Bankovní index - metodika

08. 10. 2010  21:54   |   Ing. Ivan Soukal a Ing. Martina Hedvičáková, Ph.D.   |   komentářů (0)

Výpočty a statistická analýza byly provedeny za pomocí statistického software IBM PASW 18 (dříve jako SPSS) a MS Excel 2007. Výpočet je prováděn kvartálně na výběru z populace získaném za sledovaný kvartál. Základem výpočtu tohoto indexu je identifikace klientských clusterů, chceme-li segmentace trhu na základě frekvence užívání bankovních služeb a volby komunikačního kanálu. Výpočtu předchází verifikačně validační část, aby nedošlo ke zkreslení výsledku např. respondenty, kteří by správně neměli užívat retailové produkty (OSVČ, drobní podnikatelé s frekvencemi užití bankovních služeb, kterých klient na občanském účtu prakticky nemůže nikdy dosáhnout) nebo respondenty, kteří formulář pouze tzv. proklikali bez vyplnění klíčových služeb. Součástí také bylo nahrazení prázdné odpovědi pro neklíčové proměnné nulou.

Klientské profily byly vypočítány na vzorku přibližně 8 000 respondentů, jejichž odpovědi prošli verifikačně validační částí, aby nebyly výsledky vychýleny, a aby mohli být respondenti zpracováni metodou listwise. Celkový počet respondentů před verifikačně validační fází přesahoval 11 000. Hodnoty proměnných (služeb) viz Tabulka 1: měsíční aktivita jednotlivých profilů ve sledovaných bankovních službách, která je k nalezení v pozdější části dokumentu. V tabulce není zmíněn obrat a průměrný měsíční zůstatek. Ty byly převzaty z dřívějšího mimořádného reportu (20 000 a 10 000,- Kč) spolu s výběrem měsíčního elektronického výpisu a vlastnictví debetní embosované karty.

Druhá fáze se zaměřila na střední hodnoty a relativní četnosti zodpovězení sledovaných otázek. Spolu s výsledky předchozí části byly vyřazeny proměnné (služby), o které jevil respondent minimální zájem nebo, které byly užívány extrémně málo (šetření je podobné dokumentu Mimořádný report Kalkulátoru bankovních poplatků, který byl uveřejněn během léta 2010). Závěrem této fáze bylo provedeno normování pomocí funkce z-scoring.

Třetí fáze zkoumala vztahy mezi proměnnými, tedy riziko multikolinearity, a otázka užití metody hlavních komponent. Multikolinearita nebyla potvrzena a matice korelačních koeficientů obsahovala v drtivé hodnoty z intervalu (-0,15;0,15). Pouze u některé dvojice služeb vykázali vyšší hodnotu, která byla ovšem stále v bezpečném pásmu. Scree plot graf i tabulka kumulativního rozptylu vysvětleného komponentami vykázaly, že počet rozměrů vícerozměrného prostoru není znatelně nižší, než je počet vybraných proměnných.

Čtvrtá fáze byla hlavní analytickou fází. Vzhledem k počtu shlukovaných prvků se užilo nehierarchického shlukování pomocí shlukovacího algoritmu K-means. Pro shlukování se užilo:

·               pouze prvků vyhovujících metodě listwise (u žádné ze zkoumaných proměnných nebyla přítomna chybějící hodnota),

·               horní hranice iterací 50 (v žádné variantě shlukování nebyla dosažena),

·               21 intervalových proměnných a jedné ordinální jako popisné proměnné jednotlivých prvků, resp. respondentů.

Pro určení optimálního počtu shluků posloužila studie firmy Capgemini World Retail Banking Report a výsledky výpočtu globálního pravidla G5. Výsledné frekvence užití bankovních služeb jednotlivými profily jsou tedy de-z-scorované centroidy vypočtených clusterů, konkrétně vektory složené z průměrných hodnot jednotlivých proměnných ve shlucích, které byly přepočteny na původní metriku (de-z-scoring).

 

Tabulka 1: měsíční aktivita jednotlivých profilů ve sledovaných bankovních službách

Služba/klientský profil Aktivní Pobočkový Průměrný internetový Pasivní internetový
Výběr z ATM vlastní banky ČR 3,12 2,53 2,81 2,14
Výběr z ATM cizí banky ČR 1,02 ,37 ,77 ,41
Výběr z ATM vlastní banky v zahraničí ,40 N N N
Výběr z ATM cizí banky v zahraničí ,41 N N N
Příchozí platba z cizí banky 3,10 1,74 2,15 1,40
Příchozí platba z vlastní banky 2,27 ,85 ,72 ,66
JPÚ do vlastní banky pobočka ,11 1,11 N N
JPÚ do vlastní banky Internet 3,65 ,54 1,53 ,80
JPÚ do cizí banky pobočka ,07 1,73 N N
JPÚ do cizí banky Internet 4,37 ,68 4,00 1,28
TPÚ do vlastní banky pobočka ,03 1,59 N N
TPÚ do vlastní banky Internet 2,51 ,21 ,79 ,31
TPÚ do cizí banky pobočka ,05 2,66 N N
TPÚ do cizí banky Internet 3,05 ,26 3,03 ,57
Inkaso do vlastní banky pobočka ,03 ,77 N N
Inkaso do vlastní banky Internet 1,26 N ,23 ,10
Inkaso do cizí banky pobočka ,03 1,18 N N
Inkaso do cizí banky Internet 1,59 N 1,14 ,21
Vklad hotovost pobočka ,60 ,46 N N
Výběr hotovost pobočka ,33 ,52 N N
Cash back ,34 N N N

N: služba není poptávána nebo je její měsíční frekvence užití velmi nízká

JPÚ: jednorázová platební úhrada TPÚ: trvalá platební úhrada ATM: bankomat  

V následující části jsou jednotlivé profily stručně charakterizovány a též je uveden jejich procentuální podíl na celku.

1.      Aktivní klient, 16,3% – cluster 1 je skupinou aktivnějších klientů, kde je oproti průměrnému klientovi četnost příchozích plateb 2krát vyšší, stejně tak u JPÚ do vlastní banky, výběru hotovosti z ATM cizí banky a vkladu, či výběru hotovosti. V užívání TPÚ do vlastní banky je 3krát aktivnější. V ostatních službách je profil blízko průměrnému klientovi ovšem na rozdíl od něj zřídka, ale přesto užívá též pobočkových služeb. Přesto znatelnou preferenci komunikačního kanálu e-banking nelze přehlédnout. Tento klient je také jediný profil užívající ATM v zahraničí. Toto užití je ale málo časté, hodnotu 0,4 lze interpretovat tak, že v průměru provede pouze 3 výběry ročně, nebo že z 10ti klientů pouze 4 tuto službu jednou měsíčně využijí.

2.      Průměrný klient s pobočkovou preferencí, 8,3% – cluster 2 je menší cluster klientů se silnou pobočkovou preferencí. Ohledně počtu peněžních transferů, příchozích plateb se četnostmi měsíčního užití velmi přibližují průměrnému klientovi, ale jejich realizace téměř vždy probíhá na pobočce. Rozdílem oproti průměrnému klientovi je také 5krát vyšší četnosti výběrů a vkladů hotovosti na pobočce (ta je u průměrného klienta prakticky zanedbatelná). I přes pobočkovou preferenci mají někteří z těchto klientů aktivní e-banking a v průměru jednou za dva měsíce ho využijí.

3.      Průměrný klient, 39,3% – cluster 3 je skupinou většinové populace s e-banking. S ostatními clustery, kromě posledního, má společné především frekvence výběrů z ATM (přibližně 3krát z vlastní banky a 1krát z cizí). Dále je pro něj charakteristická preference užívání elektronického bankovnictví jak v JPÚ, tak v TPÚ a inkasu. Pobočkové služby pro peněžní transfery prakticky neužívá vůbec. Pokud využije služeb na pobočce, jedná se o výběr, či vklad v hotovosti a to maximálně jednou ročně, což tyto služby řadí mezi zanedbatelné a tudíž nejsou ve výsledku započítávány.

4.      Pasivní klient, 35,9% – poslední cluster obsahuje klienty s nízkými četnostmi měsíčního užívání všech sledovaných služeb. Nejlépe je toto vidět na peněžních transferech a příchozích platbách, kde za měsíc obdrží pouze 2 platby a provede pouze 2 JPÚ a jeden TPÚ. Všechny transferové služby provede přes Internet. Ohledně hotovostních operací má také o třetinu nižší měsíční četnost výběrů z ATM vlastní banky, resp. o polovinu nižší při výběru z ATM banky cizí. Tento klient by se dal nazvat jako nízkonákladový e-banking klient.

      Ing. Ivan Soukal

Ing. Martina Hedvičáková, Ph.D.


Přidej odkaz na Bookmarky.cz


Nahoru Vytisknout

Hodnocení článku
Průměrná známka 2.99274 / Celkový počet hodnoceni 1240
Hodnoťte známkou jako ve škole: 1 2 3 4 5


Zajímavosti
Nejčtenější zajímavosti