Danske Bank: Sådan skaber vi værdi med advanced analytics

Brødtekst

Advanced Data Analytics er blevet et centralt tema, som virksomheder i hele verden må forholde sig til i disse år. 

Igennem denne artikel vil jeg give et indblik i, hvordan vi i Danske Bank arbejder med Advanced Data Analytics, og hvordan vi har formået at skabe gennembrud og væsentlige succeser. Appliceringen af Advanced Data Analytics er efter min opfattelse succesfuld, når kunder oplever en forbedret kundeoplevelse og vi samtidig opnår en forbedret kommerciel performance ved at anvende Advanced Data Analytics. I vores arbejde med Advanced Data Analytics, har vi gennemgået tre faser (se figur 1), som jeg vil referere til igennem denne artikel.

 

Figur 1: Tre faser af værdiskabelse gennem Advanced Data Analytics. Source: Danske Bank
Figur 1: Tre faser af værdiskabelse gennem Advanced Data Analytics.
Illustration: Danske Bank

Etablering af et Data Science Centre of Excellence for at besvare (noget af) disruption truslen

Data fundamentet har været på plads i mange år, og som mange andre banker, har vi succesfulde og meget solide Business Intelligence enheder, som assisterer frontlinjen med data-drevne indsigter. Vi har bygget og kontinuerligt udviklet dette fundament i den første fase, hvilket har stået på i årtier. Digitalisering via eksempelvis Advanced Analytics, Big Data, and Machine Learning bliver præsenteret (hypet) som nogle af elementerne, der kan være med til at disrupte de etablerede banker, som vi kender dem. Derfor er det naturlige modsvar at opbygge egne kompetencer inden for disse områder – inden nogle andre gør det for dig. For tre år siden (i Fase 2) etablerede Danske Bank et Centre of Excellence (CoE) med kernekompetencer inden for data science, som fik et bredt strategisk mandat til at drive den ønskede udvikling af banken inden for området. Beslutningen om, at etablere et center i banken dedikeret til data science, har været afgørende for, at vi kunne sikre, at der blev holdt fuld fokus på opbygning af den nødvendige kompetence.  

Seks forudsætninger for succes

Da vi gennemgik fase 2, fik vi en klar forståelse af hvad der krævedes af os for at forbedre den kommercielle performance via Advanced Data Analytics, og vi kunne konkludere, at seks forudsætninger skulle være opfyldt for, at vi kunne lykkes:

  1. At vi havde fuldt ’buy-in’ fra senior management
  2. At ALLE problemer vi forsøgte at løse, startede med kundes perspektiv, for at sikre at vores data scientists kunne have en meningsfyldt dialog med vores interne kunder
  3. At vi applikerede det data vi allerede var i besiddelse af, i stedet for at tænke på hvad der måske kunne opnås med eksterne eller anden ny data
  4. At vi havde et produktionsmiljø således, at vi rent faktisk kunne levere løsningerne på de problemer, vi havde valgt at fokusere på
  5. At vores interne kunder følte et sandt ejerskab til de nye kundeleverancer
  6. At vi havde evnen til måle og kommunikere effekten af vores kundeleverancer

'Kultur spiser strategi til morgenmad'

Efter et par år havde vi fået etableret et solidt Data Science COE. Vi havde bygget nogle ganske succesfulde modeller som, med dokumenteret effekt, var med til at forbedre kundeoplevelsen (og dermed vores kommercielle performance) i ganske positiv grad. Vi oplevede dog stadig ikke, at vi for alvor havde fået realiseret det fulde potentiale, og vi konstaterede, at den største barriere til succes var kultur. Vi var ikke i mål med at skabe et sandt ejerskab blandt vores kollegaer i frontlinjen Det var som sådan ikke nogen overraskelse, men det var her, vi havde en udfordring, der skulle løses.

Etableringen af Customer Portfolio Management i frontlinjen skabte det næste gennembrud

I den tredje fase adresserede vi den kulturelle barriere ved at skabe en data-dreven enhed, Customer Portfolio Management (CPM), helt ude i frontlinjen af banken. Denne enhed blev placeret ved siden af enheder som rådgiverne, kontakt centeret, samt andre klassiske enheder, som man typisk finder i en bank i dag. Formålet med den nye enhed var at sikre en applicering af de rigtige elementer af Advanced data Analytics (fra Business Intelligence til Predictive Machine Learning) på en måde, hvor det støtter andre enheder i banken med at opnå den bedst mulige performance. CPM har overordnet set de samme mål og KPI’er som de andre enheder i frontlinjen, hvorfor der medfølger et ansvar om at skabe fuld transparens omkring enhver kundes rejse gennem banken. Ved at forstå de individuelle kunderejser, kan vi udlede, hvad kundernes behov er, samt hvor mulighederne for kommerciel vækst er. Hvis en kundeportefølje indeholder få kunder, så er det overskueligt for et menneske at drive porteføljen optimalt. Men hvis porteføljen eksempelvis indeholder 500.000 kunder, så bliver maskiner nødt til at overtage ”hjemmearbejdet”, så vores kollegaer kan bruge tiden på kunderne, og med stor sandsynlighed bruge tiden mere optimalt, end hvis de selv skulle have planlagt det.

Den kommercielle succes kommer fra øget transparens

Der er mange eksempler på, at CPM har været med til at skabe værdi, men her er nogle af de overordnede elementer:

  1. Ved at forbinde aktiviteter med resultater gennem individuelle kunderejser, så opnår vi en solid transparens i forhold til kundeoplevelsen og den afledte kommercielle performance, hvilket muliggør at vores erfarne og højt kvalificerede kollegaer kan tage deres beslutninger på et grundlag, der i højere grad end tidligere er baseret på fakta, baseret på store mængder af data.
  2. Alle kunderettede aktiviteter (uanset størrelse eller kanal) støtter op om vores forretningsprioriteter, og effekten af disse aktiviteter er bundet direkte op på vores nuværende og forventede performance.
  3. Det centraliserede CoE skal kun servicere en ’kunde’ i frontlinjen, som tager fuld ejerskab for modeller og andre data leverancer, og som samtidig kan give ekstremt værdifuld og præcis feedback om fremtidige udviklingsbehov.

Som et eksempel på ovenstående, så identificerede vi en større markeds aktivitet, hvor vi kunne give større værdi for vores kunder og dermed også være en løftestand for at vækste for forretningsmæssigt. Vi identificerede det eksakte punkt i kunderejsen, som bremsede performance, og via denne indsigt kunne vores kollegaer i frontlinjen fokusere på tiltag, der var med til at forbedre kunderejsen. Efter et par måneder så vi en forbedring på 160 % i performance, og markant højere motivation blandt medarbejderne til følge.

Men, Rom blev som bekendt ikke bygget på en dag, så det er vigtigt at nævne, at det tager tid at designe alt korrekt, samtidig med, at den kulturelle transformation skal ske i parallel. Mennesker skal se ting virker (mange gange!), før vi skifter vaner. Men, vi rykker fremad og potentialet er stort, og vi har allerede vist, at vi kan skabe værdi gennem anvendelse af Advanced Data Analytics for kolleger og kunder og dermed også kommerciel værdi for banken.

En version af denne artikel er tidligere bragt på CIO Applications Europe