Dyrektor ds. strategii i rozwoju w departamencie bankowości transakcyjnej mBanku.
(CC0 pixabay)
Banki korporacyjne są w znacznym stopniu „sklepami” z produktami finansowymi. Proces ich sprzedaży i wdrażania bywa różnorodny. W zależności od rodzaju produktu, segmentu klienta i złożoności jego potrzeb może to być np. samoobsługowa sprzedaż „towaru z półki” albo złożone tworzenie indywidualnych rozwiązań w trybie negocjacji i dopasowywania usług.
Sposób sprzedaży i wdrażania nie zmienia jednak dominującego charakteru relacji banku korporacyjnego z jego klientem. Jest to relacja – poza wyjątkami – względem procesu rozwoju firmy klienta zazwyczaj oboczna i okazjonalna, nie wewnętrzna i towarzysząca. Jeżeli klient czegoś potrzebuje, otrzymuje samodzielną usługę, którą kontraktuje, a następnie wykorzystuje. Bank korporacyjny pomaga w wyartykułowaniu samej potrzeby, ale rzadko dopuszczany jest do roli uczestnika procesu, z którego potrzeba ta wynika. Ambicje banków korporacyjnych, by w większym stopniu uczestniczyć w procesie rozwoju klienta, by być jego rzeczywistym konsultantem finansowym (nie przy dopasowywaniu i wykorzystywaniu produktu finansowego, ale przy decyzjach, które prowadzą do wykreowania potrzeby) pozostają – w większości przypadków – niespełnione.
Wprawdzie pojęcie Big Data definiowane jest na różne sposoby (dane gromadzone w różnych bazach, przynajmniej częściowo nieustrukturyzowane itp.), większość definicji odnosi się do skali danych. Mowa jest zazwyczaj o wielkościach bliskich terabajta (TB) pochodzących z setek milionów zdarzeń, takich jak np. kliknięcia na stronach internetowych. Nie znaczy to, że nie można korzystać z wybranych technik analizy Big Data także przy mniejszych zbiorach danych, jednak punktem wyjścia Big Data była konieczność przetwarzania ogromnych ilości informacji.
Na mocno rozproszonym i konkurencyjnym rynku polskie banki korporacyjne mają stosunkowo niewielkie portfele klientów korporacyjnych (firm średnich i dużych). Nieliczne z nich mogą mówić o dziesiątkach tysięcy obsługiwanych korporacji. Skala informacji o tych klientach i ich zachowaniach (ewentualnie zdarzeniach z życia przedsiębiorstw), z których banki korporacyjne korzystają, pozostaje sporo mniejsza niż TB. Do realizacji większości celów banku korporacyjnego zupełnie wystarczają więc techniki analityczne stosowane w bankowości dotychczas.
Czy jest zatem szansa, by bankowość korporacyjna nie przegapiła epoki Big Data charakteryzującej się masowym gromadzeniem danych o klientach, coraz lepszym rozumieniem firm oraz intensywnym wykorzystywaniem danych o nich?
Zapewne tak, ale celem banku korporacyjnego nie powinno być gromadzenie informacji ani ich przetwarzanie. Celem powinno być:
Obie te aktywności mogą nie tylko zwiększyć efektywność banków korporacyjnych w ramach ich dotychczasowego modelu biznesowego, ale także przyczynić się do zmiany charakteru bankowości korporacyjnej. Chodzi przede wszystkim o kluczową dla bankowości korporacyjnej „relacyjność”, na którą na dzisiejszym rynku jest coraz mniej miejsca. Postępujące utowarowienie usług bankowych jest trendem, którego tempo nie pozostawia złudzeń co do ewolucji modelu sprzedaży i obsługi w instytucjach finansowych. Coraz to nowe obszary tych usług podlegają automatyzacji i cyfryzacji, z nastawieniem na sprzedaż i obsługę w kanałach elektronicznych oraz minimalną interakcję z pracownikiem banku. Idzie to w parze z tendencją do rezygnowania z pośredników.
Jednocześnie wraz z cyfryzacją usług i wewnętrznych procesów banki korporacyjne zyskują okazję, by zbierać i wykorzystywać informacje o charakterze nie tylko ilościowym, ale także jakościowym (np. takie, które mogą być potrzebne do asystowania firmom w ich rozwoju). Innymi słowy, cyfryzacja może zbliżyć obie strony do tego, co dla banków korporacyjnych było zawsze czymś na kształt świętego Graala – do relacji o charakterze konsultingowym.
Rozmaite jakościowe informacje o klientach korporacyjnych gromadzone dotychczas przez banki były wykorzystywane do analizy zdolności kredytowej i potencjału dochodowego konkretnej firmy, względnie do pojedynczych akcji sprzedażowych kierowanych do przedsiębiorstw na danym etapie ich rozwoju. Dane te nie były jednak wykorzystywane w celu niekredytowej analizy procesów ewolucji firm.
Aby taką analizę prowadzić, należałoby gromadzić dane o tym, co dzieje się z firmą, jaki jest etap jej rozwoju i plany, oraz o zdarzeniach, w których dana korporacja gra główną rolę. Pośród tych zdarzeń wiele powinno odnosić się do etapu rozwoju firmy, obranej strategii, sposobu i skuteczności realizacji planów. Na przykład mogą to być typowe wydarzenia charakteryzujące fazę życia organizacji, takie jak wprowadzanie pisemnych procedur monitorowania ryzyka kontrahentów czy zwiększanie liczby członków zarządu. Mogą to też być istotne zdarzenia odzwierciedlające strategię firmy: zawarcie kontraktu z dystrybutorem na innym rynku, znalezienie zagranicznego udziałowca branżowego itp.
