Сбер

При построении коммуникаций с клиентом бывает важно учитывать не только историю операций и взаимодействий с ним, но и другие индивидуальные особенности. В «Сбере» реализовали сквозную аналитику для формирования персонализированных коммуникаций, включив в нее сегментацию по психометрии клиентов. О реализации проекта рассказывает Ирина Фадеева, управляющий директор отдела развития и продаж продуктов глобальных рынков розничным клиентам «Сбера» и номинант на Data Award.

- Как возникла идея связать психотипирование клиента с персональными коммуникациями?

Мы понимаем, что ускорение развития технологий и переход бизнеса в цифровое пространство сильно перегружает человека, заставляет его сильно фильтровать входящий поток информации, развивает «слепоту» к несвоевременной, сложной, непонятной информации.

Еще в 2020 году в Accenture констатировали, что 75% потребителей с большей вероятностью будут покупать у того, кто узнает клиента по имени, рекомендует варианты, основанные на прошлых предпочтениях, знает историю покупок. Но в мире информации мало быть своевременным и ненавязчивым.

Особенности способов коммуникации, восприятия, взаимодействия, принятия решений, стимулирующие факторы для каждого из нас разные. На основании этого логичным подходом является обогащение имеющихся знаний о клиентах данными о его склонностях к потреблению контента в определенном виде. Имея такие знания, возможно адаптировать креативы – например, картинки и тексты – под особенности каждого психотипа.

В Центре исследования данных и персонализации Лаборатории нейронаук и поведения человека в «Сбере» уже была такая разметка, поэтому мы обогатили продуктовые данные новыми знаниями для получения более глубокого анализа цифрового профиля клиента в наших продуктах.

- В чем особенность решаемой задачи?

Мы исследуем особенности восприятия коммуникаций отдельных групп клиентов на основании данных по полу, поколению, психометрии, доходу, поведению в продукте с целью улучшения клиентского опыта, снижения рекламной нагрузки и персонализации продуктового

- Почему это важно для бизнеса «Сбера»?

Текущая стратегия банка предполагает человекоцентричный подход к развитию отношений с клиентом, а персонализированные коммуникации – одна из составляющих такого подхода. Чем больше инструментов применяется для выявления истинных предпочтений клиентов, тем лучше мы будем слышать и понимать клиентов, тем прочнее будут отношения между нами.

- Какие цели были поставлены перед проектом, какие принципы пытались соблюсти?

В первую очередь, мы рассчитывали на увеличение показателей конверсии коммуникаций и рост удовлетворенности клиентов, а также рост финансовых показателей – дохода и оборота. Из принципов выделить можно несколько: простота восприятия, понятность информации, своевременность подачи информации.

- Какие данные используются?

Для сбора статистики по эффективности коммуникаций используются витрины коммуникаций, витрины нейролаборатории «Сбера», витрины по операциям с металлами и валютами, а также витрина с набором банковских параметров клиента.

- Какой математический аппарат применяется?

Каждая кампания запускается в формате A/B-теста, для подведения итогов которого используется расчет t-статистики Стьюдента для случая биномиального распределения. При уровне значимости 95% принимаются решения о результатах проводимых пилотов.

- Как вообще банк может определить психотип клиента?

Команда банка на основе данных ряда психометрических тестов и разработанных эвристик построила серию ML-моделей, которыми разметила активную базу клиентов «Сбера».

- Какими силами реализовывался проект?

Созданный инструментарий – это результат слаженной работы нескольких команд. Над проектом работал отдел развития продаж продуктов глобальных рынков – команда Digital Sales & Communications, команда аналитики Retail FX/PM и Лаборатория нейронаук и поведения человека.

- Что представляет собой созданное решение, кто его основные пользователи?

Для визуализации результатов запусков коммуникаций был построен дашборд в Qlik Sense. Он представляет собой набор различных графических визуализаций. Для фильтрации результатов есть возможность выбрать тип коммуникации – пуш, смс, баннер и т.д., – пол, поколение клиента. Для каждой отдельной кампании или набора кампаний можно получить круговую диаграмму распределения доходов от кампании по психотипам, горизонтальную гистограмму распределения доходов по поколениям в разрезе полов, вертикальную гистограмму распределения эффектов от кампании по клиентам в разрезе уровня доходов клиентов, вертикальную гистограмму распределения эффектов от кампании по клиентам в разрезе уровня объемов пассивных средств у клиентов.

Этот дашборд позволяет следить за эффективностью направляемых на клиентов коммуникаций и отслеживать, на каких именно клиентов лучше влияет та или иная кампания.

- Пытались ли оценить эффекты в финансовом выражении?

Персонализированные коммуникации по сегментам, психотипам клиентов суммарно позволили нам значимо увеличить средний отклик клиентов в активных коммуникациях на 15%. В пассивных коммуникациях удалось вырастить коэффициент конверсии на 20%.

- В каком направлении будет развиваться проект?

Сейчас мы интегрируем аналитику в процессы написания текстов и разработку имиджей, а также переложили полученные знания о клиентах в построение персонализированных маркетинговых кампаний.

Эксперты «СберАналитики» создали аналитическое решение для комплексной оценки внутреннего туризма в России. Панель «Туризм» – информационно-аналитическая панель для анализа ключевых индикаторов состояния туристической отрасли в регионах России. Это первый на рынке продукт, разработанный специально под нужды государственных и региональных властей. Он позволяет выявлять целевые туристические аудитории и потребительские предпочтения, оценивать эффективность мер по развитию туризма, выявлять точки роста для развития инфраструктуры, оптимизировать стратегию развития туристической отрасли, получать обратную связь от туристов на основе онлайн-опросов и др. О развитии панели «Туризм» и ее роли в развитии региональных инициатив в сфере гостеприимства рассказывает Денис Козицкий, директор по развитию ИТ и инновациям ООО «ТОТ» (бренд «СберАналитика») и номинант на премию Data Award.

- Что происходит в туристической отрасли, какие вызовы перед ней стоят?

По нашему исследованию туристический поток в 2023 году увеличился на 28,6%. Всего было совершено 153 млн туристических поездок, где туристы потратили 1,8 трлн руб. И эти показатели будут увеличиваться в ближайшие несколько лет.

В ситуации кратного роста интереса к внутреннему туризму перед регионами России стоит задача повышения конкурентоспособности туристических продуктов. Критически важным оказывается правильная настройка стратегии развития с опорой на потребности реальных гостей регионов. Но как понять, кто и когда приезжает? Какие локации наиболее популярны? На что тратит деньги турист? На все эти вопросы можно ответить с помощью больших данных.

Важно понимать, что развитие внутреннего туризма – одна из приоритетных национальных целей нашей страны. По оценкам президиума Госсовета РФ, каждый рубль, вложенный в туристическую индустрию, дает 2-3 руб. в смежных отраслях. И бороться есть за что – сфера туризма составляет 3% ВВП России по данным Росстата.

- Два года назад «СберАналитика» участвовала в Data Award 2022. Какие события в жизни компании вы можете выделить за прошедшее время?

За два года мы существенно расширились по многим направлениям: появились новые продукты и компетенции команды, появилось много новых партнеров. Хотелось бы отметить несколько основных направлений преобразований.

За последние годы мы расширили наш инструментарий работы с данными. Например, сейчас развиваем новое направление по количественным и качественным исследованиям, что позволяет нам дополнить большие данные некоторой эмоциональной составляющей – это особенно важно при исследовании туризма. Для нас важно, чтобы наши клиенты максимально эффективно использовали данные, поэтому мы стали предлагать нашим клиентам консалтинг на больших данных. Этот список можно продолжать и далее.

Активно развиваем наши партнерства с вузами (РЭУ им. Плеханова, СПбГУ, ВШЭ) в части обучения и развития специалистов в сфере больших данных. Считаем очень важным развивать образовательное направление и вкладываться в работу с молодыми специалистами. Так, для студентов был проведен курс по большим данным, а также ключевые работники «СберАналитики» стали наставниками студентов в части подготовки курсовых и выпускных работ. Ждем ребят к себе на работу в будущем.

Мы постоянно думаем над тем, как улучшить и обогатить наши данные, поэтому ищем партнерства с ключевыми поставщиками других видов больших данных на рынке. Для развития продуктов по чековой аналитике были налажены партнерства с крупными владельцами чековых данных, например, с «Первым ОФД» и Х5 Group. Данные поступают регулярно, и мы получаем более точную и достоверную аналитику для клиентов.

Также мы усиливаем внутренние требования к кибербезопасности и безопасности данных. Инфраструктуру и данные необходимо защищать, поэтому в «СберАналитике» внедряются новые решения кибербезопасности. Также прорабатываются внутренние процессы, благодаря которым мы можем соответствовать современным требованиям безопасности данных.

Наша команда активно занимается регистрацией интеллектуальной собственности, все новые продукты и решения «СберАналитики» включаются в Реестр российского ПО Минцифры и в Реестр программ для ЭВМ. Всего за 2022-2023 годы были включены в реестр 14 программ для ЭВМ и 13 в Реестр российского ПО. В настоящий момент новые разработки в рамках продуктов проходят процедуру патентования.

Наконец, отдельно отмечу работу с государственным сектором, в рамках которого мы разрабатываем и продукт «Туризм». Считаем очень важным способствовать цифровизации государственного сектора и повышению качества данных для мониторинга развития регионов нашей страны.

