چگونگی به حداکثر رساندن ارزش داده های مشتری توسط بانکها

بالا بردن نمودار تکامل تجزیه تحلیل ها با سه مرحله پی در پی کنترل شده

اطلاعات اولیه بزرگ معمولا از نظر زمان و منبع فشرده هستند. برای هموار کردن راه به منظور پیاده سازی راحت، ما یک روش سه مرحله ای را پیشنهاد می کنیم که با یک ارزیابی از ظرفیت های تجزیه تحلیلی موجود شروع می شود (ضمیمه صفحه 12 را ببینید) و با راه اندازی پروژه های آزمایشی، که به طور پی در پی به برنامه های بزرگ مقیاس در حد سازمانی گسترش می یابند، پیگیری می شود (شکل 7 را ببینید). ارزیابی ظرفیت در شروع یک برنامه داده بزرگ بانک ها را با دیدگاه شکاف های احتمالی تجزیه تحلیلی روبه رو می سازد که آنها را برمی گردانند، مانند سرمایه های اطلاعاتی استفاده نشده و مجموعه اطلاعات خارجی مهم که نیاز به ساختن یک دیدگاه کلی از مشتری دارند. با دیدگاهی واضح تر از شکاف های احتمالی، بانک ها به شکل بهتری اقدامات و سرمایه های خود را در اولویت قرار می دهند. با پیگیری ارزیابی احتمالی، ما پیشنهاد می کنیم که بانک ها به جای جهش های بزرگ، سفر اطلاعاتی خود در مراحل کنترل شده را به عهده بگیرند. همچنین، بانک ها باید ابتدا بر روی چند پروژه نمونه کوچک تمرکز کنند، و از آنها به عنوان فرصت هایی برای آزمایش بازدهی ابزارها و تکنیک های تجزیه تحلیلی کوچک استفاده کنند. برای مثال، رابو بانک، شرکت خدمات مالی و بانکداری هلند، اطلاعات ابتدایی بزرگ خود را با یک هدف واضح شروع کرد – به منظور بهبود بازدهی در فرایندهای تجاری به وسیله تجزیه تحلیل اطلاعات مشتری (ضمیمه صفحه 13 را ببینید). بر اساس یادگیری از یک پروژه نمونه، بانک ها می توانند چگونگی مدیریت اطلاعات بزرگ را اصلاح کنند، و پیچیدگی بیشتری را برای استفاده نمونه ها اضافه کنند و سپس اطلاعات اولیه بزرگ را در سرتاسر سازمان گسترش دهند.

Move Up the Analytics Maturity Curve with Three Sequential Controlled Steps

Big data initiatives are typically time and resource-intensive. To pave the way for a smooth implementation, we recommend a three-step approach that begins with an assessment of existing analytics capabilities (see insert on Page 12) and is followed by the launch of pilot projects, which are subsequently expanded into full-scale organization-wide programs (see Figure 7). A capability assessment at the beginning of a big data program will provide banks with a view of analytics capability gaps that are holding them back, such as untapped data assets and key external data sets that are required to create a holistic view of the customer. With a clearer view of capability gaps, banks will be better placed to prioritize their actions and investments. Following a capability assessment, we recommend that banks undertake their transformation journey in controlled steps, rather than in a giant leap. As such, banks should first identify and focus on a few small pilot projects, and use these as opportunities to test the efficacy of new analytics tools and techniques. For instance, Rabobank, the Netherlandsbased banking and financial services company, started its big data initiative with a clear goal – to improve efficiency in business processes by analyzing customer data (see insert on Page 13). Based on the learning from a pilot project, banks can modify how they manage big data, add more complexity to use cases and subsequently rollout big data initiatives across the organization.

سیلوهای بلوک های اطلاعاتی از دیدگاه یک مشتری ساده

"سیلوهای سازمانی موانع برجسته ای را برای موفقیت در اطلاعات بزرگ می سازند"

مهارت ها و توسعه فاصله ها نیاز به بسته شدن دارد

کمبود تمرکز استراتژیک: داده های بزرگ در نظر گرفته شده به عنوان یک پروژه دیگر"

نگرانی های شخصی تجزیه تحلیل های مشتری را محدود می کنند

طرح های داده های بزرگ در بانک مرکزی آلمان به خاطر زیرساخت قانونی بانک را نگه داشتند.

بانک ها چگونه می توانند اعتبار بیشتر را از اطلاعات مشتری درک کنند؟

تجزیه تحلیل های مشتری سودهایی را از استفاده تا فرایندهای حفظ و نگهداری ثابت کرده است.

"بانک هایی که برای اطلاعات مشتری از تجزیه تحلیل استفاده می کنند یک حد سررسید چهار درصدی در بازار سهام نسبت به دیگر بانک ها دارند".

تجزیه تحلیل های پیشرفته برآورد ریسک اعتباری توسط بررسی انواع مختلفی از داده ها ارتقا می دهد.

بهترین اقدام بعدی، مدل های تجزیه تحلیلی است که فرصت هایی را برای ایجاد رشد بالادستی ایجاد می کنند.

تجزیه تحلیل های پیشگویانه می توانند سرعت تغییر را تا هفت مرتبه و تا رشد بالا خطی ده برابری ارتقا دهند.

"در بانک US، تجزیه تحلیل ها دیدگاه مشتری ساده را در تمام کانال های آفلاین و آنلاین فعال ساختند، که سرعت تغییر رهبری بانک را تا بیش از 100% ارتقا دادند."

تجزیه تحلیل های داده های بزرگ در محدود کردن کناره گیری مشتری به بانک ها کمک می کند.

بانک ها چگونه می توانند اعتبار بیشتری را از اطلاعات

بانک مرکزی آمریکا برای ارائه تجربه مشتری ثابت و کشف خطرهای اولیه به تجزیه تحلیل های اطلاعات بزرگ کمک می کند.

بازاریابی نیازها یا حوادث محور

مدیریت ریسک

ساختار نظارتی

توسعه استعدادهای تجزیه تحلیلی با یک فرایند جدید مورد نظر و برنامه های آموزشی مستمر.

ایجاد یک چارچوب مدیریت اطلاعاتی قوی برای داده های ساختاری شده همانند اطلاعات غیر ساختاری

بالا بردن نمودار تکامل تجزیه تحلیل ها با سه مرحله پی در پی کنترل شده

تجزیه تحلیل های اعتبار مشتری

کمپین مشاوره

درباره کمپین و تجربه کسب و کار همکاری

60% of financial institutions in North America believe that big data analytics offers a significant competitive advantage and 90% think that successful big data initiatives will define the winners in the future.

Banks are Struggling to Profit from Increasing Volumes of Data

Only 37% of banks have hands-on experience with live big data implementations, while the majority of banks are still focusing on pilots and experiments.

Silos of Data Block a Single Customer View

Organizational silos constitute the top barrier to success in big data.

The Skills and Development Gap Needs Closing

Lack of Strategic Focus: Big Data Viewed as Just Another ‘IT Project’

Privacy Concerns Limit the Adoption of Customer Data Analytics

An average company sees a return of just 55 cents on every dollar that it spends on big data.

Customer Data Analytics is a Low Priority Area for Banks

Customer Analytics has Proven Benefits from Acquisition to Retention Processes

Banks that apply analytics to customer data have a fourpercentage point lead in market share over banks that do not.

Big Data Analytics Helps Maximize Lead Generation Potential

Advanced Analytics Improves Credit Risk Estimation by Exploring Diverse Datasets

‘Next Best Action’ Analytics Models Unlock Opportunities to Drive Top Line Growth

Predictive Analytics can Improve Conversion Rates by Seven Times and Top-line Growth Ten-fold

At US Bank, analytics enabled a single customer view across online and offline channels, which improved the bank’s lead conversion rate by over 100%

Big Data Analytics Helps Banks Limit Customer Attrition

Transformation across Culture, Capabilities and Technology is Critical for the Success of Big Data Initiatives

Drive a Shift from a ‘Data as an ITasset’ to a ‘Data as a Key Asset for Decision-Making’ Culture

Develop Analytics Talent with a Targeted Recruitment Process and Continual Training Programs

Establish a Strong Data Management Framework for Structured as well as Unstructured Data

Move Up the Analytics Maturity Curve with Three Sequential Controlled Steps