布拉德斯科银行

数据库内R和Python模型加快价值实现速度。

实现数字化转型需要巨大的变革。在一些小领域保持一致,但在许多其他领域,公司以全新的方式呈现。

Banco Bradesco(布拉德斯科银行)成立于1943年,是巴西最大的金融服务和保险机构之一,在过去的20年中,通过稳步发展和增长,在财富500强中的排名不断上升。他们的使命是“通过提供广泛的多样化和可及的解决方案、产品以及金融和保险服务,为满足人们的需求和可持续发展做出贡献”。Banco Bradesco以传统的以产品为中心的方法建立了自己的业务,向客户销售相关产品和服务。

正在经历数字化转型的巨变

Banco Bradesco首先认识到客户期望和行为的转变,意识到数据管理和分析成为创建以客户为中心和数据驱动型文化的基石。Banco Bradesco转型需要:

数字化创新:通过全渠道、产品和服务数字化、100%数字化引导和跨渠道交易。

数字原生平台:像Bradesco Next,一家专为年轻受众设计的全数字银行;Bitz,一个数字支付平台;和Agora,一个投资经纪平台。

开放银行:银行成为一个平台。

该银行将数据视为理解、关联和向客户提供产品及服务的关键原材料。为了在银行中推广数据驱动型文化,Banco Bradesco在战略上组建了多学科团队,将Bradesco从以产品为中心的组织转变为以客户为中心的组织。他们所有的计划都将客户放在关注的中心。

布拉德斯科银行的数字

69.5 百万

客户

31.9 百万

账户持有人

2100万

数字账户持有人

98%

在数字渠道上进行的交易

数字化转型的开始

2019年,Bradesco与Andre Duarte负责的CRM和分析团队进行了接触,要求他们应用现代分析方法,转型为更加个性化和切身相关的客户关系,首先解决客户需求,而不是以产品为主导。

首席分析官Rafael Cavalcanti解释说,Duarte“决定建立几个小队,专注于从两个角度开发模型”。首先是改进Banco Bradesco已经拥有的分析功能。“银行里正在进行大量的分析,但不是以最有效的方式进行。我们的方法是,‘我们需要确保我们能够挑选出一些非常具体的用例,并向组织展示我们可以合作产生即时价值’,”Cavalcanti回忆道。

其次,Duarte要求团队以不同的方式思考和行事,挑战Banco Bradesco处理建模的方式。

“例如,我们以产品为导向的方法有一个模型,适用于想要A类贷款的客户,另一种模型用于贷款类型B,另一种模型用于透支,另一种模型用于信用卡。我们需要挑战这一点,因为归根结底,客户在他们的财务旅程中和生活中的某个时刻——他们需要贷款,他们需要钱。这笔钱是以一次性付款贷款、每月付款贷款还是透支来表示,那与产品的适用性更相关,”Cavalcanti说。

CRM 2.0项目采用以客户为中心的模型

CRM负责人Gian Cantarella负责整个Branco Bradesco的客户关系管理。根据Cantarella的说法,这意味着“利用各种手段让我们可以给客户提供更准确的产品,并让银行在所有渠道中都能更准确地提供这些产品。这包括所有分支机构和整个销售团队。”

在Cantarella的领导下,Banco Bradesco在开始在Teradata中使用基于数据和分析的关系中心,并与Salesforce集成为交易CRM系统。

“我们的绝大多数数据都在Teradata中。因此,我们的数据基础就在那里。Teradata是所有数据所在的位置,也是我们进行大部分分析的地方。我们在Teradata中对所有客户进行评分和细分,以Salesforce作为分销引擎,为决策和客户旅程提供信息,”Cantarella解释道。

数字渠道和客户经理已经定位了8000多个关系和销售客户群。根据CRM高级数据科学家Caio Quini的说法,详细且高度具体的客户群使银行能够“找到客户的特定画像,并根据我们其他客户群体来了解他们想要什么乃至更多。然后,我们可以将这些关联起来,并尝试提供同样的产品。”

通过强调客户行为,Banco Bradesco以客户为中心,在客户的个人财务旅程中与他们相遇。“相比之前我们没有这种细分分析的时候,我们已经将销售额提高2-2.5倍,在某些情况下是3倍,"Cantarella说。

Enterprise analytics ecosyst企业分析生态系统使数据成为其(第二大的)最重要资产em makes data their (second) greatest asset

对于像Banco Bradesco这样大型的组织来说,团队在孤岛中工作是很常见的。数据分析的这种自然演变导致组织将其数据视为以业务部门为中心,只能服务于单一目的或用途。数据受到限制,只能回答特定的问题,因为它是孤立的,而不是与其他数据相结合去推动更多的答案和更深入的见解。

“我们过去常常在孤岛中工作。团队使用Python,R和Spark的开源环境。CRM团队一直在使用Teradata。但是,另一个区域使用了SAS。第一个任务是整合所有内容,让我们只有一个分析环境,”高级数据科学经理Victor Hugo Marques说。

