Всем нам время от времени звонят из разных компаний и желают что-то продать. В большинстве случаев предложения неуместны, а звонки раздаются не вовремя, и поэтому такие обращения часто вызывают негативную реакцию. Низкая эффективность подобных обзвонов известна, но далеко не во всех компаниях готовы решать эту проблему.
В компании «Финам», предоставляющей услуги на фондовом рынке, выстроили рекомендательную систему, которая позволяет предлагать услуги, с большой вероятностью способные заинтересовать клиентов. При этом звонки поступают в удобное для человека время. Как результат, растет конверсия — главный результат работы менеджера по продажам. О реализации этого проекта рассказывает Николай Саратовский, руководитель направления Data Science компании «Финам» и номинант на премию CDO Award 2021 .
— Как зарождался в компании интерес к работе с данными?
У нас всегда накапливалось довольно много информации о клиентах. Когда клиент открывает у нас счет, мы получаем его персональные данные. В ходе работы накапливается много сведений о том, чем человек торговал, как это делал, какие результаты получал. Формируется довольно большой пласт очень интересной информации. Кроме того, накапливается много данных по итогам совершенных менеджерами звонков, о проведенных встречах и т. п. Наконец, имеется статистика о действиях клиентов на сайте.
В таких случаях рано или поздно появляется идея использовать собранную информацию для более эффективной работы с клиентами.
— Но ведь информация неполная. Например, во время звонков и встреч с клиентами фиксируется не весь возможный контент.
Безусловно, фиксируется не все, хотя в этом направлении тоже ведется работа. Менеджер во время общения с клиентом расставляет галочки в определенных полях, обозначая содержание беседы. Кроме того, с этой целью можно выполнять распознавание аудиозаписей, но мы пока еще в самом начале пути.
Перед тем как идти в «дебри», следует решить относительно простые, но более серьезные проблемы. Например, в группе «Финам» существует большое количество разрозненных баз данных. В них находится много важной информации, которую надо добыть, очистить, осмыслить ее содержание.
Поначалу многие отнеслись скептически к идее использовать данные, люди сомневались в том, что история, связанная с Data Science, сможет быть полезной. Чтобы разрушить недоверие, мы запустили пилот по рекомендации клиентам новой услуги, которая появилась два года назад: было непонятно, кому и как ее продавать. Пилотный проект помог ответить именно на эти ключевые вопросы. После первых результатов у руководства появился определенный оптимизм и наш проект начал расширяться.
— С чего и когда вы начали? Что было сделано за это время?
Пилот был начат два года назад — в феврале 2019 года. К маю мы запустили решение и показали его эффективность. Далее все переросло в рекомендательную систему, помогающую менеджерам подбирать удобное время для общения с клиентом и подсказывающую наиболее интересные предложения по продажам. Это полноценный продукт, который уже на протяжении года работает и демонстрирует очень неплохие результаты. Сейчас идет работа еще над тремя продуктами.
— Какова цель реализуемых в компании проектов в области работы с данными?
Сейчас это работы, направленные на внутренние нужды компании. Мы разрабатываем системы, которые повышают эффективность компании, будь то работа менеджеров по продажам, разработка новых продуктов, маркетинговые активности. Заказчиками выступают многие подразделения. В последнее время приоритет отдается задачам, связанным с работой с клиентами: получение инсайтов, выдача рекомендаций, предсказание оттока и общее повышение эффективности работы менеджеров.
— Серьезная работа с данными подразумевает наличие некой стратегии.
У нас начинает формироваться культура работы с данными. В компании существует множество баз данных, с которыми очень сложно работать. Сейчас мы объединяем их в общее хранилище с быстрым и удобным доступом, что позволит подключать различные системы анализа и визуализации данных, а также мониторинга процессов. Речь идет о демократизации данных.
— Как решается вопрос качества данных?
Нам волей-неволей приходится с головой погружаться в работу бизнес-заказчика — например, менеджеров по продажам. Необходимо время, чтобы осмыслить данные, содержащиеся в базах. Во всех подразделениях существует внутренняя терминология, освоив которую, мы можем начинать работу с поступившими данными. Скажем, чтобы делать какие-то прогнозы по продуктам, нам приходится разбираться в работе фондового рынка. Погрузившись во внутреннюю кухню, мы начинаем работать с данными и использовать классические методы их очистки. Если вы знаете, что именно поступает на вход и что требуется получить на выходе, то вам проще обрабатывать данные.