W przypadku wystąpienia takich zdarzeń bank, który zawczasu uzyskał o nich informacje, może zaproponować usługi automatycznego wspomagania identyfikacji płatności wpływających od dłużników, pomóc w zdefiniowaniu najkorzystniejszych i najszybszych rozliczeń z zagranicznym dystrybutorem, wdrożyć system międzynarodowej koncentracji środków w grupie kapitałowej, której firma stała się częścią.
Ale nie same te zdarzenia ani reakcje banku na niektóre z nich stanowiłyby najważniejszą dla banku korporacyjnego informację. Istotne jest ich następstwo. Najcenniejszą wiedzę niosłyby dopiero zapisy ciągów zdarzeń po sobie następujących i powiązanych, np. zdarzenia następujące po nawiązaniu kontaktu z potencjalnym zagranicznym dystrybutorem w kraju X czy też sekwencja przypadków, które wystąpiły w życiu firmy w następstwie wejścia do niej zagranicznego inwestora branżowego.
Choć same te sekwencje miałyby dla banku wielkie znaczenie, bardzo istotna byłaby także wiedza o skuteczności bankowych ofert i reakcjach na nie. Pozwalałaby ona bankowi korporacyjnemu „uczyć się” (np. z wykorzystaniem narzędzi AI) o własnej responsywności i przydatności klientom.
Sekwencje zdarzeń mówiące o szansach na skuteczność jakiejś strategii w danej branży lub na danym rynku mogłyby stanowić istotne źródło wiedzy przydatnej, by asystować klientom w ich rozwoju. Wiedza taka pochodziłaby nie z jednego czy dwu przypadków znanych wyłącznie konkretnemu doradcy bankowemu, ale z odpowiedniej bazy zasilanej zapisami interakcji całego banku z wieloma klientami. Kompetencja ekspercka banku nie polegałaby na tym, że on sam wytwarzałby jakąś unikatową, sobie tylko właściwą kompetencję, ale na tym, iż byłby „mądrzejszy” o odpowiednio gromadzoną i przetwarzaną wiedzę o wielu swoich klientach. W efekcie zyskiwałby na tym klient banku.
Umiejętne gromadzenie i porządkowanie tych danych, ciągłe zastępowanie danych starszych nowszymi, zwiększanie ich szczegółowości i zakresu mogłoby wnieść nową wartość, którą banki przekształcałyby w kluczowy dla siebie serwis informacyjno-konsultingowy. Powinno mieć tu zastosowanie pozytywne sprzężenie zwrotne – im więcej różnorodnych, istotnych informacji (o zdarzeniach, ich zależnościach i sekwencjach) gromadzonych przez bank, tym większy „potencjał ekspercki” danego banku i tym atrakcyjniejszy oferowany przezeń konsulting (wynikający z kompetentnego przetwarzania i dzielenia się gromadzoną wiedzą).
Uzupełnieniem takich zasobów wiedzy byłaby „sztuczna sprzedażowa inteligencja” banku wskazująca na to, jakie oferty i rozwiązania okazywały się najskuteczniejsze w określonych sytuacjach życia klienta korporacyjnego.
Aby taką wiedzę zgromadzić, konieczne byłoby co najmniej:
Niezależnie od danych makroekonomicznych, informacji publicznych itp. najważniejszymi danymi byłyby gromadzone przez bank informacje o klientach. Nie tylko dane ilościowe, ale także informacje opisowe, tj. jakościowe. Notatki ze spotkań z klientami nie muszą dziś już być tagowane, czyli przyporządkowywane przez autorów do różnych kategorii tematycznych. Do przetwarzania zawartych w nich informacji można stosować algorytmy analizy tekstów zapisanych w języku naturalnym, co pozwala na automatyczną identyfikację niektórych treści i na grupowanie danych zawartych w opisach interakcji z klientami. Skoro np. Deloitte wykorzystuje Argus w analizie dokumentów potrzebnych do przygotowania audytu, bank korporacyjny może korzystać z podobnych narzędzi.
Dodatkowego znaczenia nabrałyby informacje tekstowe wpisywane w związku z danym klientem do systemów CRM, reklamacyjnych i produktowych banku. Nacisk na wysoką jakość i wyczerpujący charakter tych notatek wzrósłby niezmiernie, gdyby tego rodzaju zapisy służyły więcej niż kilku osobom zaangażowanym w obsługę konkretnej firmy (jak to jest dzisiaj).
Czy banki korporacyjne zyskają okazję, by w szerszym zakresie gromadzić i wykorzystywać tego rodzaju dane do budowy usług opartych na wiedzy? Czy gromadzone przez banki dane okażą się wystarczająco wszechstronne i wyczerpujące, aby dostarczać cennych podsumowań i wskazówek, z którymi bank mógłby dzielić się z klientami? Czy banki staną się maszynami integrującymi wiedzę o klientach?
Na te pytania nie ma dziś jednoznacznych odpowiedzi. Nie zależą one przecież wyłącznie od dostępnych technologii, ale także od skali dostępu banków do poufnych informacji o ich klientach, jak również od zrozumienia potencjału nowych technik przez pracowników zarówno korporacji, jak i banków. A te ostatnie czynniki nadal się kształtują.
Prezentowane tezy odzwierciedlają indywidualne opinie autora.
W styczniu 2020 roku Wielka Brytania formalnie opuściła Unię Europejską. Oczekiwane korzyści z brexitu, poza odzyskaniem suwerenności w zakresie kształtowania prawa i zewnętrznych relacji gospodarczych, jednak się nie zmaterializowały. Widoczny jest natomiast spadek wydajności i konkurencyjności brytyjskiej gospodarki, co wpływa także na kondycję rynku pracy.
