Анализ транзакционной активности клиентов банка: методы выявления паттернов, чувствительных к изменению ключевой ставки

В современной высококонкурентной и регулируемой банковской среде понимание клиента выходит далеко за рамки демографических данных и истории кредитных заявок. Наиболее богатым и достоверным источником информации о реальном финансовом поведении, предпочтениях и уровне лояльности клиента является его транзакционная активность. Каждая операция, – платеж, перевод или снятие денег, создает цифровой след, который можно проанализировать, чтобы понять прошлое и предвидеть будущее. Такой анализ особенно важен, когда меняются макроэкономические условия, ключевая ставка центрального банка остается волатильной. Банкам необходимо уметь находить в транзакциях те модели поведения, которые сильно зависят от этих изменений. Это поможет им переходить от реагирования на события к их предвидению: предсказывать отток вкладов, прогнозировать спрос на рефинансирование, выявлять клиентов, которым нужны специальные продукты, и в итоге снижать риски и увеличивать прибыль. Таким образом, анализ транзакционной активности клиента для определения моделей поведения, реагирующих на ставку, становится важным инструментом для управления балансом, клиентской базой и прибыльностью в условиях нестабильности.

Модели поведения, реагирующие на ставку, ­– это устойчивые изменения в структуре и объеме денежных потоков клиента, которые тесно связаны с объявлениями об изменении ключевой ставки или происходят вскоре после этого. Эти модели не одинаковы для всех, они зависят от типа клиента (физическое лицо, малый бизнес, компания), его финансовом здоровье, целей и имеющихся продуктов.

Признаки такой чувствительности могут быть следующими:

1. Операции на счетах. Быстрый перевод денег в другие банки, где ставка выше, или, наоборот, увеличение входящих переводов для открытия вклада при росте ставок.
2. Кредитное поведение. Активное досрочное погашение кредитов с плавающей или высокой фиксированной ставкой в ожидании или после ее увеличения, а также рост запросов на рефинансирование при снижении ставки.
3. Инвестиции. Перевод денег с депозитов на брокерские счета для покупки облигаций или валюты в поисках большего дохода, а также изменение активности по операциям с ценными бумагами.
4. Мелкие изменения в поведении. Сокращение необязательных расходов при росте ставок и увеличении долгов, изменение динамики накоплений на счетах.

Для определения этих моделей нужны подробные данные: полная история транзакций по всем счетам клиента (дата, время, сумма, контрагент, назначение платежа), информация о продуктах (остатки, ставки, даты открытия/закрытия), а также точные даты и величины изменений ключевой ставки.

Анализ проводится в несколько этапов и включает в себя статистические методы, машинное обучение и эконометрику.

1. Подготовка данных. Данные о транзакциях собираются по каждому клиенту за разные периоды времени. Создаются различные показатели, описывающие поведение:

• Сводные показатели. Средний дневной оборот, соотношение входящих и исходящих платежей, колебания остатка.
• Структурные показатели. Доля денег, переведенных в другие банки, доля платежей по кредитам, доля операций с инвестиционными инструментами.
• Событийные показатели. Досрочное погашение кредита, открытие/закрытие счета, изменение лимита.
• Временные ряды. Изменение остатка на счете, помесячный объем сбережений.

2. Разделение клиентов на группы. Перед анализом необходимо разделить клиентов на группы по их обычному транзакционному поведению (до изменения ставок), чтобы избежать путаницы. Для этого используются алгоритмы, такие как k-means или DBSCAN.

3. Определение изменений. Для каждой группы клиентов анализируется, как меняются их средние показатели (например, еженедельный отток денег в другие банки) после изменения ставки. Используются статистические тесты для сравнения периодов до и после. Также применяются алгоритмы определения точек изменения во временных рядах, чтобы точно определить момент, когда поведение изменилось.

4. Прогнозирование и классификация. На этом этапе создается модель, которая прогнозирует реакцию клиента на изменение ставки. Задача состоит в том, чтобы определить, совершит ли клиент определенное действие (например, снимет крупную сумму денег в течение двух недель после повышения ставки):

• Алгоритмы. Хорошо работают ансамбли деревьев решений – Gradient Boosting и Random Forest, так как они могут обрабатывать сложные зависимости и большое количество показателей.
• Объяснение результатов. Для понимания причин, по которым клиенты реагируют на изменение ставки, используются методы, которые показывают, какие факторы (например, большой остаток на депозите, кредит с плавающей ставкой, активный брокерский счет) больше всего влияют на прогноз модели.