Marques继续说道:“我们摄取了大量的原始数据。随着Bradesco收购其他银行,当我们考虑交易系统时,这带来了很多复杂性。Bradesco拥有400多个交易系统。想象一下这是多少数据。对于一个学科领域,我们可能有三四个不同的系统。这让数据变得复杂。如果我们考虑数据库、表格和数据量,那就更多了。例如,仅移动业务这一项每天就会产生超过300TB。”

为了转型为数据驱动型文化,Banco Bradesco领悟了集成核心的价值。

Teradata Vantage平台使用户能够在正确的时间访问正确的数据,免费使用PowerBI、Tableau和MicroStrategy等工具,以访问那些可重用、托管、安全、正确、集成、企业可扩展的数据。

Banco Bradesco数据工程师的唯一任务是保证成千上万的用户可以使用这些数据。“我们有一个专门的团队用来保证分析团队不必去使用原始数据。相反,他们有专用的管护数据实验室,其中包含已经为分析团队准备好的待用数据。数据工程师的努力加快了分析开发过程,”数据科学专家Fernanda Souza继续道。

通过这些Teradata数据实验室,分析团队可以访问同一物理实例,通过一流的软件完成工作,期间不必减少速度、自由度、自主度和性能,还可保护同时发生的其他任务关键型工作负载。

当企业中更多的人和流程能够无摩擦地访问所有数据时,创造的价值就越多。随着大量数据进入现代企业,用户需要一种灵活、敏捷、不受束缚的方式,根据自己的需求访问正确的数据、分析、模型和高级功能。创建有效且广泛采用的数据文化需要一个平台,该平台可以功能上容纳无限的用户和并发性,同时通过大规模的复杂工作负载管理来管理战术和战略查询。

Teradata Vantage是一个数据分析平台,促成Banco Bradesco企业规模的数据文化。

Vantage 的差异化工作负载管理可最有效地利用固定资源,无论是在云端还是在本地。而其他数据分析平台需要通过添加额外的计算或硬件进行扩展以支持不断增长的工作负载,这是一种成本高昂且效率低下的资源扩展方式。

Cantarella没有将数据称为他们最大的资产,而是说:“我会说数据是我们的第二大资产。我们最大的资产是我们的客户。但为了满足我们的第一个资产,即客户,我们必须拥有第二个资产,即数据。将客户置于我们所做的一切的中心,然后使用数据来提高客户满意度,由此为公司创造更多收入,这就是我们通过数据转变为以客户为中心的方法。”

Teradata中的数据科学可加快实现价值的速度,并将客户置于决策的中心

数据科学家通常会在数据分析平台之外执行数据科学,他们选择从数据仓中提取数据,然后在与数据分开的分析应用程序中运行R和Python模型。这种方法会导致数据采样。虽然采样数据在许多情况下是可以接受的,但它可能导致重要异常值或可能对模型很重要的其他独特数据特征被遗留在外的风险。更重要的是,在一个不易访问整个数据库的环境中创建模型,会使快速模型操作化变得困难。模型创建很重要,但是,近乎实时地操作是模型最有用的方式。

Teradata Vantage Advanced SQL Engine包括数据科学分析功能,允许用户 在数据库中开发和运行Python和R模型;一个名为脚本表运算符(STO)的功能支持大约两百个R和Python模型库直接在Teradata Vantage的数据库中运行。当在Teradata中完成此类建模时,Banco Bradesco数据科学家除了享有Teradata的工作负载管理、查询优化和多维可扩展性的优势外,还享有整个数据集的优势。并且,所有这些功能都支持更多的用户、执行更复杂的查询、针对更多的数据,其速度和规模是其他数据分析平台无法比拟的。此外,这种数据库内分析方法可快速加速模型的操作,因为不再需要手动将模型引入Teradata。更快的模型操作化可以更快地获得答案和见解,最终更快地实现潜在的业务价值。

“如果数据在Teradata中,那么执行分析已成为团队的明确选择。”

“我们曾经在R和Python上使用开源,但它不在数据库中。现在,借助Teradata Vantage,我们能够在Teradata内部进行更复杂的分析。有效地将分析引入数据。它使我们能够创建新模型,挑战我们现有的模型,并使用我们以前在Teradata中无法做到的不同技术,”Cantarella说。

Cavalcanti补充说:“如果数据在Teradata中,那么执行分析已经成为团队的明确选择。”

Cavalcanti的经验说明了数据库内分析的价值,秉承通过在数据库本身中构建分析逻辑来在数据库内进行数据分析的理念。

这样做可以消除转换数据以及在数据库和单独的分析应用程序之间来回移动数据所需的时间和精力。将数据所在的位置与分析应用程序分开时,会引入时间延迟。这会影响获得关键业务见解的能力。此外,它给数据科学家和业务分析师在创建用于操作分析的桥梁时带来了不必要的复杂。这可能是市场领导者和落后者之间的重大区别。

