Поделиться
Банк «Компаньон» с помощью ИИ увеличил конверсию продаж в 5 раз
Банк «Компаньон» внедрил технологии ИИ для продаж банковских продуктов. Проект реализован при поддержке ИT-партнера Databorn и полностью выполнен на open-source стеке. Об этом CNews сообщили представители Databorn.
Аналитики разработали MVP модели Next Best Offer, а для ускорения тестирования гипотез внедрили Feature Store (хранилище признаков). Решение позволило банку выстроить процесс диджитал-продаж и в пять раз увеличить конверсию заявки в покупку.
В основе метода лежит использование моделей машинного обучения и математической оптимизации для выстраивания процесса взаимодействия с клиентами наиболее эффективным способом. Решение подбирает лучший канал для коммуникации с клиентом и наиболее подходящий для него продукт. Кроме того, внедренные технологии помогают оптимизировать KPI по продажам и учитывают бизнес-ограничения при взаимодействии с клиентами и продаже им продуктов банка.
В рамках проекта аналитики разработали дорожную карту дальнейшего развития технологического решения, что позволит достичь лучших результатов KPI по продажам. Кроме того, за счет развития Feature Store и MLOps-технологий существенно сократится внедрение моделей ИИ в продакшн.
«Это не финальная стадия нашего проекта. На текущий момент мы разработали MVP продукта NBO, и это показало отличные результаты решения. Следующим шагом станет разработка новых моделей. В банке большое количество клиентов и множество продуктов, которые им можно предложить. При этом есть ограниченный объем коммуникаций, которые можно совершить за неделю с клиентской базой. Для того, чтобы определить, с какими именно клиентами лучше всего прокоммуницировать, в каком именно канале коммуникации (звонок, смс или пуш) и какой продукт лучше всего предложить, мы сначала строим ML-модели, которые прогнозируют вероятности покупки клиентами различных продуктов при коммуникации по различным каналам, а далее разрабатываем модель математической оптимизации (движок принятия решений), которая отбирает оптимальный список клиентов для коммуникаций, наиболее релевантные предложения для каждого клиента и наилучший канал для коммуникации с ним», – сказал Вазген Амбарцумов, руководитель группы аналитиков Databorn.
«Мы получили бесценный опыт и методологию работы с задачей маркетинговой оптимизации, за короткий период силами команды Data Science банка и специалистов Databorn был разработан, запущен в работу и оценен MVP NBO на базе одного из продуктов банка. Кроме того, внедрены новые решения из культуры MLOps, оптимизирована работа по рутинным задачам и составлена дорожная карта развития продукта, по которой мы уже движемся дальше», – сказал Дмитрий Сорока, главный Data Scientist банка «Компаньон».
Поделиться
Короткая ссылка
