диэсэй в банке что

Как устроиться менеджером прямых продаж (канал DSA) в банк?

Старт карьеры молодых специалистов нередко начинается с должности менеджера по прямым продажам (DSA). Студенты последних курсов университета или заочники откликаются на активные вакансии в банковской сфере. Молодежь привлекает:

Какими преимуществами и недостатками обладает канал прямых продаж (DSA) в банковской сфере, рассмотрим подробнее.

Что такое прямые продажи?

Прямые продажи представляют собой вариант розничной торговли в не оборудованных специально местах, в случае с банковским продуктом – за пределами кредитно-финансового учреждения. Продажа оформляется в торговых центрах и на улицах городов, менеджер лично контактирует с потенциальными клиентами, демонстрирует преимущества товара одному человеку или группе лиц.

В период постсоветского подъема бизнес-сферы продажи прямого типа имели наибольшую популярность. Они становились толчком к началу собственного дела. До сих пор начинающие предприниматели демонстрируют преимущества своих товаров в торговых точках или на ярмарках.

Презентация продукции происходит:

По методу прямых продаж реализуются различные виды товаров – украшения, одежда, продукты, игрушки.

Преимущества прямых продаж

Основные цели проведения прямых продаж:

Начинающему менеджеру по прямым продажам предлагаются следующие преимущества работы:

К прямым продажам привлекаются специалисты, не имеющие возможности находиться на рабочем месте полный день или предпочитающие частичную занятость. Банки в подборе персонала ориентированы на молодых и мобильных выпускников вузов или студентов.

Особенности DSA в банковской сфере

Менеджер по прямым продажам (канал DSA) ориентирован на работу с физическими лицами, например, сотрудниками одного предприятия. Специалист, рекламируя банковский продукт, посещает в течение рабочего дня несколько организаций. Менеджер проводит презентацию актуальных кредитных предложений или действующих пластиковых карт, привлекая посетителей к заключению договорных отношений с банком.

Основная часть рабочего дня менеджера по прямым продажам банковского продукта носит разъездной характер (до 90% времени), оставшуюся часть занимает офисная работа, связанная с заполнением и составлением необходимой документации. В отдельных случаях, направляя сотрудника на предприятие для проведения презентации, работодатель учитывает место его проживания, выбирает удобную локацию. Основная часть банков не нацелена на оптимизацию перемещения менеджера.

Карьера менеджера по прямым продажам в банке развивается по следующему алгоритму:

Должности менеджеров по прямым продажам являются штатными. Сотрудникам предоставляется полный социальный пакет, гарантированная минимальная заработная плата (не зависящая от объема продаж), оплачиваемый отпуск и больничный. Успешные менеджеры получают дополнительные бонусы за заключенные договоры с клиентами. Банк компенсирует расходы на транспорт и проводит тренинги и повышения квалификации своих сотрудников.

Заключение

Новичок в команде банка полагается на карьерный рост при успешном прохождении этапа прямых продаж. Однако не стоит рассчитывать на его стремительность: чтобы достичь серьезных результатов предстоит приложить немало усилий.

По большому счету работа менеджера по прямым продажам носит рутинный характер, она сопряжена с массой коммуникативных сложностей, ведь нередко банковский продукт предлагается незаинтересованным людям. Останавливать выбор на данной вакансии стоит людям, уверенным в себе, желающим заработать трудовой стаж и опыт продаж на начальном этапе, не закладываясь на потенциальное становление карьеры.

Источник

Диэсэй в банке что

Что такое прямые продажи

Прямые продажи – это метод розничной продажи продукции и услуг напрямую потребителю вне оборудованных торговых мест. Обычно это происходит при личном общении с потребителем в месте, где можно продемонстрировать продукцию одному человеку или группе людей. В основе прямых продаж лежит личный контакт продавца с покупателем. Наибольшее количество независимых консультантов компаний отрасли начали строить свой бизнес и торговую сеть с приобретения продукции для себя и своей семьи.