- В чем фишка предлагаемого решения?

«Сбер» располагает информацией о тратах более 108 млн россиян и 6 млн юридических лиц. Доля покрытия безналичных расчетов превышает 70%, что повышает полноту выборки и ее репрезентативность. Точность расчетов показателей обеспечивают собственные запатентованные алгоритмы обработки данных. На данный момент «СберАналитика» получила семь патентов, среди них алгоритмы для определения объема торговли в точках продаж, технологии способа обработки данных и подготовки структур данных для просмотра и визуализации, алгоритмы по определению плотности туристического потока. Таким образом, большие данные значительно обогащают существующие в туристической отрасли статистические источники, повышают точность, наглядность и скорость получения таких данных.

Подчеркну, что наши исследования проводятся на основе обезличенных и агрегированных данных о финансовом поведении клиентов банка. Персональная информация и любая информация, составляющая коммерческую тайну, не раскрывается. Помимо собственных данных, для анализа туристического потенциала мы привлекаем информацию из внешних источников, тем самым предоставляя сведения, закрывающие все потребности клиентов. Мониторинг всей туристической отрасли становится доступным региональным властям уже в течение недели после подписания договора.

- Какие технологические новшества появились в ваших решениях?

Среди важных изменений можно выделить несколько. Во-первых, автоматизирован расчет базисных и продуктовых витрин данных с учетом продуктовых требований (еженедельно и ежемесячно), витрины круглосуточно доступны аналитикам для работы. Во-вторых, базовые и продуктовые витрины рассчитываются автоматически с помощью планировщика задач на AirFlow, что позволяет освободить ресурс аналитиков от выполнения рутинных задач по обновлению витрин данных. Кроме того, внедрена система проверок полноты и точности данных как технических полей, так и бизнес-показателей, что дает заказчику максимально точную информацию.

Наконец, отмечу внедрение ИИ-функций и алгоритмов. Для панели с целью прогнозирования туристического потока стала использоваться модель SARIMA, которая объединяет четыре компоненты: авторегрессию (AR), позволяющую учесть влияние прошлых значений турпотока на будущие, интеграцию (I), позволяющую учесть стационарность временного ряда и скользящее среднее (MA), которое учитывает шум и случайные колебания в данных путем усреднения предыдущих ошибок прогнозов. Также она учитывает сезонные колебания (S) в данных, что является определяющей характеристикой туристических поездок.

Применение ИИ-модели позволяет с высокой точностью спрогнозировать основные характеристики туристической индустрии на несколько сезонов вперед. А возможность предсказания бюджетных эффектов от развития отрасли делает продукт уникальным на фоне конкурентов.

- И что получается в итоге?

Заказчик получает аналитику в максимально удобном формате – в режиме реального времени на информационной панели ему доступны более 50 показателей туристической отрасли региона в помесячной динамике с ретроспективой данных с 2019 года. Среди индикаторов – объем туристического и экскурсионного потока, география туристов, продолжительность поездки, лояльные категории туристов, социально-демографический обезличенный и финансовый обезличенный профиль туриста, поведение и потребительские предпочтения, оборот туристической отрасли и точки притяжения (где больше всего тратят). Каждый показатель можно рассматривать в разрезах по полу, возрасту или доходу, что дает возможность для региональных органов власти и бизнеса таргетировать и адаптировать свой продукт под портрет туриста и его потребительские привычки.

- Какие данные используются?

Для получения наиболее актуальных выводов оценка туристического потока проводится в несколько этапов. На первом этапе собираются данные из различных источников. На втором этапе среди населения выделяются туристы, на основе таких критериев, как активность, домашний регион или поездка. Затем формируются профили туристов: социально-демографические и финансовые данные. На четвертом этапе выделяется до 50 категорий обезличенных и агрегированных трат туристов. На последнем этапе проводится экспертная дооценка.

- Два года назад вы говорили о 19 регионах России, пользующихся вашими сервисами. Как изменилась эта цифра?

К панелям «Туризм» и «Мониторинг экономики региона» на сегодняшний день присоединились уже 44 региона. Каждый год мы развиваем партнерства с новыми регионами и городами нашей страны.

- Какие факторы сдерживают их интерес? И вообще, насколько готова туристическая отрасль быть data-driven?

Потенциал рынка больших данных для туристической отрасли сейчас огромен. Во-первых, национальный проект «Туризм и индустрия гостеприимства» и существенные бюджетные инвестиции в туристическую инфраструктуру создают новые запросы на качество данных о развитии туристической отрасли в регионах России. Во-вторых, растет конкуренция на рынке больших данных для туризма. Разнообразные продукты в сфере больших данных для туристической отрасли предлагают сотовые операторы и онлайн-сервисы бронирования: конкуренция позволяет рынку в целом расти и лучше адаптироваться под нужды заказчика. Наконец, мы видим, что у регионов постоянно возникают запросы на новые метрики, что говорит о зрелости нашего заказчика по отношению к data-driven решениям. Например, возникают уникальные запросы на расчет гастротуризма или туристических маршрутов. В ответ на эти запросы мы оперативно дорабатываем свои продукты и дополняем их новыми модулями.

Если говорить про факторы, которые ограничивают интерес регионов к использованию наших сервисов, выделю необходимость сопоставления методологий получения данных из различных источников, в том числе из официальных. Этот вопрос уже не раз подсвечивался на разных публичных площадках, и в настоящий момент мы совместно с Советом Федерации, Минэкономразвития и Росстатом ищем возможности интеграции официальных источников с большими данными для уточнения индикаторов, которые используются в отчетах.

- Приведите примеры конкретных результатов использования туристической аналитики регионами.

Новгородская область десятилетиями привлекала туристов, но именно благодаря нашей аналитике удалось определить, что область уже перестала быть местом исключительно для однодневных экскурсионных поездок. Для дальнейшего развития и увеличения финансового потока региона требуются новые места размещения и досуга, которые откроют дополнительные возможности для бизнеса.

Подключение к панели «Туризм» в Ставрополье позволило выяснить точное количество гостей региона в разное время года. По итогам работ был утвержден перечень мероприятий отраслевой стратегии по комплексному инфраструктурному развитию городов-курортов региона Кавказские Минеральные Воды.

Наш продукт также получил высокую оценку у губернатора Смоленской области. Алексей Островский отметил, что для улучшения инвестиционного климата нужно понимать, какие инструменты актуальны и важны для предпринимателей. Данные «СберАналитики» как раз помогли увидеть зоны, которые важно проработать для увеличения инвестиционной привлекательности региона.

По нашим отчетам бизнес Нижнего Новгорода получил понимание, где и для кого создавать объекты для максимизации прибыли.

- Регионы не могут добыть подобные инсайты самостоятельно из других источников?

Ключевая проблема для оценки туристического потока на уровне муниципального образования – это отсутствие утвержденной на федеральном уровне методологии. При этом именно города – основные точки интереса туристов, в них сконцентрированы знаковые туристические аттракторы и инфраструктура. Так, к нам обратился комитет по развитию туризма города Казань с просьбой оценить портрет целевой аудитории и географию туристов. Благодаря аналитике получилось узнать долю туристического и экскурсионного потока, а также выявить основные регионы-потребители туристического продукта города. Сформированный портрет туриста стал основой для составления программы событийных мероприятий на 2024 год, а также учитывался при формировании маркетинговой стратегии продвижения на внешние рынки.

- Вероятно, регионы могут быть заинтересованы не только в шаблонных решениях…

В последнее время к нам все чаще поступают запросы на узкоспециализированные исследования – например, по вопросам медицинского, гастрономического, горнолыжного туризма, анализа событий, исследования маршрутов туристов. Например, совместно с АНО «Проектный офис по развитию туризма Москвы» мы реализовали два проекта, которые расширили представление о возможностях больших данных для оценки туризма.

Первый пример – выявление туристических маршрутов. К нам обратились с задачей комплексного анализа перемещений туристов по туристическим маршрутам, состоящим из нескольких регионов и городов. Команда «СберАналитики» оценила загруженность существующих маршрутов и выявила, что туристы из дальних регионов чаще остальных вместе с Москвой посещают культурную столицу – Санкт-Петербург, а туристы из соседних регионов совмещают вместе с Москвой регионы, которые удобно использовать как транзитные. По итогам работ были разработаны рекомендации создания новых маршрутов для туристов через Москву, а также на основании демографической аналитики была доработана маркетинговая кампания продвижения.

Второе исследование было посвящено оценке кулинарных предпочтений москвичей и туристов. Детализированные данные по тратам позволяют проверять гипотезы о пересечении потребительских интересов туристов и местных жителей. Так, например, туристы в 1,6 раза чаще, чем жители столицы, выбирают рестораны высокой ценовой категории, а еще чаще – в 2,5 раза – выбирают рестораны, отмеченные гидом Michelin.

Также большие данные дают возможность формировать уникальные выводы о корреляции между домашним регионом туриста и его кулинарных предпочтениях: туристы из Татарстана чаще всего обедали в Москве в ресторанах русской кухни, а гости из Башкирии выбирали места, где представлен выбор блюд на гриле. Подобные детализированные исследования позволяют максимально персонализировать и адаптировать туристический продукт под запросы конкретных пользователей.

- А как насчет возможностей обратной связи от туристов?

Кроме статистических данных, панель «Туризм» предоставляет возможность работы с онлайн-опросами аудитории для выявления эмоционального состояния, потребностей и планов населения. Так, мы уже сейчас можем сказать, что 60% наших респондентов планируют путешествия в 2024 году, причем 84% – по России, а наиболее популярным регионом для планирования путешествий остается Краснодарский край.

- В чем роль продуктов «СберАналитики» для развития туристического бизнеса?

Управленческие решения, основанные на больших данных, позволяют существенно повысить качество сервиса и минимизировать отрицательные эмоции туристов о поездке. Знания о потребителе позволяют открывать уникальные направления и разрабатывать новые маршруты, увеличивая приток финансовых средств в регион от туризма. Благодаря полученной с помощью панели «Туризм» информации, регионы адресно занялись развитием туристической инфраструктуры и мониторингом эффективности принимаемых мер.

Решения, основанные на оценках «СберАналитики», могут быть разными: от запуска дополнительных авиарейсов и строительства гостиниц до организации тематических фестивалей, от разработки новых маршрутов до развития сети Wi-Fi и современных остановочных пунктов. В итоге, турист будет отдыхать в тех условиях, на которые рассчитывает, и получать услуги по той цене, которую готов платить: пятизвездочные отели или доступные хостелы, рестораны высокой кухни или небольшие семейные кафе, новые развлекательные площадки или выставки. Таким образом, адаптация стратегий с использованием больших данных становится актуальным инструментом формирования качественных сервисов и повышения лояльности пользователей.

Туризм – это отрасль экономики, которая не только генерирует существенные доходы в бюджет страны, но и является основой для формирования локальной идентичности и новых местных брендов. Развитие внутреннего туризма позволит повысить уровень знаний граждан о разных частях нашей страны, создать рабочие места в малом и среднем бизнесе и укрепить социально-экономические связи регионов. Мы с уверенностью можем сказать, что Панель «Туризм» является драйвером развития внутреннего туризма и надежным партнером российских регионов для привлечения и удержания туристов.

В условиях динамичного развития инфраструктуры крайне важно контролировать этот процесс, обеспечивая заинтересованных специалистов необходимыми данными. В Сбере с этой целью разработали и запустили «Единую аналитическую систему данных об инфраструктуре», обеспечивающую сквозную аналитику по ключевым процессам жизненного цикла ИТ-инфраструктуры. О реализации этого проекта рассказывает Анастасия Евланова, главный эксперт Управления внедрения технологий защиты инфраструктуры Департамента инфраструктурных решений «Сбера» (SberInfra) и номинант на премию Data Award.

— Что стало причиной создания системы? Какие проблемы требовалось решить?

За последние годы «Сбер» качественно и количественно вырос как в своих прежних банковских продуктах, так и в новых инициативах для клиентов. На каждый продукт, систему, инновацию требуется ИТ-инфраструктура.

Оптимальный жизненный цикл инфраструктуры состоит из четырех основных процессов: планирование, бюджетирование, выдача и эффективная эксплуатация. Именно совместное функционирование этих процессов позволяет эффективно управлять инфраструктурой и обеспечивать внутренние команды ресурсами тогда, когда это необходимо.

До внедрения нашего решения эти процессы были плохо связаны, из-за чего возникали ошибки, так как бизнес-заказчик или другой участник процесса не мог получить сводной информации об инфраструктуре в рамках ландшафта конкретной автоматизированной системы или группы систем.

Идея заключалась в создании системы, обеспечивающей сквозную аналитику по ключевым процессам жизненного цикла ИТ-инфраструктуры.

— Какой выбрали подход, какие требования предъявлялись к создаваемому решению?

Мы руководствуемся мировыми тенденциями внедрения data-driven подхода для принятия решений. В компании уже реализовано не одно решение по сбору и обработке информации, выработаны технические стандарты, но каждый из проектов имеет отдельную бизнес-ценность.

Для нашей системы ключевыми были требования по автоматизации сбора данных из множества внутренних систем, связи этих данных между собой, расчетам метрик и объединении детализированных данных ИТ-инфраструктуры в одном месте – единая система.

Дополнительно, мы сразу закладываем возможность по переходу на self-service аналитику: разовые или неприоритетные аналитические исследования данных важны для конкретных задач, но с ними пользователи могут справиться и самостоятельно после предоставления доступа и обучения.

— В чем суть созданного решения?

«Единая аналитическая система данных об инфраструктуре» решает проблему отсутствия прозрачных и достоверных данных об основных процессах инфраструктуры. В результате получается сквозная аналитика, владелец инфраструктуры может проверить и отследить свое оборудование по всем шагам: заявки при планировании, ее параметры и статус, выделенный бюджет, статус по настройке конкретного оборудования и сроки его выдачи, а также эффективность использования полученной инфраструктуры.

Важно, что данные поставляются оперативно и с гибкими настройками для каждого пользователя – от верхнеуровневых показателей для менеджмента до детальных данных по каждому серверу, ИТ-продукту, приложению и автоматизированной системе.

— Какие данные охватывает система?

Мы получаем данные из внутренних систем, которые собирают информацию о текущем состоянии ИТ-инфраструктуры. К ним относятся данные о загрузке ИТ-инфраструктуры из систем инфраструктурного мониторинга и сбора метрик, данные о характеристиках конфигурационных элементов и их связях с системами банка, информация по управлению этими элементами из системы управления и автоматизации ITIL- и ITSM-процессов банка.

Кроме того, работаем с данными по всему жизненному циклу инфраструктуры. Нами охвачены системы планирования и бюджетирования, система заказа инфраструктуры, система управления внутренним облаком, система управления ресурсными пулами инфраструктуры, система автоматизированного управления ИТ-инфраструктурой.

В хранилище данных построены преобразования данных, расчеты и агрегация в виде витрин в различных временных срезах для отслеживания динамики эффективности использования ИТ-инфраструктуры.

— На какой платформе реализовано решение?

Центром системы стало хранилище для сырых и преобразованных данных на платформе Hadoop, стандартных обвязок с базой метаданных PostgreSQL, сервисами журналирования и мониторинга. Аналитика и визуализация данных реализована на BI-платформе Qlik в виде информационных панелей и дашбордов, логически связанных между собой. Так как конечный пользователь взаимодействует именно с BI-платформой, то ролевая модель с разграничением видимости данных реализована тоже в Qlik.

— Что является «фишкой» решения? Чем можно гордиться?

У нас 16 различных источников данных по ИТ-инфраструктуре, которые мы изучили, связали между собой, рассчитали, автоматизировали сбор, агрегировали, визуализировали и на все это еще и написали документацию. При этом в каждой системе есть свои нюансы, нужно «вычищать» сырые данные от ошибок сканирования или некорректных записей, отлавливать систематические отклонения от процессов и проводить корректировки, понимать и применять методологию расчета, которую нам рассказывают аналитики систем.

Мы смогли разработать витрины, которые показывают данные обо всех аспектах инфраструктуры – утилизация, аллокация на конкретные продукты, финансовые аспекты и прочее – и сделали это не только для облачной инфраструктуры, но и для традиционной legacy. Все это позволяет управлять не только инфраструктурой, но и различными проектами по повышению ее эффективности или отказу от устаревших и высокозатратных решений.

Вызывает гордость и то, сколько людей поучаствовало в реализации этого решения. Мы взаимодействовали практически с каждой командой Департамента инфраструктурных решений: кто-то выступал в роли поставщика требований, другие в роли источника данных, а у кого-то мы были внутренним клиентом.

— Приведите пример того, как изменились работа пользователей благодаря системе.

Во многом у наших пользователей появилась возможность увидеть нужные им данные или витрины. Например, на этапе формулировки требований к отображению инфраструктурного слоя системы контейнеризации приложений на общей ресурсно-сервисной модели и исследования данных владелец продукта нашел проблему в процессе учета и установки конфигураций. После вывода данных на интерфейс он смог контролировать процесс решения этой проблемы в динамике.

— Какие результаты достигнуты и ожидаются?

Мы автоматизировали получение прозрачных и детальных данных обо всех этапах жизненного цикла элементов ИТ-инфраструктуры, начиная от подготовки оборудования до вывода его из эксплуатации, благодаря чему было найдено legacy – неиспользуемое устаревшее оборудование в ЦОДах, а также оптимизировано и перераспределено недостаточно утилизированное используемое оборудование.

Так как данные и соответствующие показатели стали доступнее и прозрачнее для всех участников процесса подготовки новой ИТ-инфраструктуры, то количество выданного оборудования в требуемый срок увеличилось с 58% до 97%.

Благодаря запуску этой системы, банк сэкономил тысячи человеко-часов на трудоемкие ручные выгрузки и расчеты, а менеджмент получил удобную консоль управления процессами.

— Пытались ли оценить эти эффекты в деньгах? И вообще о каких масштабах оптимизации может идти речь?

Мы можем прозрачно оценить влияние оптимизации по внутренней модели тарификации, которую ведут в нашем департаменте. По этой задаче все уже рассчитано: аналитическая система помогла отследить неиспользуемое, низкоутилизированное и неэффективное оборудование, оптимизация которого позволила сократить затраты на новую инфраструктуру на несколько процентов, что в объеме бюджета на ИТ-инфраструктуру – значительные средства.

Объем самой компании «Сбер» колоссальный, для ее функционирования требуется много серверов, систем хранения данных, баз данных. Точные цифры я не могу называть из-за условий неразглашения, но у «Сбера» самый большой ЦОД в России, и при этом он не единственный. И теперь данные об этом оборудовании сведены в одной системе.

— Каковы перспективы развития проекта?

Мы планируем не только дальше увеличивать охват данных и процессов, но и делиться этими данными с другими автоматизированными системами банка по интеграционным взаимодействиям, обеспечивая преемственность методик анализа эффективности бизнес-процессов.

Сейчас смотрим в сторону машинного обучения с целью создания рекомендательной системы по клиентским путям. Внутренние клиенты проходят схожие действия от заявки на сервер до вывода его из эксплуатации. Часть этого пути уже автоматизировано, но вручную найти детали и проблемы остальной части пользовательского пути бывает трудоемко. Поэтому мы решили использовать имеющиеся данные, чтобы сократить трудозатраты и объем ручной работы.

И, конечно, мы планируем перенести BI-платформу на продукт российского вендора или внутренний продукт.

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.

Переход платформы персонализации «Сбера» с Teradata на связку Hadoop и GreenPlum планировался еще до санкционного кризиса, но весной прошлого года приобрел особую актуальность. Помимо устранения технологических рисков, у группы появились новые возможности для оперативного выявления потребностей клиентов. Про реализацию проекта рассказали Игорь Зарубинский, директор дивизиона развития платформы рекомендательного бизнеса и коммуникаций от потребности клиента и Алексей Смирнов, управляющий директор дивизиона развития платформы рекомендательного бизнеса и коммуникаций от потребности клиента – номинанты на премию Data Award.

— Какова предыстория проекта? Что привело к его реализации?

Игорь Зарубинский: «Сбер» работает над созданием полностью интегрированной системы удобных онлайн-сервисов в самых разных сферах для любых жизненных ситуаций: от покупки продуктов на маркетплейсе до оформления ипотечного кредита. С помощью новой стратегии мы переходим от прогнозирования покупки продукта к созданию предложения, адаптированного под жизненную ситуацию и потребность клиента в конкретный момент времени. Точно предугадывая потребность клиента, «Сбер» обеспечивает долгосрочное взаимовыгодное сотрудничество с ним. Основная цель – выявить релевантную в данный момент времени потребность клиента и подобрать наиболее удобный продукт или сервис для удовлетворения этой потребности.

Для решения этой задачи мы стали создавать платформу данных, которая содержит информацию о клиенте и его действиях в контуре «Сбера». При этом для выявления текущих потребностей клиента требуется оперативная и гибкая работа как с онлайн-, так и с офлайн-потоками данных о действиях клиента.

— В чем заключалась проблема?

Алексей Смирнов: Изначально в качестве основной платформы для работы с данными использовалась Teradata. В связи с ростом количества источников и объема данных появилась проблема доставки этих данных до хранилища с актуальностью не хуже, чем на вчерашний день (Т–1 день). Вместе с этим обнаружилась проблема с хранением большого массива данных: данные в «сыром» слое, с которыми мы работаем, занимают десятки петабайт. Весь этот объем информации необходимо оперативно обрабатывать: от момента попадания данных в «сырой» слой до обновления витрины должно проходить не более нескольких часов, так как данные нужны максимально быстро для использования в бизнес-процессах.

Кроме того, для оперативного выявления потребностей клиентов было реализовано большое количество стриминговых потоков с триггерами о действиях клиентов в контуре группы «Сбера». Возник вопрос об эффективной обработке и создании витрин данных, которые обновляются в реальном времени и используют как информацию из онлайн-потоков, так и из витрин, которые обновляются пакетом.

На платформе Teradata реализация подобной задачи становилась крайне дорогой или невозможной, поэтому «Сбер» принял решение изменить технологическую платформу и перейти на использование связки платформ Hadoop и GreenPlum. Задача миграции стала особенно актуальна в 2022 году, так как Teradata приняла решение уйти с российского рынка. Из-за прекращения поддержки возник риск прекращения работы всех бизнес-процессов, что могло привести к потерям в сотни миллиардов рублей.

— То есть миграция планировалась заранее? Насколько сильно планы откорректировались в связи с санкционным кризисом?

А.С.: Да, миграция планировалась заранее и была инициирована недостатком функциональности предыдущей платформы и дороговизной ее масштабирования. Планы реализации проекта поменялись незначительно, так как к моменту появления санкционных рисков большая часть проекта уже была реализована. Когда ушли иностранные вендоры, мы уже имели на 70% импортозамещенный продукт, и нам пришлось действовать еще быстрее, чтобы компенсировать оставшиеся 30% решений до конца 2022 года.

— Что стало самым сложным в процессе миграции? Как решали эти проблемы?

А.С.: Самым сложным в реализации проекта было изменить модель мышления пользователей платформы: перейти на другой технологический стек и новую модель данных, переосмыслить процессы, которые были сделаны на базе технологии Teradata и реализовать новые, по сути, процессы на новом стеке технологий. Также большим вызовом для нас было доказать преимущества новой платформы для работы дата-инженеров, дата-аналитиков, дата-сайентистов: ее работоспособность, надежность, масштабируемость, скорость работы вычислений для больших объемов данных.

— Сколько времени и ресурсов потребовалось на реализацию проекта?

А.С.: Проект был инициирован в конце 2020 года и завершен в конце 2022 года. За это время мы мигрировали более 300 бизнес-процессов с Teradata на новую платформу.

— Какие данные используются для построения персональных предложений?

А.С.: Мы используем информацию из всех банковских систем, а также данные из систем компаний-партнеров, что позволяет сформировать полный профиль клиента: его финансовые и социально-демографические характеристики, данные об интересах, его предпочтениях в кино, еде, музыке. Разумеется, при этом в обязательном порядке учитывается согласие клиентов на сбор, обработку и использование данных.

Витрины данных являются основой для ключевых задач формирования персональных предложений клиентам. С их помощью создаются модели искусственного интеллекта для работы с данными, аналитика и отчетность, формируются персональные предложения с индивидуальными условиями для клиентов. При этом мы создаем не только витрины «холодного вектора», которые обновляются ежедневно с актуальностью Т–1 день, но и витрины «горячего вектора», которые основаны на потоковой обработке данных.

Новые технологические платформы позволяют нам хранить петабайты данных, быстро обрабатывать десятки терабайт данных в инкременте, а также работать с данными в режиме реального времени.

— Какие изменения в бизнес-процессах породили новые возможности?

И.З.: Новые возможности стали базой для построения SberNBA – платформы персональных рекомендаций. SberNBA обеспечивает расчет персональных предложений, коммуникацию в релевантный момент времени на каждом этапе жизненного пути клиента и максимизирует долгосрочную ценность сотрудничества «Сбера» с клиентом. В основу архитектуры платформы заложены алгоритмы машинного обучения, которые позволяют анализировать события в жизни каждого клиента и реагировать на них в режиме реального времени.

— Какие результаты достигнуты и ожидаются?

А.С.: На текущий момент решение содержит более 300 витрин, которые, в свою очередь, содержат более 15 тыс. атрибутов общим объемом более 9 Пбайт. Самая крупная витрина занимает 1 Пбайт с ежедневным инкрементом в 5 Тбайт. Самая большая витрина содержит более 1 тыс. атрибутов.

Витрины данных имеют актуальность Т–1 день уже к началу следующего рабочего дня. Таким образом, решение позволяет обрабатывать десятки терабайт данных инкремента и за 4,5 часа ежедневно формировать более 300 витрин, существенная часть из которых — это сложные витрины типа SCD2 (медленно меняющиеся измерения, Slowly Changing Dimensions).

Вместе с тем, реализованы десятки онлайн-потоков, которые умеют «на лету» определять потребность, исходя из комбинации совершенных действий клиента. Плотность потока стриминговых данных составляет более 10 тыс. транзакций в секунду. Для определения потребности клиентов при работе с потоками мы не только пользуемся готовыми потоками из систем «Сбера», но и донасыщаем их дополнительной информацией из параллельных стриминговых потоков и витрин, которые обновляются в пакетном режиме. В ряде случаев требуется создание онлайн агрегатов для выявления аналитических триггеров в потоковом режиме.

Также решения, построенные на онлайн-потоках, позволяют предсказывать вопросы и проблемы, которые могут возникнуть у клиента при взаимодействии со «Сбером». Благодаря этому появилась возможность заранее сформировать соответствующую коммуникацию или настроить персональный ролик в канале телемаркетинга по актуальной проблеме и быстро решить вопрос клиента, не привлекая к этой задаче оператора горячей линии контакт-центра.

После перехода на новую платформу обработки данных более 500 наших D-people –дата-инженеров, дата-аналитиков, дата-сайентистов – ежедневно стоят свои решения как на базе платформенных решений, так и на базе реализованных потоков данных. Что немаловажно, во все процессы встроены инструменты контроля качества данных, в том числе с использованием моделей искусственного интеллекта, которые позволяют проверять сложные зависимости в данных для предоставления наилучшего результата.

— В чем роль проекта для «Сбера»?

А.С.: Переход на новую платформу, состоящую из Hadoop и GreenPlum, позволил выполнить ряд крупных задач для B2C-бизнеса «Сбера». Нам удалось добиться непрерывности работы бизнеса за счет отказа от зарубежного вендорского решения. Появилась возможность хранить огромные массивы данных в десятки петабайт, необходимые для реализации предиктивной аналитики и отчетности. Специалисты смогли настроить процесс ежедневного быстрого применения инкремента в 10 Тбайт и реализовать системы потоковой обработки данных.

