Вестник цифровой трансформации

«Сбер»: клиенты – уникальны, потребности – схожи
«Сбер»: клиенты – уникальны, потребности – схожи

Сергей Щукин: «Можно сказать, что результаты превзошли наши ожидания. Мы видим рост конвертации продаж, а это значит, что мы лучше предсказываем потребности клиента, а это для нас – самое главное»


16:36 07.03.2024  |  Николай Смирнов | 1893 просмотров



Команда кластера «Кампании продаж» Сбербанка внедрила в работу модель Look-Alike – подбор предложений продуктов клиентам, исходя из их схожести с клиентами, уже использующими тот или иной продукт. В результате конверсия в продажи в среднем выросла в 1,6 раза, а финансовый эффект за 2023 год составил более 21 млрд руб. О роли этого проекта и подходах к его реализации рассказывает Сергей Щукин, исполнительный директор Сбербанка и номинант на премию Data Award.

— В чем заключалась проблема, которую пытались решить?

Если коротко, то мы решали проблему индивидуализации набора потенциальных продуктов под каждого клиента. В России порядка 7,5 млн юридических лиц и индивидуальных предпринимателей, и каждый из них обладает уникальным набором потребностей. А теперь добавьте к этому все многообразие продуктов и сервисов, которые предлагает группа Сбербанк для своих клиентов. В таких условиях мы поняли, что нам нужно решать эту задачу системно с применением моделей машинного обучения.

— Почему это важно для бизнеса?

Во-первых, и самое главное, выгоду получает сам клиент, так как ему предлагаются те продукты, которые действительно ему нужны и помогают развивать его бизнес, на опыте миллионов предпринимателей страны. Во-вторых, это способствует ускоренному тиражу пилотных продуктов на рынок. Мы стали быстрее понимать фактическую целевую аудиторию и тиражировать продукты на всю страну. В-третьих, это экономит время нашим сотрудникам, так как мы не предлагаем продукты, если понимаем, что они не подходят для конкретного юридического лица или ИП.

— Какой подход выбрали?

В основе подхода лежит систематизация знаний о клиентах, которые уже накоплены Сбером, и поиск схожих черт, кластеризация похожих по определенным признакам клиентов. Такой анализ не под силу даже нескольким десяткам аналитиков, потому нами была разработана модель машинного обучения.

— Какие данные используются?

Прежде всего это, конечно, обезличенные данные о клиентах. Причем не только базовые факты о них – типа отрасли, местонахождения, количества торговых точек и т.д., – но и данные об их поведении, предпочтениях, расчетах с контрагентами, сравнительный анализ использования банковских продуктов разными клиентами.

Акцентирую внимание на том, что при разработке мы не видим идентификаторов конкретного юридического лица или ИП, то есть мы строим наши модели на основе статистических данных. Это вносит небольшие трудности с точки зрения проверки результата в моменте, но зато дает гарантии безопасности данных.

— Что «под капотом»? С помощью какого математического аппарата реализовано решение?

В качестве базового алгоритма выбран бэггинг трех моделей бустинга (LightGBM). Отбор фичей производился методом PermutationImportance. Подбор гиперпараметров модели проводился с помощью библиотеки hyperopt.

— Какой технологический стек использован?

Нами были опробованы разные комбинации применения самых популярных алгоритмов бустинга (Catboost, XGBoost, LightGBM) и AutoML LAMA для сравнения. В целом мы постоянно улучшаем модель и проводим новые эксперименты, в том числе есть идеи по применению GigaChat для анализа транзакционной деятельности.

— Что собой представляет созданное решение, как оно работает?

Модель работает в три этапа. В начале по всем активным клиентам банка собирается более 900 признаков. Затем модель учится находить зависимости между данными о портрете целевого клиента и фактом покупки продукта. Наконец, технология присваивает каждому юридическому лицу и ИП скоринговый балл, который определяет степень склонности клиента к покупке конкретного продукта. По организациям с самыми высокими рейтингами формируется кампания продаж, и наши предложения направляются нашим клиентским менеджерам и клиентам.

Сейчас модель Look-Alike умеет автоматически собирать признаки и присваивать скоринговые баллы по более 100 продуктам банка и экосистемы Сбера. Она расширяет круг поиска клиентов и позволяет работать с аудиторией, похожей на действующую по целевому продукту. Расчет модели обновляется еженедельно.

Запуск решения на платформе Apache Spark 3.1.2 позволил сократить срок расчетов в 8 раз – до 2,5 дней вместо 20 на старте проекта.

— Как решение встроено в процессы банка? Кто является пользователями, как изменилась их жизнь?

В результате работы модели получаются продуктовые предложения для клиентов банка, на основании данных предложений мы запускаем кампании продаж, которые через автоматизированные «Фабрики потенциала» поступают на клиентских менеджеров или через цифровые каналы (электронная почта, СМС, «СберБизнес») – напрямую клиенту. Внутри «Фабрик потенциала» также есть множество моделей машинного обучения, но это другая история, требующая отдельного рассказа.

Таким образом, у решения есть как внутренние пользователи – клиентские менеджеры, которым теперь легче ориентироваться в списке возможных предложений, так и внешние – клиенты, которые получают от банка предложение того, что действительно будет им полезно.

— Каких результатов удалось достичь?

По итогам проведенных A/B-тестов за 2023 год финансовый эффект от внедрения инициативы составил более 21 млрд руб.

Кроме того, отмечен рост качества потенциала в каналах продаж банка. Конверсия в продажи с использованием данных модели Look-Alike, в среднем в 1,6 раза выше, чем в кампаниях на эмпирическом (BI) потенциале.

Заметно расширился охват юридических лиц и ИП потенциальными предложениями. Сейчас кампании продаж с использованием Look-Alike потенциала поставляют в каналы банка 12,6 млн лидов еженедельно, причем 8,7 млн из них – уникальные.

— Как эти результаты соотносятся с ожиданиями?

Можно сказать, что результаты превзошли наши ожидания. Мы видим рост конвертации продаж, а это значит, что мы лучше предсказываем потребности клиента, а это для нас – самое главное. Также мы видим подтвержденный финансовый эффект в рамках A/B-тестирования который прошел проверку независимым подразделением в банке.

Есть неожиданные для нас результаты и в части самого применения модели. В прошлом году к нам обратился руководитель одного из подразделений банка с необычной просьбой: ему требовалась помощь с привлечением клиентов для социально значимого мероприятия, но портрет участника мероприятия они не могли сформировать, так как по опыту прошлого года участие принимал совершенно разный бизнес. Благодаря использованию модели мы смогли оперативно помочь коллегам запустить соответствующие коммуникации.

— Какую роль играет проект для банка?

Проект позволил существенно упростить подбор предложений продуктов клиентам банка – предлагаем то, в чем клиент действительно нуждается. Также он стал значимой частью ИИ-трансформации банка. Он наилучшим образом отражает курс «Сбера» на внедрение ИИ-решений во все возможные сферы банковской деятельности.

— Каковы перспективы развития проекта?

Проект продолжает совершенствоваться. Мы постоянно проводим исследования и эксперименты по добавлению в модель новых фичей (знаний о клиентах), измеряем метрики. Если видим пользу, внедряем фичи в промышленные расчеты.

Теги: Машинное обучение Сбер Data Award

На ту же тему: