Эти данные — бесценный ресурс для провайдеров финансовых услуг, однако для его эффективного использования нужны правильные инструменты. Мы решили на примере Big Data от lifecell изучить, как можно использовать аналитику больших объемов данных для развития бизнеса и защиты от мошенников и недобросовестных заемщиков.

Объем информации, который ежедневно проходит через мобильного оператора, составляет терабайты данных, что сопоставимо с круглосуточным прослушиванием музыки на протяжении полутора лет. Впрочем, важен не столько объем, сколько возможность правильно интерпретировать огромные массивы данных. Компания lifecell успешно использует инструменты аналитики Big Data сразу в нескольких направлениях. В частности, для того, чтобы улучшить обслуживание бизнес-клиентов и повысить эффективность своих внутренних процессов, оптимизировать мобильные сети. Не менее важное направление — сотрудничество с правительственными проектами, такими как smart city и «государство в смартфоне». Также компания реализовывает проект «Забота сквозь границы» и мероприятия по борьбе с коронавирусом.

Бизнесс-клиентам решения Big Data от lifecell помогают улучшать качество клиентского опыта, оптимизировать операционные расходы, сокращать уровень мошенничества и т. п.

Аналитика Big Data для компаний финсектора

Продукты lifecell, разработанные с использованием технологий Big Data, условно можно разделить на две группы. К первой относятся скоринговые модели, которые предоставляют банкам, финансовым учреждениям и кредитным организациям результат в виде скорингового балла клиента. В эту группу входят:

  • кредитный скоринг;

  • маркетинговый скоринг;

  • определение давности активации номера;

  • SIM-Counter (проверка количества уникальных SIM-карт);

Вторая группа включает сервисы, которые анализируют номера и SIM-карты, предоставляя ответ в виде «да» или «нет»:

  • IMSI Check (проверка уникального номера абонента);

  • проверка переадресации.

Универсальных решений не существует: у каждого клиента свой набор параметров для скоринга, как и разные алгоритмы ранжирования этих параметров. Поэтому модель, эффективная для одного банка, может не принести желаемых результатов другому. В случае с кредитными или страховыми компаниями разница будет еще более ощутимой. Исходя из этого, в lifecell руководствуются индивидуальным подходом к каждому заказчику.

Скоринг на базе Big Data — как это работает

Кредитный скоринг незаменим, когда нужно оценить уровень доходов клиента и, соответственно, определить его кредитоспособность. Применяя эту технологию, компания ускоряет время рассмотрения заявок и снижает уровень невозвратов по займам.

Разработка кредитного скоринга для банка начинается с того, что мобильный оператор вместе с банком определяет, что представляют собой благонадежные и неблагонадежные заемщики с точки зрения заказчика. Оператор запрашивает у банка номера телефонов уже существующих клиентов, которые относятся к «хорошим» заемщикам, а также тех, кто попал в группу «плохих». Далее этот анонимизированный набор данных (dataset) анализируется на предмет общих взаимосвязей и схожестей внутри каждой из групп клиентов. В процессе изучаются десятки различных прогностических параметров (предикторов), их ранжируют по степени важности и присваивают им тот или иной скоринговый балл. На основании суммарного балла всех предикторов можно с высокой долей вероятности определить благонадежность заемщика.

Кредитный скоринг реализуется через API: банк отправляет мобильному оператору номер потенциального клиента, после чего система автоматически вычисляет скоринговый балл и присылает его заказчику. Эти данные помогают банку быстро принять решение о выдаче займа.

Данные, позволяющие определить кредитоспособность клиента:

  • Давность активации номера: этот параметр помогает вычислить номера-однодневки.

  • Использование телеком-услуг: значение имеет частота и регулярность использования, а также объем и ассортимент услуг. К примеру, один абонент совершает пару звонков в ме