— В чем заключалась наболевшая проблема бизнеса? В чем суть реализованного проекта?
Несложно понять, как происходят продажи в большинстве компаний, — вероятно, все сталкивались с ситуациями подобных звонков. Менеджер звонит клиенту и предлагает ему приобрести какой-либо продукт, не зная заранее, заинтересует ли этот звонок клиента, удобно ли ему разговаривать и нужен ли ему этот продукт. Менеджерам приходится совершать множество звонков, эффективность которых оставляет желать лучшего. Более того, в совсем неудачных случаях звонок не просто окажется «пустым», но и вызовет негатив со стороны лояльного клиента. Именно эту проблему и пытались решить: звонок должен выполняться в удобное время и касаться действительно интересных продуктов, которые человек приобетет с высокой вероятностью.
Кроме того, важно отслеживать историю уже открытых сделок с клиентом для выставления времени их завершения. Если у менеджера открыта кросс-продажа и она тянется уже пару недель, то итогом может стать проигрыш для компании, потому что клиент так и не воспользовался услугой. Чтобы такого не было, система отслеживает и анализирует ряд параметров, а затем сообщает менеджеру о том, что «клиент созрел» и пора позвонить ему, чтобы предложить закрыть сделку. То есть система работает в двух направлениях: рекомендует новую сделку по наиболее подходящему для клиента продукту и предлагает оптимальное время для ее завершения.
— Какие источники данных использовались в ходе проекта? И как в целом определяется, какая информация нужна?
Поначалу действительно непонятно, что важно, а что нет. Разработка всегда начинается с какой-то гипотезы и общего набора данных — это десятки баз с тысячами атрибутов. Понятно, что все их использовать невозможно, да и незачем. Например, если речь идет о конкретной задаче помощи сотрудникам отдела продаж в подборе продукта и оптимального времени звонка, то логично использовать социально-демографические параметры клиента (пол, возраст, местоположение). К ним добавляются все данные об уже совершенных сделках: какие продукты были приобретены, а от чего клиент отказывался. И конечно, важны периоды активности конкретного человека, его привычки: когда он посещает сайт, когда он сам нам звонит, в какое время раньше был готов разговаривать с нашими менеджерами. По анализу действий человека на сайте и истории предыдущих коммуникаций можно с большой уверенностью определить время, удобное для него. Наконец, используются данные по рискам клиента, чтобы понять, насколько он расположен к рискованным действиям и, соответственно, к каким доходностям стремится.
Прежде чем загружать эти данные в алгоритм, мы проводили корреляционный анализ, чтобы выделить значимые и незначимые показатели, а какие-то из них просто объединить. В результате из сотни параметров осталось около 30. Далее проводили обучение алгоритма и тестирование, а затем запускали решение сначала в пилотную, а затем в полноценную эксплуатацию.
— Какие ИТ-платформы применяются и почему именно они?
Конечно, мы использовали инструменты open source. Все данные хранятся в CRM, которая существует в компании уже много лет. Решение разрабатывали на Python, настраивали взаимодействие по Open API между скриптами и CRM. Раз в неделю скрипт запускается, обсчитывает поступившие данные и формирует для менеджеров звонки с предложениями на следующую неделю. После этого система формирует запрос и в качестве ответа получает план звонков.
— В чем заключалась самая большая проблема?
Подготовка данных. Понять, что именно нам нужно, какие данные являются значащими, как их увязывать между собой.
Еще одна большая проблема — скорость вычислений. Мы боролись за то, чтобы расчеты были максимально быстрыми и потенциально система могла делать их не раз в неделю, а ежедневно или даже в реальном времени — в потоковом режиме.
— Какие эффекты удалось получить и за счет чего?
Самое главное — улучшение коммуникаций с клиентами. Конечно, идеальная картина «один звонок — одна продажа» недостижима, но стремиться к ней необходимо. Второе важное направление усилий — корректность предлагаемых клиенту продуктов. Не имеет смысла предлагать то, что клиент точно не купит. Наконец, важно продвигать новые, только что появившиеся продукты, в отношении которых пока неясно, кому и как продавать. Все эти цели в той или иной степени были достигнуты.
Конверсия по открываемым сделкам, когда система рекомендует позвонить конкретному человеку и предложить ему определенный продукт, возросла на 8% по сравнению с обычными показателями обзвонов. Количество же успешных закрытий сделок возросло в 2,5–3 раза. При этом число успешных дозвонов увеличилось на 32%.