И.З.: Все это позволило уменьшить временной лаг между совершаемым клиентом действием и реакцией бизнеса на это действие. Благодаря переходу на новую платформу для работы с данными «Сбер» намного раньше узнает о текущих потребностях клиента. Это позволяет формировать наиболее актуальный пул персональных предложений, что было невозможно при использовании предыдущей платформы для работы с данными.

Точно предугадывая потребность клиента, мы обеспечиваем долгосрочное взаимовыгодное сотрудничество с ним. Это подтверждают бизнес-результаты. Например, количество жалоб на коммуникации уменьшилось на 12%. Чистая приведенная стоимость по некоторым коммуникационным кампаниям увеличилась на 20% по сравнению с месяцем, когда в процессе участвовали данные с актуальностью Т–1 день.

Сегодня в основе практически всех современных услуг и сервисов лежат персональные данные. Узнать клиента лучше, чтобы своевременно предложить ему качественные сервисы, услуги и товары в зависимости от его потребностей – это интерес любой компании. Несоблюдение правил работы с персональными данными и их недостаточная защищенность неминуемо приводит к утечкам, следствием которых является использование полученной информации злоумышленниками в различных мошеннических схемах.

Конфиденциальность личной информации, «приватность», является не только одной из базовых потребностей человека, но и безусловным приоритетом Сбера. Осознавая свою роль в совершенствовании отрасли персональных данных с целью защиты интересов наших граждан, Сбер принял решение поделиться своей экспертизой в данной области с широкой публикой. В этом году журнал Sber Privacy Journal, издание Сбера о защите персональных данных и приватности, перестал быть исключительно внутренней инициативой и теперь публикуется в интернете на сайте «Кибрарий» (онлайн-библиотека знаний по кибербезопасности, которую развивает Сбер). Его содержание может быть полезно не только специалистам по защите персональных данных (ПДн), но и специалистам по управлению данными. О первых результатах проекта рассказывает Евгений Калинин, руководитель Центра DPO «Сбера» и номинант на премию Data Award.

— В чем вы видите свою миссию?

В России Сбер – один из крупнейших операторов персональных данных: банк обрабатывает данные более чем 100 млн клиентов и 250 тыс. сотрудников. У команды Сбера самая широкая экспертиза в области обработки персональных данных.

Миссия нашей команды – защита персональных данных клиентов и безусловное обеспечение прав граждан как субъектов персональных данных. В целях реализации этой миссии мы непрерывно занимаемся экспертизой и контролем соответствия банковских процессов законодательству РФ, повышением privacy-культуры клиентов и наших работников, чтобы помочь им избежать мошеннических схем злоумышленников, и многими другими смежными направлениями деятельности.

— Какие шаги для этого предпринимаются?

Для выполнения поставленных перед нами задач мы формируем требования к банковским процессам, в которых происходит обработка персональных данных, проводим экспертизу всех продуктов и сервисов согласно принципам privacy by design, уделяем повышенное внимание проведению обучающих мероприятий для работников и клиентов.

При лидирующей роли нашей команды в банке внедряются бизнес-процессы, реализуются пилоты различных продуктов и сервисов в соответствии с требованиями законодательства, выстроена единая методология и мощная экспертная поддержка бизнеса – фактически наша команда стала надежным помощником в организации банковских процессов.

Privacy-учения для дочерних компаний, ежегодные конференции, активные дискуссии в рабочих группах по развитию законодательства, десятки мероприятий по повышению privacy-культуры как для сотрудников, так и для широкой аудитории, информационный канал о приватности «Ничего личного» в мобильном приложении Сбербанк Онлайн – это только «вершина айсберга», внешние проявления той огромной работы, которую мы выполняем.

В 2022 году мы запустили Sber Privacy Journal – первое регулярное корпоративное издание, посвященное актуальным вопросам обработки персональных данных и в целом проблеме приватности. С января 2023 года журнал доступен в библиотеке знаний о кибербезопасности «Кибрарий».

В мире давно существует традиция выпуска профильных изданий, формируемых международными организациями, крупнейшими аналитическими и научно-исследовательскими центрами, финансовыми институтами. Нам кажется правильной концепция, когда организация, специализирующаяся на определенной сфере, например, на международном гуманитарном праве, финансовом секторе или юриспруденции, публикует свой анализ, свой взгляд на происходящее в мире в данной области. Если говорить о России и о нашей деятельности, у нас достаточно много журналов, посвященных информационной безопасности, но нет по сути ни одного издания, чьим основным фокусом являются персональные данные.

— На какую аудиторию вы нацелены в первую очередь?

С самого начала мы исходили из того, что журнал должен быть интересен и полезен как профессионалам в данной сфере, так и обывателю, не погруженному в сферу персональных данных. Мы стараемся держать баланс, чтобы отойти от излишнего формализма, но вместе с тем сохранить экспертность и практическую пользу публикуемого материала. Поэтому в журнале можно найти как практические статьи, рассматривающие, например, вопросы правоприменения или виды мошенничества с данными, так и научно-популярные материалы об истории становления концепции приватности, о влиянии технологий на общество и т. д. В Sber Privacy Journal можно узнать много интересных фактов, которые расширяют кругозор и дают лучшее понимание того, чем и для чего мы занимаемся. Наш журнал – это не «методичка», а сборник авторских размышлений и исследований на тему приватности, её роли в современном обществе.

— А может быть, многим специалистам нужна именно «методичка»?

Мы выступаем за системный подход и осмысленность в работе. Комплаенс в области защиты и обработки данных «для галочки» нам не интересен. Убеждены, что каждый специалист в области защиты персональных данных должен быть глубоко погружен в четыре области («домена», как мы их называем): доскональное знание законодательства и права в области персональных данных, знания требований к защите и обеспечению безопасности персональных данных, навыки проектирования и анализа качества описания бизнес-процессов, а также знания основ передачи и обработки данных в компьютерных сетях, и, безусловно, уверенное понимание того, что происходит в мире информационных технологий.

Именно глубокое, осмысленное погружение в вопросы безопасности позволит чувствовать себя уверенно в условиях непрерывного развития технологий сбора и анализа данных перед лицом новых вызовов со стороны киберпреступности.

— Разве для закрытия внутренних потребностей не хватает более простых и менее затратных мероприятий – например, периодических тренингов?

Безусловно, такие мероприятия мы тоже проводим. В качестве фундаментальной базы мы разработали онлайн-курс «Основы работы с персональными данными», который проходит каждый сотрудник банка. Помимо этого, мы с регулярной периодичностью «точечно» определяем круг слушателей, собираем интересующие вопросы и проводим встречи офлайн и онлайн, общаемся с бизнесом и ИТ-подразделениями. Если у коллег остаются волнующие нерешенные проблемы – оказываем индивидуальную поддержку. Журнал – это проект, который изначально задумывался «для себя», для внутренних потребностей и для всех энтузиастов в области приватности и конфиденциальности, которые довольно часто, надо сказать, встречаются среди банковских работников.

— Какие темы охватываются в журнале?

В журнале рассматривается широкий спектр тем, начиная от использования технологий биометрического распознавания и заканчивая требованиями к обработке персональных данных в зарубежных юрисдикциях. К примеру, мы подробно рассматривали регулирование сферы персональных данных в разрезе правоприменения Китая и Индии. Изучали феномен дипфейков и правовые основания их использования в рекламных интеграциях, исследовали вопросы приватности в контексте разных исторических эпох и многие другие темы.

— Работа ориентирована исключительно на специалистов? Планируется ли обучать теме приватности и защиты данных клиентов?

Назову одну цифру – 20 миллионов. В 2022 году наши мероприятия по повышению privacy-культуры граждан охватили более 20 миллионов человек. Мы регулярно проводим обучающие мероприятия совместно с государственными органами и ведущими вузами страны. Особое внимание мы уделяем детям, людям пожилого возраста, студентам. Так, например, рамках 2-й Международной олимпиады по финансовой безопасности мы провели обучение основам безопасного хранения и передачи персональных данных для более чем 550 студентов из 12 стран СНГ и БРИКС.

В канале Сбербанк Онлайн «Ничего личного», о котором я упоминал выше, только за прошлый год было опубликовано свыше 40 образовательных статей и материалов с полезными рекомендациями о защите личных данных, направленных, в том числе, на повышение бдительности наших сограждан в вопросах, связанных с использованием их данных.

Также в прошлом году на сайте Сбера мы запустили информационную страницу sberbank.ru/privacy, на которой простыми словами рассказываем посетителям о том, как Сбер обрабатывает и защищает персональные данные.

— Если вернуться к изданию Sber Privacy Journal, то какие результаты достигнуты?

23 января мы опубликовали на «Кибрарии» свежий номер журнала, а заодно и два предыдущих, и практически сразу получили большое количество положительных отзывов. И, что не менее важно, – увидели пожелания и профессиональные рекомендации. Обратная связь особенно приятна с учетом того, что подготовка Sber Privacy Journal – не наша основная работа, а, можно сказать, «факультативная». Ведь по сути все это создавалось и версталось в свободное от основной работы время, которого остается не так много. Здесь действительно стоит поблагодарить наших коллег за их время, инициативность и проявленный интерес к общему проекту.

Мы считаем, что нам удалось заинтересовать российское экспертное сообщество, а если наши наработки будут внедряться на практике – значит, наша задача выполнена на 100%.

