Содержание:
Чтобы поддерживать интерес клиентов к действующим продуктам и рассказывать им о новых предложениях, компании используют разные каналы коммуникации. Например, обзванивают, рассылают СМС, push-уведомления или имейлы.
На коммуникацию с клиентами тратятся большие бюджеты, и важно использовать их эффективно. Для этого надо понимать: через какой канал отклик будет выше, как предпочитает получать сообщения конкретный клиент, сколько денег выделить на имейл-рассылку и звонки в рамках одного сценария. Можно бесконечно строить гипотезы и проверять их вручную, но на это нужно слишком много времени. В Газпромбанке решили автоматизировать процесс и запустили маркетинговый оптимизатор, для которого построили модели машинного обучения на основе Big Data. Как разрабатывали это решение, рассказала команда стрима CRM.
На коммуникацию с клиентами тратятся большие бюджеты, и важно использовать их эффективно. Для этого надо понимать: через какой канал отклик будет выше, как предпочитает получать сообщения конкретный клиент, сколько денег выделить на имейл-рассылку и звонки в рамках одного сценария. Можно бесконечно строить гипотезы и проверять их вручную, но на это нужно слишком много времени. В Газпромбанке решили автоматизировать процесс и запустили маркетинговый оптимизатор, для которого построили модели машинного обучения на основе Big Data. Как разрабатывали это решение, рассказала команда стрима CRM.
Как разрабатывали оптимизатор и строили вероятностные модели
Маркетинговый оптимизатор реализовали совместно с подрядчиком GlowByte, индивидуальная разработка по заказу Газпромбанка шла в течение 2021 года. Вендор отвечал за исполнение всех требований по продукту, чтобы тот работал корректно. Команда со стороны банка занималась аналитикой и данными по продукту: определила бизнес-события, построила модели, донастроила оптимизатор и дала рекомендации, как его использовать.Над задачей работали несколько кросс-функциональных команд стрима CRM, в которые вошли IT-подразделения и розничный бизнес.
В IT-части в банке выстроен полноценный ML-процесс. Разработка моделей велась на Python с использованием современных библиотек. Внедрение происходило с помощью технологии контейнеризации Docker.
Специалисты построили модели, которые вычисляют вероятность отклика каждого клиента на разные банковские продукты в зависимости от канала коммуникации. То есть оформит пользователь, например, дебетовую карту с новыми условиями или нет.
Модель в маркетинговом оптимизаторе — это комбинация моделей на каждый продукт с тем или иным каналом. При этом учитывается доходность, которую принесет клиент, и затраты банка на маркетинговую кампанию. То есть модуль рассчитывает оптимальную стратегию коммуникаций для каждого клиента и позволяет максимально увеличить доходность кампании с учетом предпочтений и ограничений, например на пропускную способность каналов. Такие расчеты проводятся на сегменте клиентов, которые дали банку согласие на коммуникацию.
В основе оптимизации лежат классические модели отклика. Они построены методом машинного обучения — градиентным бустингом LightGBM с калибровкой через изотоническую регрессию. Градиентный бустинг позволил последовательно объединять ряд простых моделей, каждая из которых училась на ошибках предыдущей. Таким образом получилась более точная и сложная модель. А калибровка помогла подогнать прогнозную вероятность события под фактическую. Важно было валидировать модельную вероятность отклика по каждому продукту и каналу. Это позволяло иметь четкие математические ожидания по доходности, то есть сколько банк сможет заработать.
Что учли дата-сайентисты, чтобы оптимизатор выдавал точный результат
При запуске проекта не было понимания, что считать откликом и на какие бизнес-события можно влиять с помощью оптимизатора. Чтобы это определить, команда пообщалась с CRM-подразделением и специалистами, которые отвечают за продукт и развитие платформы данных. Дальше провела глубокий анализ: определила пул продуктов, на которые можно влиять через оптимизатор, оценила качество данных и корректность работы модели на этих данных.Было понятно, что высокая точность модели не гарантировала успеха. Необходимо было учесть жизненный цикл некоторых продуктов, например ипотеки. Ведь решение по кредиту на жилье отсроченно во времени, что влияет на эффективность прогноза.