— А каких результатов вы ожидали сами?
Мы ожидали более скромных результатов — например, считали, что будет хорошо, если показатели открытия сделок повысятся на 5%. Хорошо, что удалось немного превысить их. По числу закрытых сделок ожидался рост конверсии на 10–20%, но никак не в разы. Рост числа дозвонов предполагался на уровне 10–15%.
Относительно возможностей новых технологий бизнес был настроен скептически и по большому счету считал создаваемое решение чем-то вроде гадания на кофейной гуще. Однако после получения результатов сначала в тестах, а затем и в боевой эксплуатации, было принято решение не только расширить этот эксперимент, но и запустить новые проекты.
— Вас в компанию взяли для выполнения этого проекта?
Создавая первый пилот рекомендательной системы, я был внешним сотрудником — меня пригласили именно для его запуска. После получения результата я был принят в штат и приступил к полноценной реализации проекта. Сейчас у меня есть команда — подразделение data science из четырех человек: два дата-сайентиста, дата-инженер и дата-стюард. Это уже полноценный отдел работы с данными, с которым мы занимаемся другими проектами. Бизнес оценил наши успехи в работе и увидел перспективы в развитии этого направления.
— Приведите несколько ключевых примеров инсайтов, которые «выстрелили».
Любопытные наблюдения касались риск-менеджмента. Все клиенты проходят риск-профилирование — это обязательное требование ЦБ РФ. С этой целью они заполняют специальные анкеты, в которых указывают свои приоритеты.
Оказалось, что данные, заявляемые клиентами при анкетировании, далеко не всегда соответствуют их поведению. Например, человек может говорить о готовности к высоким рискам (например, о возможности «просадки» в 30% и готовности терпеть убытки), однако, оценивая его действия, мы видим, что при проседании счета на 3% он уже закрывает позицию. То есть ни о каком агрессивном профиле речи быть не может. В случае таких клиентов система автоматически перестраивает всю модель дальнейших предложений, отказываясь от инструментов с высокими рисками и защищая их капитал.
Это оказало нам большую услугу. Вряд ли клиенты осознают такую заботу о себе, но их лояльность действительно повышается: людей всегда нервируют предложения, не соответствующие их ожиданиям. И наоборот, они готовы иметь дело с организацией, понимающей их потребности.
— Как вы думаете, чем вызваны заметные расхождения в заявлениях людей и их поведении?
Таких клиентов можно разделить на две группы. Первая — это новички, не понимающие, как устроен фондовый рынок. Как обычно, они хотят всё, сразу и даром. И есть люди, просто неправильно оценивающие свои желания.
Сделав выводы из своих наблюдений, мы стали работать в парадигме того, что все сказанное клиентом следует подвергать сомнению. Предоставленная информация слишком часто оказывается недостоверной, гораздо важнее реальное поведение людей. В результате мы стали иначе подходить к составлению анкет для опросов клиентов — встроили в них защитные механизмы, позволяющие определить, что человек слегка привирает.
— Какие результаты своей деятельности в компании вы сами считаете ключевыми? Что изменилось?
Самое главное — изменился подход к работе с данными. Сейчас к нам не просто начинают прислушиваться, но и приходят с идеями — скажем, «прикрутить» искусственный интеллект к тому или иному процессу. Бизнес-подразделения приходят со своими проблемами, и мы набираем себе портфель проектов.
— Эта популярность пришла сама собой или вы проводили дополнительную просветительскую работу?
Скорее, это итог достигнутых нами результатов. Но надо сказать, что когда мы беседовали с представителями бизнес-подразделений и задавали им вопросы об их работе, то видели в их глазах живой интерес. Обсудив проблемы с большей частью подразделений, мы стали завоевывать их доверие.
— Что дальше? Какими вы видите дальнейшие направления развития своей работы?
Созданная рекомендательная система находится на поддержке. Параллельно идет работа над крупным проектом по искусственному интеллекту с более широким функционалом, который в перспективе может поглотить рекомендательную систему и включить в себя еще несколько разработанных решений. Рассчитываю, что к концу года мы уже сможем говорить об этом публично. В ходе проекта мы получаем очень много интересной информации, которую нам не терпится применить на практике и затем рассказать о своем опыте.
Кроме того, мы прорабатываем возможности использования искусственного интеллекта для построения торговых алгоритмов и всерьез занимаемся предотвращением оттока клиентов. Крайне важно, чтобы клиенты были довольны и оставались с нами.
