За последние несколько лет многие российские банки на собственном опыте убедились, что сегодня уже недостаточно конкурировать только за счет продуктов и ставок. Сейчас все чаще можно услышать о клиентоцентричной (клиентоориентированной) модели развития – когда банк не диктует условия предоставления услуг, а, напротив, следует за потребностями клиента.
Переход к такой модели выдвигает определенные требования. Во-первых, у банка должен быть широкий спектр продуктов и услуг, позволяющий удовлетворить потребности разнородной клиентской базы. Вместе с тем необходимо четко понимать, какому клиенту в какой момент времени предложить тот или иной продукт. Можно было бы предоставить право выбора самим клиентам, просто предлагая им все возможные варианты, но такая коммуникация через дистанционные каналы (e-mail, SMS, мессенджеры, контакт-центр, интернет-банк, мобильный банк и пр.) будет слишком дорогой и на определенных клиентских сегментах попросту не окупится. Кроме того, такой подход противоречит самой идее ориентации на потребности клиента.
Именно поэтому банки сегодня вынуждены конкурировать в области анализа клиентских данных, стараясь выявить конкретные потребности клиентов – чтобы максимально оперативно подключить необходимые коммуникации. Для решения первой задачи (выявление потребностей) используются методы машинного обучения и модели склонности к потреблению того или иного продукта. В целях повышения эффективности коммуникаций внедряют специализированные модели кросс-продаж, позволяющие контактировать с клиентом в режиме реального времени (real-time marketing).
Банк УРАЛСИБ развивает оба эти направления. Сегодня мы используем широкий спектр моделей отклика для решения различных задач, а для повышения качества моделей применяем методы машинного обучения.
Модели склонности к потреблению продукта помогают разделить клиентов на «хороших» и «плохих» с точки зрения вероятного отклика на продуктовое предложение. Это позволяет рационально распределять бюджет, исключая расходы на тех клиентов, которые в данном продукте не нуждаются. Кроме того, сам процесс коммуникации становится более гибким и позволяет эффективно распределять ресурсы и оперативно реагировать на изменения.
Метод классификации позволяет нам разделить клиентов на определенные классы. Например, для работы с оттоком важно выделить особую группу клиентов: с одной стороны, они приносят банку высокий доход, но с другой, высока вероятность их ухода. Именно с такими клиентами необходима активная и своевременная коммуникация.
Наряду с этим банк может выполнять мониторинг транзакционной активности клиента. Так, при снижении числа покупок по дебетовым или кредитным картам (особенно с истекающим сроком действия самой карты) клиент также попадает в класс с высокой вероятностью оттока. В зависимости от размера дохода, который такой клиент приносит банку, мы предлагаем ему различные стимулы остаться: это может быть программа лояльности, повышение класса продукта или отмена годового обслуживания. Выбор предложения, продукта и канала коммуникации (контакт-центр банка, e-mail или специальная отметка в CRM банка для сотрудников отделения) – отдельная задача машинного обучения, решением которой мы также занимаемся.
Разделить объекты на кластеры при изначально неопределенных классах позволяет метод кластеризации, когда по набору продуктовых параметров мы выделяем клиентские сегменты с уникальным сочетанием характеристик. Например, при кластеризации держателей зарплатных карт банка мы видим значительную разницу в модели использования данного продукта: часть клиентов ориентирована на дистанционные каналы обслуживания и активно использует сопутствующие продукты и услуги; другие пользуются картой банка для покупок, совершая при этом часть операций с помощью наличных денег либо с помощью карт других банков; ряд клиентов снимают заработную плату практически сразу после получения. Выявление конкретных драйверов позволяет оценить целевой портрет клиента и выстроить соответствующую стратегию коммуникации в целях максимизации дохода банка.
Для прогнозирования характеристики объекта мы используем метод регрессии. Например, определенный набор внутренних данных (транзакции по картам, объем сбережений и пр.) по физлицу, который не является нашим зарплатным клиентом, позволяет нам прогнозировать его доход. Зная оценку дохода, мы можем сформировать для клиента адекватное продуктовое предложение по кредиту или подобрать оптимальный инструмент сбережения средств, которые будут соответствовать его возможностям.
С помощью регрессии возможно оценить ожидаемую доходность клиента для банка на горизонте «жизни» – и на основе этих результатов построить для него гибкую систему тарифов. Например, мы можем прогнозировать будущую утилизацию лимита по кредитной карте, а это важная составляющая доходности клиента для банка. Можно также выделить факторы, характеризующие высокую вероятность использования средств по кредитной карте. Накладывая их на риск-профиль клиента, мы получаем оценку лимита и потенциальный доход на горизонте «жизни» продукта. По итогам такой оценки для клиентов могут быть установлены специальные тарифные решения, снижена или отменена комиссия
Для повышения качества моделей мы используем несколько методов машинного обучения – нейронные сети, случайный лес и градиентный бустинг. Данные методы уже позволили нам улучшить модели склонности приобретения потребительского кредита и кредитной карты на 10–12% по сравнению с классической логистической регрессией. При этом градиентный бустинг показал наилучший и стабильный во времени результат по индексу Джини1 (до 85 %).
На текущий момент в банке разработан спектр моделей, на основе которых не только проводятся кросс-продажи продуктов (кредита наличными, кредитных карт, дебетовых карт, депозитов), но и оцениваются продуктовые характеристики – например, склонность к кэшбеку. Кроме того, разрабатываются склонностные модели для небанковских продуктов (страховки, инвестиционное страхование жизни и др.), а также модели склонности к оттоку, оценки дохода и прогноза доходности клиента для банка.
Кроме того, подобные модели используются и для продвижения дистанционных каналов обслуживания (ДБО). Сегодня многие банки ставят перед собой задачу по переводу клиентов в дистанционные каналы (прежде всего, интернет-банк и мобильный банк), при этом основной акцент делается на работе с клиентом в точке продаж, где менеджер может не только подключить клиента к ДБО, но и провести для него демонстрацию функционала. Однако, посмотрев на внутренние данные, мы поняли, что входящего потока в сети просто недостаточно для того, чтобы достичь целевых ориентиров по доле клиентов в ДБО (50%). Вот почему перед нами встал вопрос о том, как, имея ограниченный бюджет на коммуникации, подключать к ДБО тех клиентов, которые не приходят в точки продаж.
Для реализации поставленной задачи команда наших аналитиков разработала модель склонности к использованию дистанционных каналов обслуживания на основе градиентного бустинга. При построении данной модели мы проанализировали большое количество факторов, позволяющих предсказать вероятность подключения к ДБО – как внутренних (социально-демографический профиль, параметры продуктов банка, частота использования), так и внешних. В итоге в модель был включен набор таких легко интерпретируемых и обладающих наибольшей предсказательной силой факторов, как возраст, заработная плата, тип (размер) населенного пункта, в котором обслуживается клиент, и продукт, которым он пользуется.
Таким образом мы получили портрет клиента, наиболее лояльного к пользованию ДБО: зарплатный клиент в возрасте до 40 лет, житель крупного города, имеющий или имевший депозитные продукты. Далее мы случайным образом отобрали участников пилотной и контрольной групп. Пилотной группе мы направили SMS со ссылкой на Мобильный банк УРАЛСИБа, а через неделю – e-mail со ссылкой на интернет-банк. По контрольной группе коммуникация не проводилась.
В результате доля клиентов, подключившихся к ДБО после коммуникации, в пилотной группе вдвое превысила этот показатель в контрольной группе. Кроме того, отклик в сегменте «хороших» клиентов (с высокой вероятностью подключения к ДБО), оказался в 10 раз выше, чем в сегменте «плохих» клиентов. Данная модель позволила нам выделить сегмент целевых («хороших») клиентов, коммуникация с которыми экономически оправданна.
Спектр областей применения подобных моделей не ограничивается перечисленными кейсами. Ведется работа по построению моделей с учетом психометрического профиля клиента для снижения дефолта по кредиту; планируется разработка моделей с использованием современных технологий распознавания речи, которые позволят повысить кросс-продажи в банковском контакт-центре за счет выявления наиболее оптимальных скриптов и времени разговора с клиентом.
_____________________
1 Показатель, характеризующий качество моделей: чем больше значение индекса, тем лучше модель разделяет «хороших» клиентов от «плохих» и, соответственно, тем выше качество модели. Индекс Джини является одной из основных метрик для оценки качества моделей.