Когда специалисты настраивали модель, то сделали так, чтобы она учитывала поведение «среднего клиента», а не только тех, кто активно пользуется банковскими продуктами или изредка обращается за кредитом.
Чтобы проверить точность прогнозов, провели тестирование.
Когда специалисты настраивали модель, то сделали так, чтобы она учитывала поведение «среднего клиента», а не только тех, кто активно пользуется банковскими продуктами или изредка обращается за кредитом.
Чтобы проверить точность прогнозов, провели тестирование.
Поскольку мы не знали условную отсечку для оценки ошибок первого и второго рода, то при построении моделей отклика в качестве основной метрики качества ранжирования использовали ROC AUC (площадь под кривой ошибок). На следующем этапе эту отсечку задавала сама функция оптимизации маркетинговых коммуникаций, которую мы проверили на пилотном запуске.
По результатам первых тестовых запусков стало понятно, как будет работать функция и какое распределение маркетинговых предложений на выходе получат специалисты. Это позволило более детально смотреть на эффективность моделей, например, по метрике Lift. С ее помощью можно сравнить вероятности откликов на определенном и рандомном сегментах.
Метрика Lift показала, что вероятность отклика в сегменте заинтересованных клиентов значительно больше, чем у рандомных. То есть если предложить оформить кредит случайным клиентам, результаты будут хуже.
В итоге весной 2022 года команда закончила основные работы.
Метрика Lift показала, что вероятность отклика в сегменте заинтересованных клиентов значительно больше, чем у рандомных. То есть если предложить оформить кредит случайным клиентам, результаты будут хуже.
В итоге весной 2022 года команда закончила основные работы.
Что умеет маркетинговый оптимизатор
Маркетинговый оптимизатор — это модуль, который показывает, как распределить долю коммуникаций между каналами, чтобы получить нужную прибыль. Например, 50% на имейл-рассылку, 30% — на СМС, а 20% — на звонки. Модуль самостоятельно анализирует информацию и разрабатывает сценарии. Специалисту надо только заполнить исходные данные:- Указать клиентов по характеристикам, например возрасту, семейному положению, географии, доходу.
- Выставить ограничения по каналам коммуникации. Машина исключит из рассылки определенные категории клиентов. Например, тех, кто подал на банкротство или отказался получать письма от банка.
- Уточнить особенности контактной политики. Модуль проанализирует количество предложений, которые получал клиент за последнее время. А затем исключит его из рассылки, если в компании есть ограничения на количество контактов. Например, нельзя предлагать больше двух продуктов в месяц.
- Указать стоимость коммуникации. Этот параметр помогает построить сценарий с учетом стоимости различных каналов.
- Указать доходность продукта. Модуль строит сценарий, в котором показывает, как распределить клиентов по каналам коммуникации так, чтобы получить определенный доход.
- Обозначить целевую функцию. Сценарий можно разработать с учетом одной из двух целей — максимизации доходности или максимизации продаж. В первом случае модуль предложит отправлять в основном высокомаржинальные продукты через дешевые каналы коммуникации, во втором — покажет, как добиться большего числа активаций.
При разработке сценария в оптимизаторе можно настроить пропускную способность каналов коммуникации. Например, операторы контактного центра в день совершают определенное количество звонков. Это помогает не перегрузить специалистов — так они будут больше времени уделять каждому клиенту и детальнее прорабатывать вопрос. В результате банк получит высокую прибыль.
Автоматизация маркетинговых коммуникаций — не единственная задача, которую решает оптимизатор. Он помогает проверять маркетинговые гипотезы благодаря гибкой настройке: меняя первоначальные данные, специалисты получают разные варианты взаимодействия с клиентами.
Например, модуль рассчитал долю коммуникаций для нового ипотечного продукта по всем каналам. Специалисты хотят проверить: что будет с прибылью, если не делать СМС-рассылку. Ее отключают в настройках и снова запускают оптимизатор. Таким образом можно сравнивать не только вероятные будущие запуски, но и оценивать эффективность прошлых маркетинговых сценариев.
Например, модуль рассчитал долю коммуникаций для нового ипотечного продукта по всем каналам. Специалисты хотят проверить: что будет с прибылью, если не делать СМС-рассылку. Ее отключают в настройках и снова запускают оптимизатор. Таким образом можно сравнивать не только вероятные будущие запуски, но и оценивать эффективность прошлых маркетинговых сценариев.
Оптимизатор не просто распределяет коммуникации между каналами, но и учитывает предпочтения клиентов. Например, если человек отписался от СМС-рассылки, то система исключит его из сценария. Благодаря этому удается оптимизировать маркетинговые рассылки.
Чтобы увеличить отклик на продукты, которые продвигает банк, модуль рассчитывает, какой канал предпочтет клиент в тот или иной момент времени. Еще он помогает оценить стоимость рассылки в зависимости от продукта. Например, можно посчитать, во сколько обойдется запуск сценария общения с клиентом, в результате которого он оформит потребительский кредит или банковский вклад.
Чтобы увеличить отклик на продукты, которые продвигает банк, модуль рассчитывает, какой канал предпочтет клиент в тот или иной момент времени. Еще он помогает оценить стоимость рассылки в зависимости от продукта. Например, можно посчитать, во сколько обойдется запуск сценария общения с клиентом, в результате которого он оформит потребительский кредит или банковский вклад.
Как модуль выбирает оптимальные каналы коммуникации
Чтобы спрогнозировать эффективность рассылки, оптимизатор строит вероятностные модели. На основе сложных математических формул он рассчитывает, готов ли клиент приобрести тот или иной продукт в конкретный момент времени. Для каждого продукта разработана своя вероятностная модель. Также модуль определяет, по каким каналам клиент предпочитает получать рассылки и с какой вероятностью банк одобрит кредит. Если клиент закредитован или имеет небольшой доход, ему вряд ли дадут заем.Оптимизатор помогает найти золотую середину, когда интерес клиента к продукту уравновешивается возможностью банка одобрить его.
Для расчетов модуль использует информацию из хранилища данных банка. Например, он «видит»: клиент полгода назад установил мобильный банк, но заходит в него раз в месяц. Предлагать ему продукт через приложение неэффективно — человек этого просто не увидит. Оптимизатор учтет это при анализе и включит такого клиента в коммуникацию, например, через кол-центр.
Какие результаты показало пилотирование
Первый пилот запустили на небольшом сегменте в 100 000 человек, чтобы проверить эффективность каждой модели. Результаты сравнивали с контрольным сегментом, на котором оптимизатор не применялся. Получилось, что по некоторым продуктам прирост был или незначительный, или отрицательный — эти модели дата-сайентисты откалибровали, чтобы актуализировать вероятность отклика.Существенный прирост получили по кредитным картам — 2–3%. То есть в тестовом сегменте продукт оформляли чаще.
В мае запустили пилот, чтобы оценить работу самого модуля и эффективность маркетинговых сценариев, которые строятся на комбинации моделей. Выборка была ограничена — 40% от всех клиентов, которые были включены в рекламные кампании. Это около 2 млн человек — с ними банк общался с учетом рекомендаций оптимизатора. С остальными клиентами маркетинг строился по стандартным бизнес-правилам.
Хорошим откликом в Газпромбанке считают прирост в 10%. Запуск оптимизатора дал общий прирост отклика в 23%. Кроме того, на 58% удалось увеличить дополнительные выдачи — это продукты, которые оформили клиенты, не участвовавшие в кампании. Они не прошли отбор по бизнес-правилам — на них строится маркетинговая коммуникация в банке. Но оптимизатор посчитал, что таким клиентам стоит предложить, например, потребительский кредит, — и расчеты оказались верны.
Хорошим откликом в Газпромбанке считают прирост в 10%. Запуск оптимизатора дал общий прирост отклика в 23%. Кроме того, на 58% удалось увеличить дополнительные выдачи — это продукты, которые оформили клиенты, не участвовавшие в кампании. Они не прошли отбор по бизнес-правилам — на них строится маркетинговая коммуникация в банке. Но оптимизатор посчитал, что таким клиентам стоит предложить, например, потребительский кредит, — и расчеты оказались верны.
После пилота на ограниченном сегменте маркетинговый оптимизатор запустили на все маркетинговые кампании и всех клиентов. В ближайшем будущем планируется масштабировать продукт на автокредиты, инвестиции. По ним оптимизатор также будет выдавать рекомендации на основе вероятностных моделей.
.png)