— Каковы ваши планы развития?

В числе ближайших планов развития – получить номер ISSN, благодаря чему журнал попадет в международную базу периодических изданий, упростится его распространение и поиск. Будем однозначно расширять авторский состав, привлекать внешних экспертов, включая зарубежных специалистов. Кроме того, мы прорабатываем создание полноценного информационного онлайн-портала Sber Privacy с новостями и аналитикой из мира приватности, запуск англоязычной версии журнала, а также тесное сотрудничество с крупнейшими вузами и ассоциациями в части публикации их материалов.

«Сбер» запустил графовую платформу, позволяющую объединить возможности методов графовой аналитики и технологий больших данных. Ее использование позволило на порядок ускорить разработку моделей и снизить количество затрачиваемых ресурсов при их промышленном запуске. О значении созданного решения для бизнеса и его перспективах рассказывает Алексей Булавин, исполнительный директор управления развития технологий искусственного интеллекта и машинного обучения департамента управления данными Сбербанка и номинант на премию Data Award.

— Какие задачи решает платформа?

В бизнес-практике все чаще встречаются комплексные задачи, для решения которых невозможно использовать традиционные методы и инструменты аналитики, поскольку они требуют обработки информации, которая характеризуется неоднородной структурой и глубокой связанностью.

Если необходимо проанализировать не только объекты и их свойства, но также их связи с другими объектами различных уровней и характеристик, необходимо использовать методы графовой аналитики. Она применяется для получения дополнительных знаний об объекте за счет извлечения знаний о его окружении, выявления наиболее значимой информации, центров влияния, групп связанных объектов, цепочек и многого другого. К задачам графовой аналитики можно отнести как нахождение новых молекулярных соединений, так и более привычные для бизнеса задачи – построение портрета клиента «360 градусов», оптимизацию логистических цепочек или таргетирование.

— Почему это важно?

Сейчас мы наблюдаем взрывной рост объема данных из различных источников во всех сферах деятельности человека. Связанность данных между собой также быстро растет. Это означает, что все больше и больше задач решаются уже не просто на данных, а на больших данных. На российском рынке сегодня нет технологических решений – а тем более платформ – для работы с графами, представляющими большие данные, которые смогли бы объединить эффект от использования Graph Analytics и big data для бизнеса.

— Каков ваш подход?

«Сбер» разработал собственные технологии хранения и обработки данных, представленных в виде больших графов, и за счет инновационных подходов и архитектурных решений добился их высокой производительности на внутреннем аналитическом хранилище, где собрано более 17 Пбайт плотно связанной между собой неоднородной информации.

Для того чтобы возможности наших технологий можно было применить для бизнес-задач различной природы (разработка и внедрение витрин, моделей, нейросетей, создание онлайн-сервисов, BI-инструментов и др.), мы объединили их в технологическую платформу, состоящую из семи сервисов.

Сервис лаборатории графов – интерактивный инструмент для исследования графов, разработки новых графовых моделей (ML). Сервис графовых расчетов – механизм выполнения массовых регулярных расчетов на больших графах для исполнения графовых моделей. Сервис единого графа клиентских связей (ЕГКС) – актуальные витрины данных о полной связанности между собой всех клиентов банка. Сервис онлайн-доступа к графу – средство доступа к графам класса big data через API в режиме вопрос-ответ в режиме реального времени. Сервис визуализации графов – интерактивный BI-интерфейс для решения прикладных задач на графах в реальном времени. Сервис встраиваемой графовой базы данных – производительная встраиваемая графовая база данных для нестандартных решений. Наконец, сервис графовых нейронных сетей (GNN) – готовый пошаговый механизм обучения нейросети для конкретной бизнес-цели на базе графа. Эти сервисы платформы унифицированы для взаимодействия между собой и позволяют как конструктор собрать любую конфигурацию в зависимости от решаемой бизнес-задачи.

— Что представляет собой решение, запущенное в «Сбере»?

Созданный нами Единый граф клиентских связей – это сервис графовой платформы «Сбера», который создает из 15 источников данных различных видов: txt, csv, parquet и ежедневно обновляет витрину данных, содержащую граф класса big data. Он содержит 17 млрд связей, 390 млн узлов, 187 типов связей и 374 типа атрибутов узлов. Это один из самых крупных графов в России.

Сервис горизонтально масштабируется, поэтому количество источников и данных в графе растет.

— На каких технологиях построена платформа?

Наша графовая платформа не использует в своей основе другие платформы. Она имеет в своем ядре собственную высокоэффективную графовую базу данных FastGraph, написанную с нуля, а также open source технологии стека Hadoop: HDFS, Spark, Solr, Hbase. Таким образом, это 100% российская разработка.

— Как принципиально новые возможности отразились на бизнес-процессах?

У специалистов, разрабатывающих собственные витрины, модели, нейросети и сервисы на больших графах, появилась возможность делать это эффективнее, причем на порядок. Например, в 10 раз ускорилась разработка графовых моделей за счет использования сервисов лаборатории графов и графовых нейронных сетей. Также в 10 раз уменьшилось время работы, либо количество затрачиваемых ресурсов кластера при промышленном запуске графовых моделей за счет использования сервиса графовых расчетов. Примерно в 20 раз уменьшились затраты на внедрение в промышленную эксплуатацию разработанных графовых моделей.

— Пытались ли оценить экономический эффект?

На старте внедрения данной технологии команда оценивала показатели экономической эффективности от использования графовой платформы и графовых данных на пилотных проектах. Результаты исследования показали, что выросла эффективность управления бизнес-процессами и скорость выдачи кредитов. Экономический эффект от внедрения платформы, безусловно, очень значим, поскольку изменения затронули портфель потребительских кредитов.

— Какую роль этот проект играет для банка?

Для банковского бизнеса крайне важно эффективное управление рисками, в том числе кредитным портфелем. Своевременное выявление инсайтов об изменениях в потребительской и деловой активности клиентов позволяет осуществить прогноз дефолта по кредиту на ранней стадии и зачастую предотвратить его. Также понимание потребностей и особенностей деятельности клиентов позволяет правильно настроить кредитный процесс и сделать клиенту наилучшее для него предложение при сохранении требуемого уровня управления рисками.

Наша графовая платформа уже встроена в бизнес-процессы корпоративного и розничного кредитования, что позволяет быстро, взвешенно и с оптимальными затратами принимать решения о выдаче кредитов и их параметров. Сервисы платформы уже используются в десятках автоматизированных бизнес-процессов «Сбербанка». BI-инструментами и данными платформы пользуются порядка 6,5 тыс. специалистов, и их число продолжает активно расти.

— А может ли созданная платформа иметь влияние на рынок в целом?

Думаю, да, поскольку данная платформа вполне может использоваться и в качестве технологической основы других компаний, открыть для них новые возможности по обработке больших данных.

«Домклик» от Сбера построил BI-систему на базе бесплатных инструментов. Целью проекта стало не только импортозамещение зарубежных систем, но и разработка удобного и простого сервиса для визуализации данных, не требующего специальных знаний, кроме владения SQL и принципами работы сводных таблиц. О реализации проекта рассказывает Дмитрий Леонов, руководитель направления по исследованию данных и номинант на премию Data Award.

— В чем заключалась проблема? Зачем потребовалось создавать собственную BI-систему?

У нас в компании на еженедельной основе готовится большое количество аналитических материалов, из которых формируется большая презентация для совещания топ-менеджеров. Помимо этого, конкретным командам необходима регулярная аналитика для внутренних совещаний и отслеживания эффективности работы бизнеса. Сотрудникам в регионах необходимы различные детальные выгрузки и отчеты для разбора кейсов и анализа отклонений в работе.

Все эти потребности закрывались с большим количеством ручного труда аналитиков, отчетность была очень разрозненна по своему формату, структуре и размещалась в разных местах. Не было должного контроля качества данных и «единого источника правды». У разных команд были разные подходы к построению отчетов и разные инструменты для этого.

Кроме этого, было много дублирующихся показателей с разной логикой расчета. Это происходило как раз из-за разрозненности в подходах к отчетности и отсутствия единых правил.

— Какой подход к решению был выбран?

Было принято решение о создании единой системы, в которой будет храниться вся официальная отчетность управления с централизацией работы аналитиков. Подход подразумевал разработку единых правил и требований к размещаемым отчетам, а также обеспечение контроля качества данных и поддержание их максимальной актуальности.

— Какие требования предъявлялись к будущему решению?

Необходимо было создать простой инструмент, чтобы сократить время на создание новых аналитических материалов, а также обеспечить новым сотрудникам быстрое погружение в процесс. С точки зрения пользователей должна была обеспечиваться максимальная актуальность данных и поддержка работы на мобильных устройствах. Для сотрудников в регионах требовался портал для возможности скачивания отчетов в виде файлов.

Нужно было обеспечить разграничение доступа к конфиденциальной информации вроде финансовых показателей и данным HR. Также было важно создать решение с постоянной ИТ-поддержкой, соблюдением требований кибербезопасности и мониторингом качества данных.

— На каких технологиях построено решение?

Бэкенд реализован на Python и PostgreSQL, а также Clickhouse. В качестве фронтенда используется React.

— Как учитывали потребности пользователей? Что им вообще нужно?

Первоначально требования шли от текущей отчетности и пожеланий топ-менеджеров. Для них важно иметь доступ к аналитике круглосуточно, с мобильного телефона или компьютера, видеть достоверные проверенные данные, быстрые внесения изменений аналитиками.

