Каждый месяц Альфа-Банк даёт кешбэк на самые популярные категории товаров. Как их выбирают?

Рассказываем, как работает такая модель.

Кешбэк — это всегда приятно, а когда вы можете сами решить, за какие именно траты вернуть деньги и в результате неплохо сэкономить, — ещё лучше. Гибкая программа кешбэка в Альфа-Банке позволяет получать максимальную выгоду: клиент может сам выбрать, в каких категориях покупок получать повышенный кешбэк. В этом материале расскажем, каким образом Альфа-Банк определяет категории для повышенного кешбэка.

Чтобы удержать своих клиентов и привлечь новых, Альфа-Банк разрабатывает различные программы лояльности. Категорийный кешбэк — одна из таких. С его помощью банк предлагает людям самим выбирать категории, в которых они хотят возвращать больше денег.

Категорийный кешбэк — это повышенный процент возврата в определённых категориях трат, например в магазинах одежды, ресторанах, транспорте или других сегментах, интересных для конкретного человека. Категории для кешбэка Альфа-Банк подбирает с помощью машинной модели рекомендаций. Эта модель собственной разработки уже более года помогает клиентам подключать выгодные для них категории и получать максимум кешбэка.

Модели рекомендаций в общем — это алгоритмы, которые анализируют интересы пользователей и на их основе предлагают персональные решения. По схожему принципу действуют алгоритмы в интернет-магазинах, соцсетях, стриминговых сервисах: для каждого пользователя они индивидуально подбирают музыку, видео, товары, посты, рекламу.

Задача банковской модели категорийного кешбэка — сформировать для каждого клиента персональный набор категорий для повышенного кешбэка в наиболее актуальных для него сферах расходов. Людям такая модель помогает больше экономить на регулярных покупках, а банку — точнее подбирать категории с учётом предпочтений клиентов и условий программы лояльности.

Модель категорийного кешбэка Альфа-Банка — это комбинация нескольких алгоритмов машинного обучения: модели прогноза трат, модели «интереса», алгоритма оптимизации. Вот как они работают:

1. Прогнозируют общие траты. Модель анализирует траты за предыдущие месяцы и прогнозирует, сколько клиент может потратить в следующем. Это позволяет более точно рассчитывать совокупную сумму расходов клиента. Помимо трат в прошлом, для обучения модели используются персональные данные человека, его кредитная история, поведение в банке.

2. Прогнозируют траты в категории. Модель похожа на модель выше, но более детализирована: теперь целевой переменной выступают траты клиента в категории. Цель модели — прогнозировать базу начислений кешбэка, то есть ту сумму трат, на которую будет начислен кешбэк. Данные для обучения этой модели используются такие же, как и для предыдущей.

В качестве алгоритмов машинного обучения в основе этих моделей лежит CatBoostRegressor. Чтобы модель не ошиблась, ей нужно ориентироваться на какие-то метрики. Основной метрикой качества выступает RMSE (корень средней квадратичной ошибки). Ошибки моделей сравниваются в том числе с бейзлайном — базовой моделью для сравнения. За бейзлайн взяты средние траты клиента, в целом или в категории, за последние несколько периодов.

Модели переобучаются каждый месяц, и важно, чтобы качество модели всегда было строго выше бейзлайна.

3. Ранжируют категории. «У нас было два варианта, как реализовать модель интереса. Более креативный — использовать модель интереса, которая основана на методе TF-IDF. Такая модель в каждой категории сравнивает персональный интерес клиента со средними тратами по банку. Более простой подход — принять гипотезу, что чем больше человек тратит, тем интереснее ему категория. В итоге мы выбрали подход с TF-IDF», — рассказывает Нина Комарова.

Строго говоря, модель интереса — не совсем модель. Матрицу TF-IDF считают на всех клиентах и ранжируют интересы к категориям в рамках каждого клиента. Таким образом, на выходе модели интереса мы получаем отранжированный список категорий на клиента.

4. Оптимизируют выбор категорий. Заключительный этап — выбор оптимального сета категорий на человека. За это отвечает оптимизатор. Его задача — подобрать такой набор категорий, чтобы мы, с одной стороны, учли бюджетные ограничения, а с другой — по максимуму удовлетворили интерес клиентов.

Оптимизатор перебирает все возможные комбинации этих категорий и отсеивает те наборы, которые не соответствуют заданным критериям программы лояльности. После подключается модель интереса. Она рассчитывает совокупный интерес сета и оставляет один максимально интересный.

Каждый месяц модель рекомендаций категорийного кешбэка переобучается на актуальных данных. Например, чтобы спрогнозировать категории на июнь, последний месяц, который модель видит в обучении, — март. Апрель в текущем варианте будет использоваться как отложенная выборка для валидации.

Модель внедряли поэтапно. Через три месяца после начала разработки её запустили на ограниченном числе клиентов и сотрудников банка, затем постепенно увеличивали охват. Полный переход всех клиентов на программу категорийного кешбэка занял около полугода.

Текущая модель подбора категорий кэшбэка позволяет программе лояльности оставаться выгодной не только для клиента, но и для банка. Можно утверждать, что сегодня категорийный кэшбэк Альфа-Банка покрывает более 90% всех регулярных трат клиентов.

Модель рекомендаций категорийного кешбэка работает уже больше года. В Альфа-Банке нет прямых KPI, по которым можно строго судить о работе модели, но есть косвенные метрики, которые указывают на её эффективность. Это увеличение числа клиентов с выбором кешбэка и траты в выбранных категориях.

По словам Нины Комаровой, ML-инструменты позволяют более эффективно использовать бюджет данной программы лояльности. От точности прогнозов трат в категориях зависит корректный расчёт затрат на каждый из сетов. А это, в свою очередь, повышает шансы максимально удовлетворить клиента и остаться в выделенном бюджете.

Опыт Альфы показал, что эти инструменты подходят под любой запрос бизнеса и работают эффективнее в сравнении с простыми бизнес-правилами. Подобный подход можно использовать почти в любом процессе, где необходимо максимизировать выгоду с учётом стратегических задач. Например, комбинация прогноза трат и оптимизатора над ними может быть полезна в задаче развития клиентского опыта, чтобы сделать его максимально приятным и эффективным.

На ближайшее время у специалистов Альфа-Банка есть несколько задач: