Big Data: kansen voor de financiële sector (deel 1)

Volgens Google Trends is de belangstelling voor big data sinds 2012 fors gestegen. Er wordt veel over geschreven en gesproken. Ook ik mocht onlangs op uitnodiging van De Nederlandsche Bank een presentatie over big data houden voor een groep IT-auditors. Ik beantwoordde de vraag ‘wat is big data?’ en ‘hoe kan de financiële sector big data gebruiken?’. Dit artikel is een weergave van de presentatie, die doorspekt was van voorbeelden. Ben je geïnteresseerd in de toepassingsgebieden van big data in de financiële sector? Lees dan snel verder.

Wanneer is data big data?

Big data is op het eerste oog wellicht niet het meest aansprekende onderwerp, dus zal ik een beproefde marketingtechniek gebruiken om het bij jullie onder de aandacht te brengen: sex sells.

De eerste alinea van dit artikel is voorzien van een afbeelding die jullie ongetwijfeld iets zegt. Het is een afbeelding van een gelukkige zaadcel die een eicel binnendringt. Wist je dat één zaadcel 715 Megabyte aan DNA-informatie bevat. En een snel rekensommetje leert dat er in een zaadlozing 105 miljoen Gigabyte aan DNA-info zit. We hebben het hier met recht over big data: groot volume, grote verscheidenheid (het heeft even geduurd voordat we al het DNA in kaart hebben gebracht) en de snelheid waarmee het gegenereerd wordt.

Met enige beeldspraak heb ik hierboven al een definitie van big data gegeven. Hoewel ik in mijn presentatie sprak over de 3 V’s van big data, wordt er eigenlijk steeds vaker gesproken over de 4 V’s: Volume, Variety, Velocity en Veracity. De vraag of data ‘big data’ is hangt volgens Gartner af van de vraag ‘voldoet de data aan de eerste 3 V’s ?’. De laatste V van Veracity zegt vooral iets over data-integriteit. In deze infographic wordt het goed uitgelegd. Toch leg ik de V’s graag even uit aan de hand van een paar voorbeelden.

Social media, zoals Facebook zijn een goed voorbeeld van big data. Medio vorig jaar maakte de onderneming bekend dat er 2,5 miljard content items per dag werden gedeeld door de destijds 950 miljoen leden (Volume). De verscheidenheid is groot: status-updates, prikbordberichten, foto’s, video’s, reacties, et cetera (Variety). Binnen Facebook wordt er dagelijks 500 Terrabyte aan data gecreëerd (Velocity). Facebook scant iedere 30 minuten ongeveer 105 Terrabyte aan data, gebruikmakend van Hive, Facebook’s versie van de open source query-taal Hadoop.

Laat ik Veracity uitleggen aan de hand van een voorbeeld uit de financiële sector. Jaarlijks vinden er miljarden banktransacties plaats tussen Nederlandse rekeninghouders. Als je als bank vanuit die gegevens zou willen vaststellen wat het inkomen van een individu is, dan kan je dat op verschillende manieren doen, waarbij iedere manier een mate van betrouwbaarheid oplevert. Je kunt een salarisstorting als inkomen zien, maar ook alle ontvangen betalingen bij elkaar optellen. Kortom, er zijn meerdere manieren om vanuit grote hoeveelheden data het inkomen vast te stellen, maar welke data is betrouwbaar genoeg voor het nemen van beslissingen?

Big, bigger, biggest data

De hoeveelheid data die wereldwijd wordt gegenereerd neemt immense vormen aan. Alleen al in de laatste twee jaar ontstond 90% van alle data ter wereld. Ik vermoed dat de opkomst van social media en mobiel (we delen ‘anytime, anywhere and anyplace’) hier fors aan heeft bijgedragen.

Onderzoeksbureau IDC verwacht dat we in 2020 ongeveer 40.000 exabytes aan data hebben gecreëerd. Dat is tegen die tijd meer dan 5.200 gigabyte aan data voor ieder man, vrouw en kind op de wereld.

Big data in de financiële sector

Zoals beloofd in dit artikel aandacht voor voorbeelden van de toepassing van big data in de financiële sector. Ik beken meteen dat wellicht niet ieder voorbeeld de toets van de vier v’s doorstaat. Maar daarmee zijn de voorbeelden niet minder interessant.

De toepassingsgebieden voor big data in de financiële sector zijn divers. Een goede analyse van big data zou segmentatie wel eens overbodig kunnen maken. Een goede analyse van alle contactmomenten in een customer journey kan veel inzicht geven in klantgedrag. Op basis van grote hoeveelheden data kunnen ook predictive models gebouwd worden die klantgedrag kunnen voorspellen. Met big data kan je ook je processen verbeteren. En tot slot kan het analyseren van alle door social media gegenereerde data je inzicht geven in individueel en geaggregeerd sentiment. De toepassingsgebieden staan niet op zichzelf en kunnen goed gecombineerd worden.

Dan nu de voorbeelden. Wat doen ABN AMRO en Bank of America met big data?

1-op-1 marketing

Menig bank heeft een website met een paar duizend pagina’s met productinformatie, die nauwelijks worden bezocht. Het gros van de bezoekers gaat rechtstreeks door naar internet bankieren. Vorig jaar schreef ik over de nieuwe website van ABN AMRO en de introductie van Snel Bankieren. Op de internetsite van ABN AMRO is het zogeheten open domein verweven met Snel Bankieren; tenminste als je ingelogd bent met dezelfde vijf-cijferige pincode, die je ook voor Mobiel Bankieren gebruikt.

Destijds schreef ik ook over de commerciële kansen die Snel Bankieren voor ABN AMRO zou kunnen opleveren. Als je de klant kunt verleiden tot het inloggen met de vijf-cijferige pincode, dan weet je vanaf het moment van inloggen wie de klant is. De klant is dan niet meer een anonieme computergebruiker met een IP-adres. Op basis van het profiel van de klant kan ABN AMRO de content op de pagina’s aanpassen en relevante proposities aanbieden. Daardoor krijgt de klant van ABN AMRO in de verre toekomst wellicht zijn eigen, persoonlijke abnamro.nl; 1-op-1 marketing wordt dan mogelijk.

Onlangs sprak ik met Jim Kras, Hoofd Marketing Intelligence bij ABN AMRO, over big data. Volgens Jim is intelligence, de vertaling van inzicht naar actie, belangrijker dan het ‘big data denken’. “Ons grotere doel is het instandhouden van relatiebankieren in de nieuwe online wereld. Veel klanten ken je niet meer persoonlijk. Het is van belang een goed klantprofiel vast te stellen en deze te gebruiken om in de persoonlijke context van de klant te komen. Je moet de klant online herkennen en erkennen en de klant moet dit vertrouwen. Vergelijk het met de adviseur die jou als persoon vroeger kende en je vanuit die kennis hielp.”

Ter illustratie gaf Jim het volgende voorbeeld van het herkennen van de klant en de persoonlijke relevantie: “Geachte meneer Spelier, we zien dat u vorige week om twee uur ‘s-middags in Barcelona heeft gepind. Wellicht is voor u in het buitenland een creditcard handig.” Jim vervolgt: “Er liggen veel mogelijkheden om bankieren persoonlijker en relevanter te maken, maar je moet oppassen dat het niet bedreigend wordt.”

Teneinde 1-op-1 marketing te kunnen bereiken is een volledig klantprofiel onmisbaar. Daar ligt ook meteen de uitdaging. “We hebben nog lang niet alle data in beeld. Er zijn te veel processen en systemen en het kost veel geld om de data samen te brengen, deze te analyseren en er informatie en intelligence van te maken.”

Bank of America ‘kraakt’ debet- en creditcardbetalingen

Tot slot van dit artikel nog een voorbeeld. Twee jaar geleden schreef ik op [finno] al over de Groupon voor banken. Het Amerikaanse Cardlytics heeft een advertentieplatform gecreëerd rondom debit- en creditcardbetalingen. Of zoals ze het zelf zo mooi zeggen: “Cardlytics uses consumer purchase data to drive a patented advertising platform. Ads are so relevant- they’re expected”.

Ongeveer een jaar geleden lanceerde Bank of America BankAmeriDeals dat in partnership met Cardlytics gerealiseerd is. Cardlytics heeft een systeem ontwikkeld, waarmee banken hun banktransactiedata kunnen analyseren en waarbij ze kortingsacties kunnen koppelen aan een banktransactie. Ze noemen het transaction driven marketing™. Stel je hebt iets gekocht bij de Bijenkorf, dan staat er op je digitale afschrift in internet bankieren bij de mutatie een mededeling dat je bij je volgende aankoop bij de Bijenkorf 20% korting krijgt. Je kunt de korting meteen op je credit-, debet- of prepaid card zetten. Zodra je de volgende keer bij de Bijenkorf met je credit-, debit- of prepaid card betaalt wordt de korting meteen verrekend.

Zie hier het instructiefilmpje van BankAmeriDeals. Bekijk ook het interview met CEO van Cardlytics Scott Grymes op Bloomberg TV, waarin hij onder andere zegt: “We’re not taking big data out of the banks, but publishing advertisement campaigns in the bank.” Met de Cardlytics-technologie kunnen banken verdienen aan hun banktransactiedata. En dat blijkt te werken. Het levert click thoughs op waarvan adverteerders beginnen te watertanden: zo’n 15 tot 20% van de klanten accepteren de kortingen, waarvan uiteindelijk eenderde wordt verzilverd. De adverteerder draagt 10% van het aankoopbedrag af aan Cardlytics die dit deelt met de deelnemende bank. Goede deal voor zowel klant, adverteerder als bank.

Cardlytics crunches inmiddels niet alleen voor Bank of America de debet- en creditcardbetalingen, maar voor voor ca. 400 Amerikaanse banken. Daarmee bereiken ze bijna 100 miljoen Amerikanen. Een paar dagen geleden is de eerste Britse bank aan de klantenlijst toegevoegd. Lloyds Banking Group heeft een partnership met Cardlytics gesloten. Ik ben benieuwd of er binnenkort ook een Nederlandse bank aan het rijtje wordt toegevoegd.

Nog meer voorbeelden…

Tot zover deel 1. In het volgende deel meer voorbeelden van o.a. de Commonwealth Bank, Progressive, Achmea, Sentiment, On Deck, MarketSphere, et cetera.

Tags: ABN AMRO, Bank of America, BankAmeriDeals, Big Data, Cardlytics, creditcard, debitcard, Facebook, marketing intelligence, predictive modelling, Snel Bankieren, transaction driven marketing