После реализации MVP проводились регулярные встречи с пользователями и выявлялись более специфичные требования. Вдобавок, в процессе работы с инструментом аналитиками, сформировался большой пласт работ по более тонкой настройке визуализации.

— Что получилось удачнее всего, а над чем еще предстоит работать?

Хорошо получилось обеспечить простоту инструмента и низкий порог входа для новых аналитиков, закрыть основные потребности пользователей и аналитиков. Достаточно легко и безболезненно прошел переход на нашу систему с всего множества платформ, которые использовались ранее.

Предстоит много работ по доведению инструмента до полноценной BI-системы – то есть добавление большего количества визуализаций, вариантов расположения виджетов, более точной настройки отображения, дополнительных сложных вычислений и формул.

Остается большое количество технических задач и задач по улучшению пользовательского опыта.

— Каких результатов удалось достичь?

Удалось централизовать аналитику и наладить процесс построения отчетности. У нас получилось сформировать простые и понятные правила по построению дашбордов и данным, на основе которых они строятся, а также привести отчетность к единому формату как данных, так и визуализации. Очевидно, удалось популяризовать работу с отчетностью, ведь около двух третей всех наших пользователей теперь посещают систему каждый рабочий день.

Важно отметить метрики по качеству и скорости работы дашбордов. Среднее время загрузки данных в виджетах – менее 1 секунды. Этого удалось достичь за счет лимитов на скорость выполнения скриптов и на количество данных, на которых строится визуализация. Для более детальных отчетов и выгрузок у нас используются отчеты в виде файлов, которые можно связать с виджетами.

— Насколько сильно снизились требования к аналитикам? И как вообще более простой сервис отразился на процессах?

При найме новых аналитиков перестало требоваться знание BI-инструментов вроде Tableau, PowerBI, QlikView. Основным требуемым навыком выступает SQL и аналитическое мышление.

Простой процесс создания дашбордов значительно снизил время их разработки. Уменьшилось дублирование одних и тех же показателей от разных аналитиков. Как следствие, повысилось доверие к отчетности.

— Пытались ли оценить финансовый результат?

Проводился сравнительный анализ расходов на покупки лицензий зарубежных популярных BI-инструментов (до ухода этих компаний из России). Получались достаточно крупные суммы с учетом большого количества пользователей и аналитиков.

Создание отдельной команды под разработку собственного решения получилось более выгодно экономически.

— В чем роль проекта для компании и для рынка в целом?

В текущих реалиях основная роль – конечно же, импортозамещение зарубежных продуктов, а также обеспечение бесперебойной работы с отчетностью в рамках компании.

Ожидается распространение системы на другие подразделения – такой шаг поможет коллегам перенять наш опыт и лучшие практики, а не тратить ресурсы на создание собственной системы аналитики в условиях практически отсутствия альтернатив на рынке. Конечно, можно найти решения open source, но требуется много времени и ресурсов чтобы развернуть и настроить их под себя. А для специфических задач наверняка потребуются доработки такой системы.

— Каковы планы по развитию решения?

Планируем превратить решение в полноценный BI-инструмент с поддержкой всех основных возможностей по визуализации и анализу данных. Важно совершенствовать интерфейс, чтобы процесс работы аналитиков стал максимально простым и интуитивно понятным.

А для распространения на другие подразделения планируем создать коробочную версию. Это подразумевает довольно большую техническую работу и анализ потребностей коллег. Возможно, у них есть очень специфичные задачи, которые у нас не решались, и для этого потребуется расширить функционал.

Сохранение клиентов всегда было приоритетной задачей любой компании. Ключевой проблемой здесь является выявление тех клиентов, которые по каким-то причинам собираются уйти, и определение среди них ценных, которых важно удержать. О реализации такого проекта рассказывает Валентина Литвинова, руководитель направления Дивизиона «Малый и Микро "Сбербанк"» и номинант на премию Data Award.

- В чем заключалась проблема?

До 2021 года достижение стратегических целей по росту операционного дохода в «Сбербанке» реализовывалось путем привлечения новых клиентов и кросс-продаж продуктов действующим клиентам. Но в то же время не было определено понятие «оттока» и, соответственно, не существовало процесса работы по сохранению клиентов в банке.

Усиление конкуренции на рынке банковских услуг среди юридических лиц и индивидуальных предпринимателей привело к тому, что мероприятия, направленные на привлечение новых клиентов, становились все менее эффективными. Новая экономическая ситуация, связанная с пандемией коронавируса, существенно ограничила рост новых регистраций юридических лиц и даже привела к сокращению числа компаний на рынке. Таким образом, основным источником операционного дохода для банков становится существующий рынок действующих компаний. Очевидно, что за действующего клиента необходимо бороться, так как существенно выросли риски его перехода на обслуживание к конкурентам.

Мы провели анализ по ушедшим клиентам за ретро период и обнаружили, что помимо ликвидированных компаний и юридических лиц, попавших под блокировку по 115-ФЗ («антиотмывочному закону»), существует значительная доля действующих организаций, которая прекратила партнерские отношения с банком. Это послужило главным фактором для создания процесса по сохранению действующих клиентов и возобновлению сотрудничества с клиентами, кто ранее был нашим партнером.

- Какой подход для ее решения был выбран?

В течение 2021 года в рамках направления по обслуживанию малого и микробизнеса, в банке была сформирована методология, определяющая «оттекающего клиента». В ее рамках реализован регулярный подсчет и мониторинг фактической ситуации с объемами уходящих клиентов и финансовых потерь, организован регулярный мониторинг негативных изменений в транзакционной активности клиентов – триггерные события, указывающие на вероятность оттока клиентов. Нами построены модели машинного обучения, позволяющие с использованием огромного массива данных (более 500 различных косвенных признаков изменений в поведении клиента) заранее оценить вероятность его ухода из банка или снижения операционного дохода от клиента в течение ближайших трех месяцев.

Был выстроен процесс удержания клиентов на обслуживании в банке через различные каналы обслуживания на основании данных триггеров и результатов модели, реализованы регулярные исследования причин оттока клиентов, созданы новые инструменты по предоставлению клиентам уникальных предложений с целью их сохранения в банке на основании результатов исследований. Наконец, нами построена оценка финансовой эффективности сквозного процесса от момента предсказания вероятности оттока клиентов до подтверждения их сохранения на обслуживании в банке.

Таким образом, сейчас в банке существует трехступенчатая система работы с оттоком клиентов. Она включает предупреждение оттока клиентов и доли оборотных средств с высокой вероятностью ухода в течение ближайших трех месяцев; удержание клиентов, по которым зафиксированы фактические неблагоприятные изменения в их поведении при использовании подключенных банковских продуктов; возврат ушедших клиентов на обслуживание в банке спустя 90 дней по отдельным продуктам и 180 дней по комплексному оттоку.

- Какие задачи были поставлены перед проектом?

Главной целью было снижение доли клиентов – юридических лиц малого и микро-бизнеса, которые уходят с обслуживания в банке и переходят к конкурентам. При помощи модели машинного обучения требовалось выявлять клиентов, склонных к оттоку, и определять самые эффективные инструменты их сохранения: банковские и партнерские продукты, скидки на обслуживание и пр. Дальнейшая задача – своевременное проведение взаимодействия с клиентом с целью его сохранения.

— Какие технологии использовали?

Это классическая задача бинарной классификации. Мы использовали алгоритм градиентного бустинга. Он реализован на языке Python c использованием библиотеки LightGBM. Глубина данных для обучения модели составила 24 месяца.

В качестве данных использовали транзакционную аналитику, доходность клиентов, активность в использовании продуктов, обращения, уровень удовлетворенности, сведения о связанных лицах, а также отрасль бизнеса и другие регистрационные и отчетные данные.

— Что было самым сложным в ходе проекта?

Самое сложное в реализации нашего процесса – собрать все данные по клиентам (как юридическим, так и физическим лицам), что есть в «Сбере», из разных источников. В нашем банке их колоссальное количество. Кроме того, было непросто проработать бизнес-гипотезы, чтобы выявить, какие именно события или параметры влияют на отток клиента. Из этого предстояло построить модель предсказания оттока и улучшить ее до достаточно качественного уровня – мы выявляем каждого третьего уходящего клиента.

— Приведите пример неожиданных инсайтов, появившихся в ходе проекта.

При проработке бизнес-гипотез мы встречались с разными инсайтами. Например, кажется абсолютно очевидным, что жалобы точно должны повлиять на уход клиента из банка. Ведь он жалуется, ему что-то не нравится, его лояльность снижается... Но посмотрев на цифры, мы увидели обратную зависимость: оказалось, что если клиент принял решение уйти, то он это делает «тихо». А те, кто жалуются, на самом деле неравнодушны к банку, помогают нам стать лучше и продолжают с нами работать. Их жалобы для нас действительно сродни подарку.

— Как выявляются оптимальные инструменты для сохранения клиента? В случае пошатнувшейся лояльности права на ошибку нет…

В процессе создания бесперебойного механизма по сохранению клиентов возникли два главных вопроса: почему уходят клиенты и что банк может дать клиенту, чтоб он продолжил сотрудничество.

Ответить на эти вопросы могли только клиенты банка, которые прекратили сотрудничество со «Сбером» или попали в категорию оттока. Поэтому была создана система регулярных исследований по выявлению причин ухода клиентов. Затем, обладая ценными знаниями, банк приступил к реализации гибких инструментов сохранения клиентов в зависимости от причин оттока, доходности клиента, вида деятельности компании и других признаков. Важно сказать, что процесс исследований и разработки гибких инструментов удержания – непрерывный и динамический, позволяющий «держать руку на пульсе» и оперативно реагировать на все изменения.

Действующие инструменты сохранения клиентов — это индивидуальные непубличные продукты и условия по банковским продуктам, акции и компенсации на продукты банка, а также уникальные предложения от компаний экосистемы «Сбера» и партнеров банка.

— Каковы результаты?

При создании процесса сохранения клиентов нами был выделен ключевой показатель по сохранению количества и доли клиентов – абсолютное значение по количеству ИНН, оставшихся на обслуживании в «Сбере», и доля сохраненных клиентов относительно ушедших на обслуживание в другие банки. Кроме того, в ходе развития процесса был выделен критерий доходности – объемы экономической прибыльности по клиенту, на основании которых принимается решение по его сохранению. Очевидно, если по клиенту отрицательная экономическая прибыльность, то банк не проводит мероприятия по его сохранению на обслуживании. Наконец, были сформированы дополнительные ключевые показатели по сохранению операционного дохода.

В итоге, за 2022 год нам удалось снизить долю оттекающих доходных клиентов на 17%. Увеличение среднего срока жизни клиента в банке составило 20%.

— Насколько это соответствовует ожиданиям? Возможно ли результат улучшить, и за счет чего?

Результат превысил наши ожидания: для себя мы определили цель снижения оттока не менее чем на 10%. Мы не останавливаемся на достигнутом и ставим себе все более амбициозные цели. Для их достижения улучшаем процесс взаимодействия с клиентами. Формируем таргетированную выборку с выбором оптимального канала взаимодействия – например, клиентам, привыкшим взаимодействовать только в цифровых каналах, мы направляем коммуникацию без участия сотрудников. Развиваем перечень продуктов и условий по обслуживанию в банке для сохранения клиентов – например, запускаем акции, которые применяются только на закрытой выборке клиентов, склонных к оттоку. Механики таких акций побуждают клиентов становиться активными и продолжать сотрудничество с нашим банком.

— Как новые подходы отразились на финансовых результатах?

Сохранение чистого операционного дохода по оттекающим клиентам за 2022 год составило несколько миллиардов рублей.

— В чем роль этого проекта для бизнеса?

Процесс по сохранению клиентов занимает одну из ключевых ролей в выполнении бизнес-планов банка по доходности и доли рынка. Дополнительно в рамках текущего процесса проводится регулярная аналитика причин ухода клиентов и их потребностей, из чего формируются релевантные продуктовые предложения, исправляются ошибки в процессах банка и улучшается клиентский опыт.

Оцифровка клиентского опыта и оценка влияния удовлетворенности клиента на прибыльность – полезный показатель для компаний, однако комплексно подойти к решению этой задачи непросто. В «Сбере» удалось построить модель, показывающую связь между удовлетворенностью клиента и доходом. О подходах к реализации проекта, решении возникавших проблем и первых результатах рассказывает Полина Лямина, лидер команды «Исследование и развитие клиентского опыта клиентов Малого и Микро Бизнеса» и номинант на премию Data Award.

— В чем суть решаемой вами задачи?

Сколько времени существует понятие «клиентский опыт», столько же бизнес задается и вопросом: «Сколько приносит денег качественный сервис?». Ранее мы смотрели только на затраты, которые несем при возникновении жалоб, но в этом случае мы не понимали, сколько приносят довольные клиенты. Целью проекта стал поиск ответа на этот вопрос с помощью моделей машинного обучения.

— Как приступили к решению?

Мы решили разработать методологию, способную показать, как наши действия влияют на чистый операционный доход от клиента. Основной целью проекта стал расчет финансовых потерь от некачественного сервиса.

Для того, чтобы понять, у каких клиентов он действительно был некачественным, нам пришлось решить еще одну задачу – определить уровень удовлетворенности у всех наших клиентов. По части клиентов в банке имеется информация в виде оставленной обратной связи – опросы, жалобы и т.п. Нам предстояло решить вопрос с тем, как быть с остальными клиентами, по которым у нас отсутствует обратная связь. Логичным выходом было бы спросить самих клиентов, но, во-первых, мы не хотели беспокоить клиентов, в том числе нарушать внутреннюю политику частоты контактов, а во-вторых, опросы являются достаточно затратными в части ресурсов.

— В этом случае на помощь тоже приходит машинное обучение?

Да, мы построили модель, которая предсказывает, насколько удовлетворен клиент, исходя из его фактического опыта взаимодействия с банком. Эта модель получила название Smart RTFB (Smart Real Time Feedback).

Расчет модели строился исключительно на объективных показателях, например, таких как длительное ожидание в очереди, сбои при проведении платежей в интернет-банке, отказ по кредиту и т.д. Согласитесь, очень сложно быть довольным сервисом, если происходят подобные случаи. Мы собрали более 250 значимых факторов, которые негативно влияют на клиентский опыт и удовлетворенность в целом.

С помощью исторических данных мы смогли получить степени неудовлетворенности каждым видом произошедших проблем, на основе чего построили предсказательную модель, которая показывает вероятность негативного отношения к банку. Таким образом, мы получили полную картину того, как к нам относятся клиенты.

— А как вы оценили соответствие предсказаний реальному положению дел?

Мы проводили количественные исследования клиентов и задавали им вопросы относительно их удовлетворенности обслуживания в банке. Более 90% ответов клиентов совпали с предсказанием модели.

— Итак, вы узнали степень удовлетворенности клиентов…

После получения оценок удовлетворенности можно было переходить к следующей части – непосредственно расчету финансового эффекта. Для начала мы распределили всех клиентов на группы, их получилось шесть. Основными характеристиками были организационно-правовая форма, длительность работы с банком и уровень доходов.

Далее мы убедились, что в каждой группе у клиентов, у которых нет жалоб и низких оценок, чистый операционный доход (ЧОД) растет. После этого проверили гипотезу о том, что жалоба и низкая оценка являются тем триггером, после которого ЧОД падает. Гипотеза подтвердилась.

Наконец, мы взяли временные ряды ЧОД клиентов с негативом и без него, и сравнили их. Получилась определенная «дельта» между временными рядами. Эта разница и составляет тот недополученный доход, который в случае образования жалобы или негатива имеет банк.

— Что «под капотом»? На какой математике базируется решение?

Нами было разработано два пайплайна для решения задачи: интерпретируемый (для принятия решений) и неинтерпретируемый (для более точного предсказания). В качестве разметки для моделей были использованы данные опросов клиентов об их уровне удовлетворенности. На их основе были обучены алгоритмы машинного обучения, которые пытаются выявить зависимость ответа клиента от его признаков.

В интерпретируемом пайплайне за базовый алгоритм берется модель логистической регрессии. Так как сам алгоритм довольно слабый, для большей прогностической способности используется некоторая технология повышения качества. Она сложная и длинная, но если коротко, то она основана на методе весомости признака (WoE-анализ), анализе статистической обоснованности и достаточности модели и разных алгоритмах отбора признаков. В неинтерпретируемом пайплайне используется ансамбль моделей, а именно «стекинг над бустингами».

— Что в ходе проекта было самым сложным?

У нас была амбиция завершить проект за три квартала, и самое сложное было уместиться в заданные сроки, так как параллельных задач очень много. Но мы справились.

— Какие результаты достигнуты?

По результатам расчетов был сформирован план мероприятий по устранению основных недочетов в работе подразделений, участвующих в процессе обслуживания клиентов и в разработке продуктов для них. Важно, что методология получила высокое одобрение и была положительно принята коллегами. Благодаря этому цифры, полученные в результате расчетов, будут являться основным аргументом при принятии решения о доработках систем и процессов.

— Пытались ли оценить финансовый эффект от новых знаний?

Да, конечно, это была одна из основных целей. Мы смогли рассчитать, сколько денег банк не получил от некачественного сервиса. Сумма получилась значительная и превысила в несколько раз нами ожидаемую.

— Каково значение этого проекта?

Практически все компании, которые так или иначе сталкиваются с клиентским опытом, пытаются его оцифровать. С уверенность могу заявить, что наш подход является инновационным и уникальным. Теперь мы точно можем ответить на вопрос: «Сколько стоит хороший сервис?»

Кроме того, разработанная модель Smart RTFB позволила получить больше знаний о том, как к нам относятся все наши клиенты, без исключения.

— В каком направлении будет развиваться это решение?

На текущий момент прорабатывается встраивание модели в общий контур работы с негативными сценариями (комплексная система компенсаций). Дополнительно мы встроим модель в общую систему замеров удовлетворенности, а в дальнейшем, возможно, откажемся от ряда опросов, которые мы направляем клиентам.

— Дорогу каким новым инициативам это может открыть?

Оцифровка клиентского опыта поможет в дальнейшем качественно приоритезировать все доработки продуктов и сервисов, которые так или иначе связаны с клиентом. Также это поможет выстроить систему проактивного взаимодействия с клиентом до того, как он перейдет в критическое состояние негатива и начнет жаловаться или покинет банк. Таким образом, нововведения созданы, в первую, очередь, для клиента, чтобы он получал услуги и сервисы высокого качества.