Методы прямых продаж

Тет-а-тет презентация (рerson-to-person) – наиболее распространенный метод продаж, когда консультант по предварительной договоренности с потенциальным заказчиком, возможно, и с членами его семьи демонстрирует продукцию и объясняет ее функции при личной встрече.

Групповые презентации (party plan) позволяют консультантам рекламировать товары или услуги группам людей, собравшимся в одном месте по договоренности. Данная стратегия получила широкое распространение среди продавцов, так как имела позитивный эффект по привлечению потребителей.

Маркетинговый план

Это тактика компаний по компенсации и поощрению работы своих консультантов. Существуют несколько видов маркетинг-планов, в Казахстане распространение получили:
Одноуровневый маркетинг (SLM – Single-level marketing) – консультанты компаний получают вознаграждение только за собственные продажи.

Многоуровневый маркетинг (MLM – Multy-level marketing) означает, что продавцам этих компаний дается дополнительная возможность помимо вознаграждения от собственных продаж получить дополнительное вознаграждение от продаж своей команды, которую они собрали, обучили и мотивировали самостоятельно.

Компании

Компании, применяющие принципы сетевого маркетинга, могут быть национальными, то есть представленными только в одной стране, а могут иметь мировое распространение. Оборот компаний варьируется от сотен тысяч долларов в год – у маленьких компаний, до одного миллиарда и более долларов – у средних и больших компаний. Большинство из сетевых компаний являются одновременно и производителями распространяемых товаров, контролируя полностью процесс их производства. Они инвестируют средства в исследования, разработку и улучшение товаров, а также в обучение сотрудников и занимающихся реализацией консультантов. Обычно сетевые компании активно вовлечены в социальную деятельность и на национальном и на мировом уровнях.

Продукция

Прямые продажи можно использовать для реализации почти всех категорий потребительской продукции. Косметика, средства по уходу, продукция для поддержания здоровья и здорового образа жизни, а также товары для дома – наиболее распространенные категории товаров отрасли. Свое место также получили пищевые продукты, ювелирные украшения, одежда, книги, игрушки и т. д.

Преимущества прямых продаж

Работа в индустрии прямых продаж выгодна для всех категорий участников товарного рынка и является одним из самых популярных способов работать на самого себя без риска и стрессов. Прямые продажи дают возможность все большему количеству людей открыть свой собственный бизнес, получив равные возможности для старта, внося значительный вклад в развитие малого бизнеса, являющегося приоритетным в политике государства с 90-х годов и даже тенденцией XXI века.
В прямых продажах привлекает многое:

Прямые продажи создают альтернативу традиционной работе для тех, кто хочет иметь возможность получения дополнительного дохода и кого по тем или иным причинам не устраивает полная или частичная занятость. Во многих случаях прямые продажи становятся полноценной карьерой для людей, добившихся определенного успеха и желающих продолжать свой независимый бизнес в этой индустрии при полной занятости.
Сумма затрат для открытия независимого бизнеса прямых продаж невелика. Обычно нужно приобрести недорогой набор распространителя, при этом необходим минимальный или нулевой первоначальный капитал и инвентарь. Компания производит и поставляет всю продукцию централизованно, оптимизировав и удешевив все процессы, избавляя консультанта от затрат и лишних беспокойств. Более того, прямые продажи предоставляют канал дистрибуции компаниям, неспособным соперничать с огромными рекламными расходами конкурентов, для инновационных или особенных товаров, которые не могут оказаться на полках традиционных магазинов, из-за дороговизны размещения.
Потребителям выгодны прямые продажи из-за удобного и качественного сервиса, включающего персональную демонстрацию продуктов с подробным описанием их особенностей, доставку на дом и гарантии. Прямые продажи способствуют росту объема розничного товарооборота и являются для потребителей источником качественных товаров.
Прямые продажи не следует путать с такими понятиями, как «прямой маркетинг» или «дистанционные продажи», которые являются интерактивной системой маркетинга, прибегающей к размещению рекламы в одном или более видах СМИ.
Хотя организации прямых продаж могут использовать некоторые методы прямого маркетинга или дистанционных продаж для развития своего бизнеса, главное отличие между этими двумя видами маркетинга – это персональная презентация (тет-а-тет), которая является неотъемлемым аспектом индустрии прямых продаж

Источник

Искусственный интеллект в банках: что это дает клиенту и почему его не нужно бояться

Зачем банкам искусственный интеллект? Дело в деньгах. С его помощью они могут зарабатывать больше на 1 трлн долларов ежегодно, подсчитали в McKinsey. А что это дает клиенту?

Банки владеют в современном мире уже не только деньгами, но еще и огромным массивом данных обо всех доходах и расходах своих клиентов. Когда платежи перешли в онлайн, а магазины научились отдавать развернутую информацию о совершенной покупке (а не только сумму чека), банки узнали все о потребительских привычках — например, какой вкус мороженого и в каком магазине вы предпочитаете. Возникает логичный вопрос: что делать с этой информацией — хранить как бесполезную или использовать для дополнительных услуг, чтобы создавать добавленную стоимость? Очевидно, что выгоднее второе.

Это идеальная ситуация, к которой стремятся сегодня крупные цифровые банки, строящие экосистему. Пройдет еще некоторое время, пока сервис «все-в-одном» станет массовым. Хорошо ли это для пользователя? Если вы не приверженец теории заговора, то ответ — да. Банковское приложение из достаточно узкофункционального сервиса постепенно превращается в полноценного универсального помощника на все случаи жизни, который учитывает вкусы и интересы клиента. При этом собираемые данные обезличены и не несут рисков использования их в некорректных целях. Так, «Тинькофф» начал регистрацию товарного знака AI bank для реализации концепции AI-First. Банк уже давно уделяет внимание работе с большими данными, а с помощью ИИ сможет анализировать их и строить полноценные рекомендательные системы, как это сегодня происходит в электронной коммерции. А ВТБ запустил платформу для быстрого и полномасштабного внедрения ИИ во все процессы банка. На ее основе создаются модули, которые анализируют данные и принимают решения.

ИИ помогает банкам строить более точные и непредвзятые скоринг-модели. Скоринг — это система оценки благонадежности заемщика на основе персональной кредитной истории. Алгоритмы не только проверяют клиента, но и строят прогнозы относительно его дальнейшего поведения на основе данных о других заемщиках со схожими характеристиками. Ранее, на заре расцвета потребительского кредитования в середине 2000-х, банки выдавали займы всем желающим, но после кризисов 2008 и 2014 годов и невыплат начали строить скоринг-модели на основе скопившейся истории. В результате процент отказов непрерывно растет уже на протяжении нескольких лет, соответственно, снижается число проблемных клиентов. Сегодня этот процесс начали автоматизировать. «Сбер» уже 100% таких решений принимает с помощью ИИ. Вмешательство человека требуется только в 5% случаев.

Какую выгоду для заемщика несет автоматизированная скоринг-модель на основе ИИ? Во-первых, быструю реакцию на заявку — не несколько дней, а несколько минут. Во-вторых, отсутствует человеческий фактор при оценке. Если объективные факты говорят о благонадежности клиента, он получит кредит. ВТБ, например, благодаря внедрению технологии в процесс одобрения кредитов начал выдавать на 18% больше займов в рознице.

Искусственный интеллект давно командует (в хорошем смысле этого слова) и сервисными инженерами, раздавая задачи на своевременное обслуживание техники, например банкоматов. ИИ становится очевидным трендом и в клиентском обслуживании. Чат- и войс-боты в контакт-центрах есть у большинства крупных банков. Умные алгоритмы умеют быстро решать проблемы клиентов. Например, по статистике банка «Хоум Кредит», 91% не обращаются в кол-центры после консультации с искусственным интеллектом. «Тинькофф» пошел еще дальше в развитии функциональности голосового помощника : с его помощью можно перевести деньги или купить акции.

Робот не только умеет сам эффективно общаться, но и контролирует работу сотрудников: анализирует, насколько правильно они строят диалоги с клиентами. В итоге банк может работать над слабыми местами в коммуникации, чтобы потребители получали более качественные и оперативные услуги. Так, ВТБ с помощью аналитических модулей на основе ИИ повышает эффективность работы операторов кол-центра с обращениями клиентов банка.

Это далеко не все области применения ИИ в банкинге. Есть еще множество внутренних процессов, за счет которых финансовые организации повышают свою эффективность, но для конечного клиента они не столь очевидны. Например, умные алгоритмы умеют предсказывать вероятность кибератак. Это очень актуальная тема: мошенники во время пандемии настолько активизировались, что только в одной Москве за прошлый год число краж с банковских карт выросло вдвое.

Мнение автора может не совпадать с мнением редакции

Источник

ML и DS оттенки кредитного риск-менеджмента | EAD или деньги в дефолте

Новая статья цикла о моделировании в задачах управления кредитным риском (предыдущие статьи смотрите здесь и здесь) посвящена EAD — компоненте, отражающей размер задолженности заемщика перед банком в момент дефолта.

Как спрогнозировать сумму кредитного требования в момент дефолта, при условии, что момент дефолта неизвестен, и вообще может не настать? Как поступать с экстремальными, особенно большими по абсолютному значению, EAD? А если кредитный продукт, по которому нужно оценить риск — это так называемый револьверный кредит, где нет установленных регулярных платежей,- как, например, кредитка с кредитным лимитом?

Эти и подобные им вопросы возникают при моделировании компоненты. Их и рассмотрим под катом.

EAD как одна из компонент EL

где:
— вероятность дефолта;
— это кредитные обязательства по договору на момент дефолта. Кредитные обязательства, сумма кредитного требования, балансовая часть долга, баланс — это синонимы для описания суммы средств, которые заемщик должен банку. Соответственно, EAD — сумма средств, которые заемщик должен банку в момент дефолта.
— доля EAD, которую заемщик не возместит банку в течение условленного времени после дефолта.

В публикациях и на проектах, посвященных оценке ожидаемых потерь, основное внимание приковано к моделированию и оценке PD. И если LGD также удается уделить время, особенно в части сбора целевого события и выбора архитектуры решения, то на EAD его практически не остаётся.

Одна из причин в том, что основные «кнопки» управления итоговым значением EL расположены именно в компонентах PD и LGD: калибровка, горизонт наблюдения и сбора восстановления и др.

Тем не менее EAD является важным параметром, поскольку используется в формулах линейно определяет потери и, кроме того, проецирует расчеты в плоскость денег.

Наша цель — дать быструю инструкцию, которая учтет основные требования и позволит собрать baseline для решения задачи.

Методы оценки EAD

Подходы к оценке EAD различаются в зависимости от типа договора:

Договора с фиксированной суммой

Такие договора ещё называются аннуитетными. Например, к таким относится потребительский кредит. Для моделирования EAD аннуитетных договоров могут быть использованы следующие подходы:

Договора с нефиксированной суммой

С нефиксированной суммой, т.н. «револьверные», или «лимитные»: договора, имеющие балансовую и внебалансовую чаcть долга. Внебалансовая часть долга — денежные средства, которые есть возможность использовать, но не использованы на дату наблюдения. Примерами могут быть кредитная карта с лимитом или кредитная линия.

Сумма EAD для такого типа договоров может рассчитываться следующими способами:

Моделирование EAD

Схематично план моделирования EAD изображен на диаграмме:

Формирование витрины для моделирования

Здесь, как и в статьях ранее, мы рассматриваем витрину для моделирования (ABT) как результат объединения трех сущностей: сегмент (id, временная метка, атрибуты сегмента), целевое событие и поведенческие атрибуты.

Начнем с целевого события. Обратим внимание на два его параметра — горизонт и алгоритм сбора. Не стоит забывать, что поскольку событие инициировано фактом дефолта, то все остальные аспекты дефолта (дата начала, дата окончания, тип события) также имеют значение при описании EAD.

Определение горизонта наблюдения

Величина EAD, а также момент дефолта, станут известны только в момент дефолта (сюрприз-сюрприз). Моделировать же его необходимо, выбрав заранее, на каком временнОм интервале планируется прогнозировать дефолт и, соответственно, EAD. Такой интервал называется горизонтом наблюдения. Возможны несколько подходов для учета событий дефолта.

Три наиболее распространенных подхода: метод фиксированного горизонта, когортный и смешанный метод [2].
а) Фиксированный горизонт. Наблюдения формируются таким образом, чтобы от даты наблюдения до даты дефолта временной интервал был фиксированным. При этом длину интервала рекомендуется выбирать таким образом, чтобы она была такой же, как у горизонта наблюдения модели PD для текущего портфеля (например, 12 месяцев).

Формирование сегмента

После того, как определена длина горизонта, необходимо определиться с тем, какие наблюдения попадают в выборку для моделирования.

Обычно подразумевается, что выборкой для моделирования является совокупность договоров, которые в текущий момент не в дефолте, но на горизонте наблюдения в дефолте окажутся.
Имеет место также такой вариант формирования выборки, при котором в момент дефолта одного из договоров, все остальные активные договора заемщика также признаются дефолтными. Этот подход называется дефолтом в результате «инфицирования» и зачастую используется для изменения уровня дефолта.

Определение целевой переменной

Стоит отметить, что в кредитном портфеле встречается большой разброс по балансам: от очень маленьких (на грани материальности) до очень больших значений. Из-за этого прогнозирование непосредственно абсолютного значения баланса может привести к существенной величине ошибки. Чтобы этого избежать, для моделирования используют целевые переменные, которые отражают относительную разницу между актуальным балансом и балансом на дату дефолта (EAD), либо — относительную же разницу между значением лимита и EAD.

В следующем разделе рассмотрим некоторые из них.

Коэффициент кредитной конверсии

где:
и — это, соответственно, лимит по кредитному договору и баланс на момент наблюдения, — сумма основного и просроченного кредитного долга на момент дефолта.

Поскольку у аннуитетных договоров нет внебалансовой части (то есть, всегда равен нулю), этот подход может применяться только для лимитных договоров.

Выборка для применения представляет собой открытые и недефолтные договора на дату, и рассчитанные для каждого из наблюдений атрибуты, вошедшие в финальную модель. На основании атрибутов рассчитывается CCF для наблюдения. На основании CCF, баланса и лимита рассчитывается прогнозный EAD по следующей формуле:

В этой формуле и — прогнозные значение EAD и CCF соответственно.

Коэффициент использования лимита

Такое целевое событие может быть применено к продуктам с изменяемыми лимитами, что в случае расчета CCF может приводить к отрицательным значениям [4].

Также, как и предыдущий, этот подход может быть применен только для лимитных договоров.

Множитель текущей балансовой позиции

По некоторым револьверным кредитам превышение лимита наступает до момента дефолта. В таком случае подход, основанный на CCF, не имеет смысла ввиду значения больше 100%. Решением подобной проблемы может стать рассмотрение в качестве целевой переменной множителя текущей балансовой позиции.

Прогнозное значение EAD будет иметь следующий вид:

Поскольку в этом подходе расчет EAD опирается только на значение баланса, он может быть использован в том числе для моделирования сегмента аннуитетных договоров.

Использование двух целевых переменных (двухкомпонентная модель)

Общая формула этого подхода выглядит следующим образом:

где:
— баланс на дату наблюдения,
— множитель текущей балансовой позиции,
— коэффициент кредитной конверсии,
— кредитный лимит по договору на дату наблюдения.

Подход можно использовать как для лимитных, так и для аннуитетных договоров:

Когда в кредитном портфеле содержатся договора обоих типов, использование двухкомпонентной модели выгодно отличается от иных подходов, позволяя настроить функционал для каждого сегмента по отдельности.

Таблица сравнения применимости целевых переменных для некоторых случаев

ДаCCF, k- двухкомпонентная модельИспользуется для портфелей, в которых существенную часть составляют аннуитеты, а также есть предпосылки считать, что лимитные/аннуитетные договора имеет смысл моделировать по отдельностиДа

Для задачи резервирования можно рассматривать другие архитектуры модели EAD. Например, при расчете EAD для всего времени жизни договора. Life-time EAD — компонента в рамках МСФО9, которую иногда декомпозируют на две — вероятность и сумму досрочного погашения (prepayment). Это важно, т.к. позволяет «вовремя» перестать резервировать деньги под быстрозакрывающиеся кредитные обязательства.

В более простом варианте, для смежных задач достаточно использовать модель досрочного погашения, т.е. прогноз срока жизни договора.

Расчет ретроспективных значений целевой переменной для всех наблюдений

После того как выбран горизонт событий и целевая переменная, выполняется расчет ее значения для всех наблюдений сегмента.

Поскольку сегмент представляет собой договора, которые попали в дефолт, то для всех них известен EAD. Используя формулы для расчета выбранной на предыдущем шаге целевой переменной, рассчитывается фактическая целевая переменная для наблюдений.

Для некоторых случаев — таких, как двухкомпонентная модель, очевидным шагом будет рассчитать разные целевые переменные для разных сегментов, и возможно, проводить дальнейшее моделирование по каждому из сегментов в отдельности.

Поведенческие атрибуты

Почти все подготовлено для формирования витрины для моделирования. Осталось добавить поведенческие атрибуты. Среди основных драйверов:

Выбор типа модели и бинаризация целевой переменной

Перечисленные целевые переменные являются вещественными числами. Вещественная целевая переменная ограничивает выбор типа модели до подмножества регрессионных.

Другим нюансом является тот факт, что в рассматриваемой задаче форма распределения целевой переменной далека от нормальной. Рассмотрим пример распределения целевой функции CCF [3]:

Распределение CCF часто характеризуется пиками около CCF = 0 и CCF = 1. Такое распределение может привести к неточному прогнозу модели стандартной линейной регрессии. В этом случае можно использовать GLM — обобщенную модель линейной регрессии — с некоторой функцией связи (link function), которая учитывает распределение целевой переменной, отличное от нормального [6]. Тем не менее, это требует дополнительного анализа на предмет функции связи, который необходимо проводить заново для каждого моделируемого портфеля. По этим причинам, иногда целесообразно бинаризовать целевую переменную, и использовать классификационную модель.

Существует несколько способов бинаризовать целевую переменную [7].

Отсечение по фиксированному пороговому значению

где – выбранное пороговое значение.

В этом случае пороговое значение — гиперпараметр модели, и подбирать его следует на выборке для валидации.

Взвешенный метод

Другой подход заключается в том, что каждое наблюдение витрины для моделирования дублируется. Для одного из дублированных наблюдений значение CCF принимается равным 1, а для другого — 0. Дополнительно, каждому из дублированных наблюдений присваиваются веса, которые равны CCF и 1 — CCF соответственно.

Вот для примера таблица, которая получается путем подобного преобразования.

Изначально CCF означал долю неиспользованного на текущий момент лимита, которую заемщик израсходует к моменту выхода в дефолт.

Бинаризованный же CCF может принимать только два значения:

По сути, сформулирована классификационная задача, для решения которой можно использовать любой из подходящих алгоритмов машинного обучения. Впрочем, часто останавливаются на логистической регрессии. В случае бинаризации взвешенным методом — на взвешенной логистической регрессии (weighted logit regression). Выбор именно логистической регрессии обусловлен тем, что она интерпретируема и классически широко используется в моделях кредитного моделирования, в первую очередь, моделях PD.

Прогноз модели — вероятность наступления события CCF_binary = 1 — лежит в интервале от 0 до 1. При применении модели его можно интерпретировать как прогнозную оценку оригинальной, вещественной переменной CCF.

Применяя таким образом модель и зная значения баланса и лимита, рассчитывается прогнозное значение EAD по формуле из раздела о CCF:

Заключение и вывод

EAD — несложная, по сравнению с PD и LGD, компонента для моделирования. Как правило, для быстрого построения качественного baseline можно воспользоваться одной из рассмотренных траекторий. Сборка модульная. Отбор признаков и все оттенки ML для финальной модели могут быть подобраны исходя из предложенного нами ранее pipeline.

TL:DR Пример одного из возможных решений:

Авторы статьи: Алиса Пугачёва (alisaalisa), Александр Бородин (abv_gbc)

Источник