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.

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.

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:

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.

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:

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.