5. Анализ временных рядов. Для важных клиентов может проводиться углубленный анализ их транзакций с помощью моделей машинного обучения, чтобы понять, является ли изменение поведения необычным для данного клиента.

Теоретическая база, изложенная выше, была полностью реализована в банке в рамках проекта по созданию системы раннего обнаружения и предотвращения оттока пассивных клиентов (депозиты и накопительные счета). Была разработан и внедрен продуктовый конвейер, который в автоматическом режиме обрабатывает транзакционную историю более 200 тысяч розничных клиентов. Ключевые этапы реализации включали:

1. Построение поведенческих кластеров. С помощью алгоритма на исторических транзакционных данных было выделено 7 устойчивых поведенческих кластеров: от консервативных клиентов до активных инвесторов. Это позволило корректно оценивать отклонения для них.

2. Разработка модели чувствительности. Была обучена модель градиентного бустинга, которая для каждого клиента предсказывала вероятность совершения одного из трех действий в течение 14 дней после изменения ключевой ставки:

• Закрытие депозита досрочно (с потерей процентов).
• Перевод крупной суммы (>30% остатка) на счет в другой банк.
• Запрос на рефинансирование кредита.

Модель использовала более 200 признаков, включая транзакционные метрики, историю взаимодействий и продуктовую корзину. Для интерпретации результатов был внедрен механизм SHAP, который позволяет сотруднику контакт-центра видеть топ-3 фактора, повлиявших на прогноз.

Для корпоративных клиентов и VIP-сегмента дополнительно использовались алгоритмы обнаружения резкого изменения на временных рядах ежедневных остатков. Это позволяло среагировать на изменение поведения в моменте, еще до того, как клиент совершил целевое действие.

Решение было интегрировано в операционные процессы банка через несколько каналов:

1. API-уровень. Модель была развернута в Docker-контейнерах и доступна через внутренний API-шлюз. Еженедельно пайплайн на Spark обрабатывал транзакционную витрину, вычислял признаки и вызывал модель для обновления скоринга всех клиентов.

2. Интеграция с CRM и DMP. Результаты скоринга (вероятность оттока и драйверы поведения) загружались в автоматизированную банковскую систему и CRM. При наступлении события «изменение ключевой ставки» автоматически срабатывали триггеры:

• Для клиентов с вероятностью оттока >70% в исходящие обзвоны контакт-центра ставилась задача с предложением индивидуальных условий.
• Для клиентов со средним риском в мобильное приложение отправлялись push-уведомления с релевантными предложениями (рефинансирование при снижении ставки, спецпредложение по вкладу при повышении).
• Для сегмента VIP подгружалась информация в интерфейс персонального менеджера с подсветкой факторов риска.

Поскольку нагрузка на модель резко возрастала в дни объявлений ЦБ, было решено использовать Kubernetes и механизм Service Discovery. Это позволяло автоматически масштабировать количество подов с моделями для обработки пиковых запросов от CRM без деградации скорости ответа. Внедрение системы анализа транзакционной чувствительности принесло ощутимый экономический эффект, который был валидирован с помощью A/B-тестирования:

1. Снижение оттока пассивов. В тестовой группе (клиенты, обработанные системой) уровень досрочного закрытия депозитов после повышения ставки снизился на 18% по сравнению с контрольной группой, где использовались стандартные массовые коммуникации. Это позволило удержать в банке порядка 300 миллионов рублей пассивов, которые могли быть выведены в другие банки.
2. Эффективность кросс-продаж. Модель показала высокую точность в выявлении спроса на рефинансирование. Конверсия в продукт «Рефинансирование» среди клиентов, отобранных моделью, оказалась в 2,7 раза выше, чем при случайных обзвонах. Это привело к росту портфеля рефинансированных кредитов.
3. Совокупный финансовый результат (предотвращенные потери от досрочных закрытий + дополнительный процентный доход от удержанных пассивов + комиссионный доход от рефинансирования) за вычетом затрат на разработку и интеграцию за первый год оценивается в 107 млн рублей.

Анализ транзакций для определения моделей поведения, реагирующих на ставку, – это сочетание современных технологий и глубокого понимания банковского дела. Это основа для создания системы, которая постоянно учится и превращает данные о платежах в полезную информацию. В условиях, когда денежная политика становится фактором неопределенности, способность банка понимать своих клиентов и предсказывать их реакцию на изменение ставок становится большим преимуществом. Это позволяет банкам приспосабливаться к изменениям, управлять ими, укрепляя финансовую устойчивость и строя доверительные отношения с клиентами.