Actionable insightsthrough customer analytics and data science

Stephan Curiskis, Lead Data ScientistTyro Payments

Tyro Payments

• Founded in 2003

• Grown to 19,000 customers, $42 billion in transactions, 371 staff

• Granted a banking license in 2015, becoming an Authorised Deposit‐taking Institution (ADI)

Three products

Payments

Deposits

Lending

• Pricing• Transaction forecasting• Fraud• Marketing optimisation

• Fraud• Liquidity forecasting• Marketing optimisation

• Credit risk• Liquidity forecasting• Marketing optimisation

Product insights and new feature development

Three products

Payments

Deposits

Lending

• Pricing• Transaction forecasting• Fraud• Marketing optimisation

• Fraud• Liquidity forecasting• Marketing optimisation

• Credit risk• Liquidity forecasting• Marketing optimisation

Product insights and new feature development

Lending product

Loan AmountLoan 

Amount

Interest RateInterest RateDurationDuration

Lending product

Loan AmountLoan 

Amount

One‐off feeOne‐off feeDuration

Deduct a % of transaction value periodically until the loan is paid  customer specifies % 

Calculate a one‐off fee for a target annual percentage rate

Modelling transaction stability and default risk is critical

Customer Example

Data to model to decision

Transactions

Transaction Forecast

Credit Risk Model

Address

Industry

Business details

Strong seasonality for each customer

Seasonality Modelling

ABS + Census Data

BehaviouralClustering

Decision making based on model outputs

Address not useful on its own

Large data becomes unwieldly

“Data is our strategic asset”

Only when we can extract actionable insights.  Data first needs to be cleaned, structured, enriched, then modelled.

Location data

• Address matched to other sources is powerful.  E.g. Census – Challenge: how to make sense of so much data

• Clustering is useful to find patterns in location for a customer base– Take a large number of variables (Census and internal data)– Find what data points occur together frequently, or are correlated– Assign them to a group– We now have a manageable and rich data set

Seasonality modelling

Requires two years of data for each customer

Behavioural clustering

Seasonality

LocationIndustry

1. Train seasonality models where we can (2 years of data)

2. Cluster customers by seasonality

3. Predict seasonality cluster by Industry and Location groups

4. Infer the trend

We now know the amount to lend

Additional data sources

• How do consumers choose which café to go to for lunch?

Reviews 

Ratings

Popular times

More reviewsratings

Articles and blogs

Social media

Signal and noise

We can get a lot of data this way, but how much is really useful?

• Need to ensure it is reliable• Must be collected over time (can take many months)• Machine learning is key to determine useful variables• Constructing reliable outcomes is critical. E.g.

– Rapid growth– Fraud– Bankruptcy

Summing up

• Majority of work in analytics and data science is in creating useful and predictive data sets

• Data enrichment is key – create long term plans for data assets from many sources

• Machine learning is critical to separate the signal from the noise– Ensure that outcomes of interest are recorded accurately