Кавалерийским наскоком в банковские данные

Рассказываю про свое первое погружение в данные банка по розничному бизнесу

Ну а самое главное – про его результаты.

Был задача увидеть, чем прибыльные клиенты отличаются от убыточных и где чаще бывают выбросы в их распределении.

Не стал разводить «песочницу аналитика», в которой можно месяцами копаться в цифрах. Действовал как Чапаев, наскоком.

1 Взял большой агрегированный отчет по клиентам банка , преобразовал и немного поколдовал над ним (500к строк, 400+ колонок).

2 Вытащил 50 ключевых параметров, самых связанных с прибылью, и визуализировал.

Получилась простая, но наглядная картинка.
Сразу понес показывать ее директору по розничному бизнесу. Час погружались с командой по рознице в эти полученные данные.

Преза зашла 🔥

➖ появились хотелки по новым срезам и разверткам данных,

➖ тут же родились управленческие решения (!),

➖ плюс появилось несколько свежих гипотез для роста эффективности бизнеса.

Закончил встречу словами: «Ну наконец-то я стал полезным»😄. Но не прослезился!

Вывод: полезно и в аналитике действовать итеративно. Собрал и показал MVP - получил от бизнеса ценные замечания, куда копать дальше + нанес пользу – приступил ко второму этапу.

Отдельно скажу про витрину данных. В этот раз аналитика строилась на агрегированном отчете. Но сейчас уже проектируем полноценную витрину данных, где по каждому клиенту будет несколько тысяч (а может и десятков тысяч) параметров. Это позволит делать совсем другой уровень сегментации, точнее подбирать продуктовые предложения и заранее прогнозировать отток.
Надеюсь, после прочтения вы вздохнете и скажете:
Ну что за Чапаев этот Коренев

Подписывайтесь на Telegram Korenev AI - GPT в тапочках🩴.