Как геоданные помогли банку ВТБ увеличить поток клиентов на 19% за полгода

Задача

Современный банк — динамичная структура, которая постоянно развивается. Чем масштабней розничная сеть, тем большего внимания требует ее содержание. Офисы ВТБ охватывают всю Россию —  от Калининграда до Камчатки. В региональной сети около полутора тысяч отделений, в них работают 28 тысяч сотрудников.

Банк постоянно ищет способы оптимизации сети, чтобы сделать ее не только прибыльной, но и удобной для клиентов. Для этого анализирует десятки показателей, в том числе такие как посещаемость, стоимость аренды, коммунальных услуг. Два года назад аналитики банка обнаружили удивительный факт: одним офисам стало сложно справляться с потоком посетителей, в других, напротив, посещаемость снизилась.

Чтобы вернуть баланс, руководство банка запустило модернизацию сети. Банк привык в своих решениях опираться на данные и в этом случае обратился к геоаналитике. Задача решалась при помощи геоаналитической платформы, содержащей более 170 слоев геоданных от крупнейших поставщиков: банков, телеком-операторов, ОФД и ритейлеров. Глубина и разнообразие данных помогают компаниям с филиалами в разных городах принимать взвешенные решения по каждой точке.

Необходимо было принять в расчёт большое количество вводных. Среди них стандартные факторы вроде пола и возраста жителей и необычные: например, чтобы дорога пешком от метро занимала не больше 15 минут, а клиенты в радиусе 500 метров от локации хотя бы раз интересовались ипотекой за последний год.

Решение

Возможности геоаналитического сервиса позволяют учесть не только перечисленные выше факторы, но ещё и сотни других. Аналитики выбирают, какие из метрик разных поставщиков подходят для решения задачи. Клиент загружает на облачную платформу свои данные. Затем строится математическая модель, которую при помощи механизма пространственной геокластеризации визуализируют на карте.

Есть два варианта построения модели — при помощи алгоритмов машинного обучения (AutoML) или вручную. Для решения задачи аналитики и дата-сайентисты применили оба способа: первый позволяет сэкономить время, второй делает возможной интерпретацию результата.

На первом этапе выбрали обезличенные массивы данных нескольких типов:

• население;

• уровень доходов;

• интерес к банковским продуктам;

• кредитные истории;

• офисы конкурентов;

• доступная коммерческая недвижимость по рыночной цене.

Затем для каждой точки построили каскад из трех математических моделей:

• прогноз продажи кредитных продуктов в локации;

• прогноз привлечения депозитов;

• прогноз привлечения новых клиентов на операции, приносящие банку комиссионный доход.

С целью упростить интерпретацию данных и привязать их к местности, карты городов разделили на полигоны 500 на 500 метров. Нужно было оценить потенциал каждой локации и понять, где именно новые офисы будут приносить прибыль.

Чтобы визуализировать результат, аналитики обычно  используют неинтерпретируемые модели. Это «тепловые карты», на которых цветом обозначены локации, где стоит открыть новые точки. Такой метод задаёт бизнесу общее направление — куда развиваться, но не показывает, какие продукты будут более востребованы в той или иной локации.

Поэтому аналитики пошли дальше и разработали механизм интерпретации сложных ML-моделей, который показал потенциал локации с точки зрения привлечения новых клиентов для банка по трём типам банковских продуктов.

Для каждой точки рассчитали интегральный рейтинг. В его основе все метрики, которые использовались для построения матмодели: доходы, численность населения, интерес к кредитным продуктам. Для большей наглядности данные представили при помощи шкал. Они показывают вклад каждой метрики в формирование рейтинга. В синей зоне метрики с небольшим вкладом, в красной — наиболее значимые.

Результат

Благодаря геоаналитике банк получил инструмент, которым легко пользоваться. Он помог изменить подход к планированию. На основании модели сотрудники ВТБ:

• решают, где открывать новые филиалы, какие из них стоит закрыть и куда переместить;

• определяют оптимальный формат для каждой локации — офис, банкомат или точка в торговом центре.

Опираясь на геоаналитические инструменты, банк за полгода оптимизировал расположение офисов в 80 городах России и продолжает работу. Решения повлияли на ключевые метрики:

• на 10% сократились накладные расходы на сеть;

• на 19% вырос поток новых клиентов;

• на 6% увеличилась активная клиентская база.

Со следующего года ВТБ продолжит работу по оптимизации розничной сети с использованием геоплатформы на основе анализа больших данных.

Вывод