образом, большие данные, в сочетании с эффективными инструментами и технологиями, могут обеспечить банкам лучшее понимание клиентов. Например, они могут прогнозировать поведенческие тенденции и предотвратить отток клиентов или найти наилучший способ решения любых существующих проблем.
Приведем примеры использования анализа больших данных в банковской сфере.
Персонализированный потребительский опыт. Предоставление на основе проанализированных данных клиентам предложения, адаптированного к их предпочтениям. В результате потребитель почувствует себя ценным клиентом банка.
Сегментация пользователей. С помощью сегментации клиенты делятся на несколько групп. Так, можно адаптировать рекламу или продукт к определенной группе потребителей или ориентироваться на тех, кто, скорее всего, заинтересуется предложением банка. Также технология помогает ускорить процесс создания рекламы благодаря информации о клиентах.
Оптимизация и автоматизация процессов. Искусственный интеллект берет на себя все больше задач, выполняемых раньше людьми. Особенно монотонные и повторяющиеся задачи могут выполняться ИИ быстрее. Например, анализ входящей документации, повторяющихся платежей или проверка правильности заполненных документов.
Кибербезопасность и управление рисками. Система борьбы с мошенничеством, основанные на искусственном интеллекте и больших данных, анализирует транзакции и иную информацию клиентов для выявления факта мошенничества.
Классификация транзакций. Сочетание искусственного интеллекта и больших данных позволяет улучшить качество обслуживания клиентов за счет повседневного использования банковского приложения. Искусственный интеллект способен правильно отнести платеж картой или перевод к определенной категории. Таким образом, клиент может ознакомиться со структурой своих расходов и увидеть, как они меняются с течением времени. Кроме того, он может получить советы о том, как более эффективно управлять бюджетом.
Анализ кредитоспособности клиента. Банк использует анализ больших данных и ИИ быстрого для изучения кредитной истории для оценки того, сможет ли данный клиент погасить кредит.
Вывод. Большие данные можно описать как большие объемы высокоскоростных, сложных и изменчивых данных, которые требуют передовых методов и технологий для сбора, хранения, распространения, управления и анализа информации.
Эта технология позволяет компаниям принимать быстрые и эффективные решения при анализе информации и открывает коммерческие возможности, будь то маркетинг или разработка продуктов. А в сочетании с другими эффективными цифровыми инструментами и технологиями, большие данные могут обеспечить банкам лучшее понимание потребностей и желаний клиентов и учитывая их финансовые и нефинансовые привычки, покупательную способность, инвестиционную мотивацию. Данные возможности помогут банкам спрогнозировать и предотвращать отток клиентов, имея полный профиль клиента и данные о нем.
Литература:
- Иванченко, О. В. Интеллектуальный анализ больших данных в развитии маркетинга отношений в банковской сфере / О. В. Иванченко. // Региональные проблемы преобразования экономики. — 2019. — № 10. — С. 283–288.
- Кузнеченко, И. М. Риски организации и реализации процесса принятия решений на основании аналитики больших данных и искусственного интеллекта / И. М. Кузнеченко // Государственное управление. Электронный вестник. — 2024. — № 104. — С. 162–179.
- Липатова, А. П. Технологии вовлечения аудитории в информационные медиапроекты / А. П. Липатова // Столыпинский вестник. — 2023. — № 2. — С. 793–800.
- Черемисин Д. Г., Мкртчян В. Р. Методы машинного обучения / Д. Г. Черемисин, В. Р. Мкртчян // Символ науки. — 2023. — № 6–2. — С. 23–24.
- Шипулев Е. О., Быканова Н. И., Гончаренко Т. В., Короткова И. С. Эволюция развития технологии Big Data и ее маркетинговые возможности при продвижении банковских продуктов и услуг / Е. О. Шипулев, Н. И. Быканова // Modern Economy Success. — 2023. — № 3. — С. 106–111.