关于加速分析操作化的问题,Marques分享道:“现在我们已经将Python,R和nPath整合到我们的Teradata数据分析平台中,我们可以在更短的时间内开发更多的模型。在过去的一年中,我们的数据科学家开发了20多个模型。只需将合适的人员放在正确的模型操作中,我们就可以扩展。以前,制作10个模型需要10年时间,因为我们受到技术和流程的限制。例如,执行线性回归模型需要在SQL中转换变量,意味着一千行代码。现在,在Teradata中使用数据库内Python,你只需将代码提升到生产环境,它就可以执行了。”

Bradesco不再需要数据采样,现在正在Teradata中的所有数据上运行他们的数据科学模型。这为处理比以往更大的用例开辟了可能性。

例如,确定抵押贷款的潜在客户。该团队不是运行简单的倾向模型,而是首先将nPath分析与人口统计变量等功能一起应用。nPath分析输出将作为附加变量添加到抵押倾向模型中,如线性回归模型、随机森林或XGBoost模型。

“这个案例的美妙之处在于,尽管我们正在谈论两件不同的事情,但结合起来它们会产生更好的结果。第一是我们现在能够在Teradata中使用更复杂的工具进行分析。第二是在我们的新Python模型中,通过包含一个来自nPath的新变量,使用Python和R与不同的技术。两者结合是我们真正看到积极影响的地方,”Cantarella说。

数据科学家Quini被认为是创新方法的功臣。他的努力使CRM团队能够清楚地看到单个客户和多个客户的行为路径。常见行为作为变量被加入Python模型中,成为改进模型的一种方式。

作为分析团队的领导者,Marques 认为生产力的提高是继续在Teradata中执行高级分析的关键原因。

“如果我问我的任何一位数据科学家,‘你们怎么比较使用Teradata与其他可用的分析应用程序的体验?’他们会说:‘哇,我们无法比较,Teradata要快得多。’ 例如,我们的信用卡交易数据位于Teradata中,我们可以快速访问该数据以执行一年的查询。如果你试图在其他地方做同样的事情,那需要一个月的时间,”Marques声明。

Quini看到了在提高敏捷性的同时最大限度地减少移动、建模管护和文档库的多种好处。“将所有内容都放在同一个平台上是最好的功能。我们可以在模型中工作,我们可以回到Teradata,我们可以有SQL,我们可以有Python,然后我们还可以将我们想要的所有内容添加到文档中。这不仅对我们开发或创建一个模型来说是最好的事情,而且这对其他人看到我们的成果并运行算法管护也有好处。”他说,结果是“一切都以这种方式更好、更快地工作”。

无论这种在Teradata数据分析平台中进行多类型分析的方法如何革新、如何有创意,真正的好处是Banco Bradesco所看到的为客户增值以及为公司创收。提高模型有效性不仅仅是个人数据科学模型成功的“荣誉徽章”。

“我们可以看到,这正在创造新的机会和更好的结果。在我们的抵押贷款倾向模型中,我们能够从30%的KS分数变为50%的KS分数。这些成果都是仅通过使用这些新的建模实践达成的,"Cantarella声称。

Banco Bradesco在KS分数方面的改进提高了正确理解每个客户对具体产品的独特需求的能力,为未来的产品提供信息,并使零售银行商家和经理的生活更轻松。“归根结底,我们正试图为某人提供产品,并希望这个产品是准确的。所有这些背后的分析变得非常重要。随着我们KS分数每增加一个百分点,意味着我们提高了一点潜在产品提供的准确率,增加了一点销售,也提高了一点客户满意度,"Cantarella总结道。

最近的Banco Bradesco收益发布和投资者介绍强调了数据管理策略的重要性,以及这个多学科分析和CRM团队的影响。

他们对来年的财务指导包括对银行扩大贷款组合增长9%至13%的预测。此外,该银行在移动(23%)和数字用户(15%)方面的年增长率部分归功于现代实时决策平台。个性化全渠道旅程的情境化产品提供已成为至关重要的必要条件。

“我看到银行面临的每一个挑战和机遇,我相信我的分析团队都可以提供帮助。如果我们想制定反洗钱行动、提高我们的销售质量(不仅在我们销售的数量上,而且在我们所做的质量上),我们可以提供帮助,并且我们可以帮助优化我们的分支机构网络。我在首席执行官的投资者演讲的每一页中都看到了我们的分析团队——无论他是在谈论批发、效率还是数字化挑战,”Cavalcanti宣称。

最后,将Bradesco银行转变为以客户为中心的、数据驱动决策型组织,是以人为本的。这些人在多学科小队中,设计数据和功能、构建模型,并根据见解采取行动以推动显著的收益。Souza总结道:“我相信我们是Bradesco内部革新的一部分。我们是将创新推向整个公司的团队的一员,我们正在组织内部发挥真正的作用。”

布拉德斯科银行如何使用数据成为未来型企业

Banco Bradesco首席分析官Rafael Cavalcanti和Gartner副总裁兼杰出分析师Donald Feinberg解释了世界级公司如何依靠数据分析编排和互联多云数据平台进行企业分析,以推动其数字化转型,为未来做好准备。

其他客户案例