Как ИИ и методология Ромашка помогают нам быстро создавать персональные рекламные пуши

И сколько критериев мы анализируем, чтобы сделать такое сообщение, на которое вы точно кликнете.

1.7K показов 241 открытие

Предложения открыть накопительный счёт под специальный процент или посмотреть новую подборку фильмов от нашего партнёра Okko в пушах Сбера приходят вам не потому, что нашему маркетологу срочно потребовалось поднять продажи. Их для вас генерирует искусственный интеллект, анализируя более 2000 параметров. Он оценивает вашу жизненную ситуацию и контекст, а затем предсказывает, какие продукт или услугу Сбера вам можно предложить. Рассказываем, как он это делает и что из этого получается.

Методология Ромашка

В основе этого клиентоцентричного подхода лежит методология, которую мы ласково назвали «Ромашкой». В центре нашей Ромашки — клиент, вокруг него располагаются 11 базовых жизненных сфер и 81 жизненная ситуация. Жизненные ситуации, в свою очередь, раскладываются на более чем 350 потребностей.

Из всех потребностей мы выбрали 103, с которыми работаем в первую очередь — они чаще возникают у клиентов, а у нас и наших партнёров есть продукты и услуги, которые закрывают их и приоритетны для B2C:

• Есть очевидные варианты, например, «Найти деньги на отпуск» — для этого у банка есть продукты кредитные и накопительные. В рамках жизненной ситуации мы можем предложить клиенту такие продукты, как «накопительный счёт» или «кредит», исходя из его дохода, привычек и инвестиционного поведения.
• А вот пример одного из менее очевидных вариантов: «Добраться до места» — для мам с колясками это может быть отдельной задачей. У нашего партнёра — сервиса 2ГИС есть опция «проложить маршрут без лестниц», которая будет для них полезной и сможет облегчить путь.

Мы уже научились определять потребности клиента с точностью до 65% и продолжаем повышать этот показатель. В этом нам помогает AI-прогнозирование и обширный сбор данных. Мы агрегируем их из источников, где клиенты совершали покупки (транзакции) с помощью сервисов и продуктов банка.

Модели выявляют закономерности и учатся понимать, как клиенты действовали в прошлом. На основе этих данных они прогнозируют аналогичные действия на период в будущем. Степень точности определяется как доля людей, которые, действительно, закрыли свою потребность в прогнозный период. Например, 60% по модели прогноза «Похода в ресторан» означает, что 6 из 10 человек, отобранных моделью, действительно пойдут в ресторан в определённый период времени.

Само целевое действие зависит от потребности. Как правило, это использование предлагаемого продукта или сервиса: регистрация, применение промокода, покупка (товаров, услуг, банковских продуктов) у компаний-партнёров или у конкурентов.

Кроме потребностей клиента мы анализируем контекст (события или условия, в которых находится человек) — например, погоду в его городе или курсы валют. При этом мы используем данные как из внешних источников (например, данные о погоде в городе мы можем получить от нашего партнёра — сервиса Рамблер), так и из внутренних (например, мы узнаём, если клиент забыл карту в банкомате или оставлял обращение в банк).

На основе этих данных мы можем скорректировать сценарии, которые будут предлагаться клиенту в разных каналах. Например, если в его городе ненастная погода, система предложит посмотреть кино в выходные. А если клиент звонит в наш контактный центр, потому что забыл карту в банкомате, то система сразу расскажет ему, как получить её обратно.

Простыми словами объясним, как устроен процесс анализа, на примере двух семей — Синицыных из Петербурга и Ефимовых из Сочи, — которым нужна подсказка о том, как провести выходные.

Помощь искусственного интеллекта

18 потребностей из приоритетного списка сейчас прогнозирует ИИ-модель типа «трансформер». Это относительно новый тип нейросетей, предназначенных для решения задач с последовательностями. В нашем случае последовательность — это цепочка действий клиентов за период. К началу следующего года мы планируем увеличить количество прогнозируемых приоритетных потребностей до 26.

Трансформерные архитектуры стали популярны благодаря моделям, работающим с текстом. Только они работают с цепочкой слов, а у нас вместо слов — действия клиентов. У трансформеров много преимуществ, но особенно важны для нас эти два:

1. Обычно, чтобы обучить модель, необходимо предварительно обработать данные: преобразовать последовательность в набор более простых признаков (например, посчитать сумму или частоту всех действий в определённой категории магазинов), и уже их подать в модель для обучения. При таком подходе есть риски потери части информации. Трансформер работает с исходной последовательностью и сам выявляет необходимые закономерности.
2. Вторым преимуществом такой модели является то, что мы отдельно обучаем «тело» трансформера, а его результаты можно использовать в качестве данных для «маленьких» моделей, прогнозирующих конкретные потребности. То есть вместо 100 «больших» моделей для каждой отдельной потребности у нас одна большая. Это позволяет быстрее создавать модели для новых потребностей, так как нет необходимости для каждой задачи проходить полный цикл разработки (собирать данные, обучать, проверять, вводить в эксплуатацию).

Модель обучается на цифровых следах клиентов: покупках (транзакциях) по картам, использовании сервисов и продуктов банка и партнёров. В этих 18 приоритетных потребностях мы можем приносить наибольшую ценность клиентам, и сейчас закрываем их с точностью от 40% до 65%. К концу 2023 года планируем обучить ИИ работать ещё с 8 потребностями, а точность увеличить до 70%.

После коммуникации с клиентами мы анализируем не только точность определения потребности, но и долю клиентов, закрывших свою потребность не у нас, а у конкурентов. Ищем причины этого и дорабатываем продукт и путь, чтобы в будущем клиенту было выгоднее и удобнее закрывать потребность у нас.

С помощью Ромашки мы можем предложить пользователю один из 600 продуктов и услуг Сбера и его дочерних компаний в тот момент, когда ему это действительно нужно. Если мы попадаем в потребность клиента и удовлетворяем её, то можем повысить доверие к компании и определить новые сферы бизнеса для органичного присутствия в жизни клиента. И улучшить конкурентоспособность своих продуктов и сервисов.

Становясь помощником клиента в любой жизненной ситуации, Сбер приближается к тому, что быть настоящим lovemark для каждого из 107 миллионов наших клиентов. Присоединиться к командам анализа данных и помочь в развитии Ромашки и создании самых клиентоцентричных рекламных пушей можно через одну из открытых вакансий на нашем карьерном портале.

Источник: vc.ru