Банк ВТБ (Marketing Logic Атлас ГИС)

2020

Банк ВТБ использует структурированные и агрегированные геоданные для управления офисами, таргетирования маркетинговых программ и продвижения банковских продуктов и услуг.

ВТБ увеличил поток клиентов в 2022 году за счёт повышения эффективности клиентской стратегии и использования новых инструментов привлечения и аналитики. Банк использует структурированные географические и статистические данные с социально-демографическими параметрами, экономические характеристики в привязке к географии, а также данные о торговой и бизнес-инфраструктуре, маршрутах общественного транспорта, недвижимости и ещё более 1 500 различных характеристик районов и микрорайонов в городах присутствия.

Данные о жителях и клиентах банка неперсонифицированы и используются в связке с другими характеристиками для повышения точности прогнозов и анализа. Структурированные данные с информацией о 345 городах России, их инфраструктуре и социально-экономических параметрах в привязке к географии готовит российская аналитическая компания Marketing Logic.

«Наша компания занимается геоанализом и ГИС-системами уже более 7 лет. За это время мы накопили большие массивы структурированных данных, которыми делимся с банком ВТБ. Надо отметить, что принцип «чем больше данных, тем лучше» сохраняется, и всё же здесь мы применяем другой подход — для повышения эффективности мы комбинируем данные, которые наилучшим образом дополняют друг друга и это уже, например, не количество жителей с определённым доходом в квадрате заданной площади, а некий условный коэффициент, характеризующий целевую аудиторию, который может включать в себя десятки и даже сотни различных характеристик. Мы находим самые значимые признаки и предоставляем банку готовые, структурированные и наилучшим образом комбинированные данные», - отмечает управляющий партнёр аналитической компании Marketing Logic Дмитрий Галкин.

Данные для банка структурируются с учётом заданных банком геопараметров, разбиваются на GPS-квадраты определённой площади для привязки к конкретным локациям. Учитывая масштабы банка, точность прогнозов и качество исходных данных – это одни из важнейших параметров для оптимизации бизнес-процессов и всех дальнейших действий, основанных на геоаналитике.

«Для разных целей используются различные наборы комбинаций данных и характеристик. Это может быть, например, доля жителей, которая без пересадок может добраться до отделения или банкомата, может быть прогноз посещаемости объекта, видимость рекламы и другие переменные для конкретных задач», - добавляет Дмитрий Галкин.

При помощи полученных данных банк обучает аналитические модели. Нейронные сети находят связи и закономерности между различными слоями и видами данных, которые не очевидны для экспертной оценки человеком. Машинный анализ ложится в основу выбора лучших локаций для продвижения продуктов, открытия, перемещения и трансформации офисов банка, изменения рекламных форматов и в конечном счёте – взаимодействия с клиентами банка, повышая качество и скорость обслуживания.