Вестник цифровой трансформации

Банк «Открытие»: сервис «Советник» для клиентов и менеджеров
Банк «Открытие»: сервис «Советник» для клиентов и менеджеров

Антон Козлов: «Сервис 'Советник' достаточно сильно поменял подход банка к работе с клиентами МСБ. С помощью данных удалось создать стратегию, когда выигрывают все – и бизнес, и клиенты. Эти результаты – хороший повод для гордости».


10:15 21.02.2023  |  Николай Смирнов | 3477 просмотров



Антон Козлов, вице-президент, директор департамента CRM МСБ банка «Открытие», – о создании сервиса «Советник», построенного на технологиях машинного обучения и позволившего оптимизировать работу с клиентами из малого и среднего бизнеса.

В банке «Открытие» запущен сервис «Советник», который позволил оптимизировать работу с клиентами из малого и среднего бизнеса и показал серьезные результаты, в том числе рост среднего комиссионного дохода, сокращение оттока, рост лояльности и т.п. Решение построено на нескольких технологиях машинного обучения и направлено как на самих клиентов, так и на сотрудников банка. О реализации этого проекта, его роли в бизнесе и достигнутых бизнес-эффектах рассказал Антон Козлов, вице-президент, директор департамента CRM МСБ банка «Открытие» и номинант на премию Data Award.

- Какова история проекта «Советник»? Что было раньше, какими инструментами поддерживалась работа банка с клиентами из малого и среднего бизнеса?

Этот проект развивается нашей командой уже около пяти лет. Раньше мы, как, наверное, большинство на этом рынке, для работы с клиентами МСБ использовали CRM-кампании в различных каналах, основанные на отдельных моделях (склонности к продукту, прогнозов оттока и т.д.).

- В чем заключались проблемы, почему потребовалось создание этого решения?

Проблемы были достаточно стандартные для бизнеса. Всем важно найти дополнительные источники увеличения доходности клиента и самой клиентской базы, повысить лояльность клиента, снизить нагрузку на линию поддержки и многие другое. При этом в решении таких проблем есть объективные ограничения: коммуникационная политика, то есть частота контактов с клиентами, доступные ресурсы, бюджеты. В какой-то момент стало понятно, что несколько различных целей можно достичь одним способом, объединяющим в себе отдельные решения. Тесты, проведенные еще в начале разработки, полностью подтвердили правильность этого подхода.

- В чем инновационность разработанного решения?

Во-первых, нам потребовался новый подход к решению бизнес-задач и работе банка с клиентами за счет объединения в одно целое различных инструментов Big Data, которые усиливают друг друга за счет согласованной работы. Благодаря модульной структуре можно быстро получать ощутимые эффекты даже в минимальной конфигурации, делать акцент на решении тех бизнес-задач, которые актуальны именно на текущий момент, постепенно развивать структуру сервиса, наращивая его возможности. Наконец, можно отметить разнообразие данных, которые получается успешно монетизировать в рамках созданного сервиса.

- На каких технологиях построено решение?

Основной блок решения – внутреннее ядро, которое обрабатывает данные. Оно использует такие технологии машинного обучения, как градиентный бустинг (Light Gradient Boosting, LGB), сети долгой краткосрочной памяти (Long short-term memory, LSTM), алгоритм «k ближайших соседей» (k Nearest Neighbor, KNN), обработка естественного языка (Natural Language Processing, NLP), а также обучение с подкреплением (Reinforcement Learning). Все реализовано на Python.

- Какими силами и в какие сроки реализовывался проект?

Состав и численность команды за 5 лет развития проекта менялись, и это не только специалисты по работе с данными. Достигнутый результат был бы невозможен без разработчиков, UX/UI-дизайнеров, тестировщиков, специалистов CRM. Ядро команды было достаточно компактным – около 10 человек.

- Что было самым сложным?

Самым сложным было сделать так, чтобы все наработки выстроились в одну логичную концепцию, которая была бы востребована бизнесом и клиентами. Были также трудности с качеством некоторых новых на этом рынке моделей. Например, первая попытка сделать модель, оценивающую лояльность конкретного клиента через прогноз NPS (Net Promoter Score — «индекс потребительской лояльности»), была неудачной. Однако через три года, после появления хорошей модели оттока и дополнительных данных, все получилось. Сложным было также выстраивание архитектуры данных, взаимодействия между всеми системами, включая сервера интернет-банка, баз данных и приложений. Готовых решений, четких технических заданий не было, поэтому, конечно, возникали трудности и ошибки, но целевая концепция была понятна, мы постепенно двигались вперед и со временем нашли все необходимые решения.

- Что собой представляет созданное решение?

Основная идея была достаточно простая: при работе с клиентами МСБ отказаться от отдельных CRM-кампаний на основе моделей и триггеров. Хотели перейти на формирование комплексных рекомендаций, советов, подсказок для конкретного клиента или менеджера с использованием data-driven подхода, учетом максимального количества факторов и взаимосвязей. Постепенно мы пришли к непростому, но надежно работающему механизму сбора и обработки данных, имеющему несколько интерфейсов. В итоге получился сервис, который может подсказать наилучшее решение клиенту или менеджеру по очень широкому кругу вопросов, предупредить или обратить внимание на какие-то риски.

Если описывать устройство сервиса «Советник» упрощенно, то это четыре связанных блока: внутреннее ядро, которое обрабатывает данные, блок рекомендаций для клиента в интернет- и мобильном банке, блок рекомендаций для менеджера (сотрудника банка) в операционном CRM, и блок Reinforcement Learning, работающий на улучшение формы рекомендаций. Блоки состоят из отдельных модулей, каждый из которых отвечает за определенную функцию в работе с данными, например, прогнозирование снижения активности клиента, или прогноз возникновения кассового разрыва в бизнесе клиента. В итоге у нас нет отдельных CRM-кампаний, связанных, например, с продажами или удержанием клиентов, но при этом бизнес-показатели улучшились. Чтобы лучше понять, что такое сервис «Советник», очень рекомендую посмотреть трехминутное видео, где наглядно показаны основные функции.

- На кого в большей степени рассчитано решение: на внутренних пользователей или клиентов? Чья работа с ним даст наибольший эффект?

Сервис «Советник» рассчитан на разных пользователей. В интернет-банке он используется только клиентами, и в основном это микробизнес или низкий по выручке сегмент малого бизнеса. В операционном CRM решение работает только для внутренних пользователей, и в основном при работе с клиентами среднего бизнеса или высоким сегментом малого бизнеса. Так как одна и та же информация полезная для одних пользователей, бесполезна или избыточна для других, есть отличия в наборе предоставляемой информации. Скажем, клиент в интернет-банке не видит некоторые элементы, которые видит менеджер в операционном CRM – например, оценку лояльности по отношению к банку или потенциал по доходу. И, наоборот, менеджер не видит часть того, что видит клиент – например, события, происходящие у контрагентов клиента. Поэтому сложно однозначно сказать, что дает наибольший эффект. Но если говорить об отдельных метриках эффективности, то, возможно, на количество клиентов или обращений в поддержку больше влияет «Советник» для клиента в интернет-банке. А если говорить о влиянии на доходность, то скорее всего это будет «Советник» в операционном CRM для менеджера.

- В чем состоят «фишки» решения? Чем вы больше всего гордитесь?

Сервис «Советник» достаточно сильно поменял подход банка к работе с клиентами МСБ. С помощью данных удалось создать стратегию win-win, когда выигрывают все – и бизнес, и клиенты. Эти результаты – хороший повод для гордости.

Но если говорить о чем-то совсем конкретном, то на мой взгляд, одна из важнейших «фишек», где результаты превзошли ожидания – блок Reinforcement Learning, который запустили в ноябре 2022 года. Даже если не развивать остальные направления, он один может обеспечить почти непрерывный прирост дохода. В реальных условиях, почти сразу после запуска, мы увидели увеличение конверсии предложений продукта на 15% только за счет использования RL-блока. Это достаточно много, учитывая, что это отсчет от «высокой базы», так как конверсию уже максимально подняли другими средствами так, что дальше каждый процент повышения дается с большим трудом. И самым хорошим оказалось то, что это было только начало роста эффективности, который продолжился по мере работы агента в RL-модели, с потенциалом увеличения минимум до 25%.

В этом блоке работают два модуля. Первый с помощью технологий RL стремится достичь максимальной конверсии, балансируя лиды между разными коммуникациями. Второй с помощью технологий NLP, подсказывает, что именно нужно изменить в коммуникациях, чтобы увеличить конверсию. Таким образом, получается замкнутый цикл с постоянным улучшением.

- Каковы бизнес-результаты?

Могу поделиться основными бизнес-результатами по результатам А/В-тестирования. Замеры делались несколько раз в разное время. Отмечен рост 10-12% среднего комиссионного дохода от клиентов, сокращение оттока активных клиентов на 38-43%, снижение количества обращений клиентов в поддержку на 15-20%. При этом рост лояльности составил 8-10%.

- Пытались ли оценивать экономический эффект? Какие деньги приносит (и способен принести) сервис?

На всю клиентскую базу сервис «Советник» масштабировали сравнительно недавно – в декабре 2022 года, а до этого сервис был доступен только для части наших клиентов. Сейчас наблюдаем быстрое увеличение количества как новых, так и постоянных пользователей сервиса. Пока рост проникновения кратно опережает рост клиентской базы. После стабилизации проникновения в клиентскую базу будет возможно точно оценить экономический эффект. Предварительная оценка на основе имеющихся данных – дополнительный доход около 6,5-7 млн руб. в год на каждую тысячу пользователей сервиса.

- Какую роль играет реализация проекта в бизнесе компании? Какие возможности он открывает?

На данный момент сервис существует как готовый функционирующий продукт, встроенный в наши бизнес-процессы. Кроме основных бизнес-эффектов, которые я привел раньше, использование сервиса дает нам дополнительные бонусы. Это сокращение потребности в штате специалистов CRM, снижение критической зависимости от производителей импортного ПО (в нашем случае SAS), повышение эффективности работы клиентских менеджеров. Кроме того, удалось уменьшить стоимость привлечения и обслуживания, снизить информационную нагрузку на клиента и сформировать относительно небольшой, но стабильный источник привлечения новых (и, что важно, качественных!) клиентов.

- В каком направлении будет развиваться проект?

Конечно, мы планируем расширение функционала. Еще несколько модулей могут быть встроены в сервис уже в этом году. Кроме того, ожидаются некоторые улучшения с помощью доработок систем по результатам полученного опыта промышленной эксплуатации.

Планируется также дальнейшее развитие блока Reinforcement Learning, как количественное – добавление новых продуктов, так и качественное – развитие модуля NLP. Пока все это будет касаться только клиентов из малого и среднего бизнеса, потому что именно он является зоной ответственности нашей команды. Однако если говорить о перспективах развития вообще, то область применения такого data-driven подхода, конечно, не ограничивается только взаимодействием банка и клиентов МСБ. Буду рад, если наш пример побудит на создание аналогов в других организациях и сферах деятельности или, как минимум, позволит по-новому взглянуть на работу с данными.

Теги: Машинное обучение Цифровая трансформация Data Award

На ту же тему: