Как ИИ помогает рекомендовать клиентам именно то, что им нужно

Рекомендательные системы в банке: как искусственный интеллект ранжирует продукты, выбирает каналы и сочетает релевантность с доходностью

Клиенты все чаще ждут от банков не случайных акций, а предложений, которые соответствуют их ситуации. Для этого нужны системы, способные учитывать поведение человека, его реакции на прошлые сообщения и выбирать не только продукт, но и способ связи.

В Газпромбанке эту задачу решают две ключевые рекомендательные системы: система следующего лучшего предложения (NBO) и маркетинговый оптимизатор.

Система следующего лучшего предложения: рекомендации на баннерах

Система следующего лучшего предложения работает по тем же принципам, что и классические рекомендательные модели: она выстраивает предложения для клиента от наиболее подходящего к менее подходящему. В банковской среде продуктовая линейка составляет около двадцати предложений, и модель сосредоточена на точном ранжировании именно этого набора.

Основная точка контакта — баннеры на главном экране мобильного приложения. Когда клиент заходит в приложение, он видит последовательность предложений. Модель располагает их в порядке убывания интереса. Это важно: основная часть оформлений происходит именно с первых позиций. До последнего баннера листают единицы пользователей.

Отдельный формат — крупный баннер, который появляется сразу при входе в приложение. Он тоже управляется моделью и показывает наиболее привлекательный для клиента продукт.

Каналы связи и роль системы управления взаимоотношениями с клиентами

Мобильное приложение всегда работает вместе с системой управления взаимоотношениями с клиентами. Если модель видит высокую склонность клиента к определенному продукту, запускается сообщение. Здесь подключается маркетинговый оптимизатор: он определяет, через какой канал вероятность отклика выше.

Каналы делятся на активные, к которым относятся звонки, и пассивные, например, электронная почта и уведомления. Существуют отдельные кампании, которые предлагают клиенту перейти в мобильное приложение и при желании оформить продукт.

Есть и канал обслуживания в отделениях. Когда клиент приходит в офис, сотрудник открывает карточку и видит подсказки: какие продукты сейчас лучше предложить и насколько высока вероятность отклика. Принцип работы модели похож на тот, что используется в приложении, но реализован отдельно.

Что учитывает модель

В основе лежит большое хранилище признаков. В него входят прошлые отклики клиента, каналы, через которые эти отклики происходили, история открытия продуктов, данные о переводах и платежах, социально-демографические сведения и сведения о поведении в мобильном приложении. На основе прошлого поведения клиентов строятся все рекомендательные модели.

Персонализация текстов

Банк использует широкую сегментацию клиентов по жизненным ситуациям: наличие детей, домашних животных, дачи и другие признаки. С помощью этой сегментации и больших языковых моделей формируются разные варианты текстов смс, уведомлений и писем, чтобы сообщение было более точным.

Доверие и коммерческий баланс

Рекомендательные модели помогают не раздражать клиента навязчивой и неточной рекламой. Система подбирает и продукт, и частоту сообщений. Главный принцип — не перегружать клиента ненужными сообщениями.

Техническая сторона

Здесь нет ничего сверхъестественного. Используются обычные модели классификации. Хранилище признаков строится на данных о переводах и платежах, социально-демографических сведениях, сведениях о поведении в мобильном приложении и истории прошлых покупок банковских продуктов. На основе этого хранилища признаков и целевых событий обучаются модели.

Основа системы

Если говорить именно о рекомендательной системе, то основа — это система следующего лучшего предложения и баннеры в мобильном приложении. Маркетинговый оптимизатор, модели склонности и персонализация текстов — важные дополнения. Вместе они образуют единый механизм, который собирает данные о клиенте и предлагает наиболее подходящие продукты в нужный момент и через правильный канал.