Как персонализировать 3,5 млрд сообщений в месяц с помощью нейросетей и увеличить продажи до 40%
Три года назад Альфа-Банк внедрил модельные предиктивные коммуникации с клиентами — и теперь делится результатами.
За последние годы Альфа-Банк существенно расширил линейку продуктов. Это не только классические банковские услуги, но и программы кешбэков, подписки, различные виды страхования и инвестиций — всего более 100 сервисов. Чтобы их продвигать, Альфа каждый месяц осуществляет миллиарды рекламных взаимодействий с клиентами через смс, пуши, сообщения в банкоматах, баннеры в приложениях, звонки и другие каналы коммуникации.
Отправлять одни и те же сообщения всем подряд — не самая эффективная стратегия. Конверсия относительно низкая, а лояльность клиентов падает из-за большого количества неинтересных им предложений. Чтобы общение было полезным и банку, и аудитории, в Альфе решили сделать коммуникации индивидуальными. Разработкой и реализацией проекта занялось подразделение CRM.
Пришли к этой идее не сразу. Всё случилось в 2021 году, когда Альфа большими темпами увеличивала маркетинговую активность. Статистика продаж росла, однако вместе с ней увеличивалось недовольство аудитории.
«Мы проанализировали обратную связь и обнаружили, что зашли слишком далеко с точки зрения объёмов коммуникаций. Стало понятно, что их надо персонализировать — определять, какому клиенту, через какой канал и в какой момент времени показывать то или иное предложение. В масштабах Альфы вручную это делать невозможно, поэтому команда начала внедрять в рекламный процесс предиктивные модели машинного обучения».
Сила модельного предиктивного подхода
Предиктивный подход дает компании возможность предугадать поведение и потребности каждого отдельно взятого пользователя с помощью анализа данных и математических моделей.
В Альфе это работает так. Нейросети на основе доступных данных о клиентах предсказывают вероятность совершения определенных действий — от клика по баннеру или ссылке до финального действия — это может быть открытие вклада, оформление страхового полиса, заказ кредитной карты, выбор категорий повышенного кешбэка, участие в акции или розыгрыше призов и так далее. Смысл в том, чтобы вместо множества случайных сообщений отправлять клиенту только те предложения, которые могут его заинтересовать.
«Для каждого клиента в системе формируется скоринговая карта. Там отражены его интересы, сферы деятельности и склонности к тем или иным действиям в разных каналах коммуникации с банком. Эти данные поступают в "движки персонализации", которые в автономном режиме определяют параметры взаимодействия с тем или иным пользователем».
В частности, «движки персонализации» решают:
- Какие продукты и предложения показывать. Тот, кто присматривается инвестициям, получит хорошее инвестиционное предложение. Активный пользователь карты — выгодные условия кешбэка. Система учитывает историю всех цепочек взаимодействия Альфы с клиентом: чем чаще человек пользуется продуктами банка, тем точнее становятся предложения.
- Через какие каналы и в какое время коммуницировать. Система определяет лучший вариант для каждого типа сообщений: одно взаимодействие может быть эффективнее через баннер, другое — через пуш. Время подбирается так, чтобы клиент был расположен к получению информации, а предложение было актуальным. Например, о скидках на авиабилеты система сообщит перед отпуском (а не после него).
- В какой последовательности отправлять сообщения. Кто-то любит, когда начинают с главного, другим нравятся заходы издалека.
- Какой визуальный контент использовать. Алгоритмы могут адаптировать дизайн баннера, подобрать лучший вариант картинки.
Например, если известно, что у человека есть домашнее животное, система может предложить скидку или кешбэк от партнерской ветеринарной клиники, которая находится поблизости. И напротив: подобные предложения не получат те, у кого нет питомцев.
Другой пример — кредитные карты. Тому, кто только что переехал, банк предложит оформить продукт как возможность не откладывать ремонт. А человека с частыми рабочими поездками карта может заинтересовать как подушка безопасности, которая выручит в случае непредвиденных трат в командировках.
Часть коммуникаций — триггерные, они привязаны к определенным событиям. Если заканчивается срок действия вклада, пользователь получит предложение открыть новый вклад, чтобы не останавливать начисление процентов. Также сообщение может прийти, когда клиент близок к получению бонусов. Скажем, нужно добрать небольшую сумму покупок по карте для повышенного кешбэка.
Внедрение: от проверки гипотез до запуска
Когда в банке приняли решение о переводе коммуникаций на предиктивный подход, команда персонализации начала последовательно покрывать моделями процесс за процессом, продукт за продуктом — так, что со временем охватила каждую баннерную локацию, каждый звонок из колл-центра и каждую всплывающую подсказку, которую видит клиент. Но путь этот не был быстрым.
Основную часть времени занимают эксперименты. На этом этапе отсеивается большинство гипотез — до внедрения в систему доходит только около 30%.
«Прежде чем менять коммуникацию, мы проводим классические A/B-тестирования. Это позволяет понять, действительно ли предлагаемые обновления — будь то баннер, система сортировки контента или смена визуального оформления — влияют на поведение пользователей. Каждый эксперимент занимает от одного до трёх месяцев и полностью оправдывает затраченные время и усилия. Например, гипотезы, которые в теории кажутся прорывными, на практике могут не работать, и наоборот».
Первые тесты были направлены на то, чтобы понять, работает ли персонализация в принципе и может ли она влиять на поведение клиентов.
Начали с проверки базовых гипотез. Например, команда предполагал��, что эффективность телефонных звонков во многом зависит от правильно подобранных характеристик голоса: мужской или женский, высокий или низкий, мягкий или грубый. Но тесты показали, что существенного значения это не имеет.
В диджитал-каналах тестировали визуальные элементы: меняли цветовые гаммы, виды изображений и элементы оформления. Например, выяснили, что вид первого баннера на главном экране приложения может менять показатели конверсии в пределах 30%. При этом значение имеет всё: от представленного на баннере продукта до дизайна и текста.
Если гипотеза показывает свою эффективность, как в случае с адаптивными баннерами, дата-сайентисты берут данные эксперимента — и на их основе строят модель, которую затем интегрируют в «движок персонализации».
Что в итоге: результаты и планы по развитию
Благодаря модельному предиктивному подходу к весне 2025 года система персонализирует 3,5 млрд маркетинговых касаний с клиентами в месяц в разных каналах Альфы: от пушей в смартфонах до уведомлений в банкоматах. Ежемесячно команда запускает не менее тысячи новых единиц контента, а пользователи стали на 13% реже отказываться от получения рекламных сообщений.
«Теперь клиенты видят только те уведомления и предложения, которые их заинтересуют с наибольшей вероятностью. В итоге общий объем коммуникаций сократился на 25% при том, что количество продаж через собственные каналы коммуникации банка увеличилось на 5–40% в зависимости от типа продукта. У “тяжелых” предложений, таких как ипотека, рост ожидаемо невысокий: люди не каждый день покупают недвижимость. Максимальный — у “легких” продуктов, например, у подписки: такие опции недорогие, с понятной выгодой, а еще их можно оформить спонтанно».
Альфа продолжает работать над тем, чтобы сделать персонализацию еще точнее, а также развивает новые для себя направления. Ставку делают на внедрение генеративного ИИ и персонализацию в режиме реального времени.
Внедрение генеративного ИИ поможет не только персонализировать готовый контент, но и поручить моделям его создание: писать тексты, общаться голосом, генерировать изображения. Также генеративный ИИ сможет создавать виртуальных ассистентов для сотрудников на основе данных скоринговых карт. Например, такой помощник будет помогать менеджеру отделения банка находить подход к клиенту на протяжение всего визита, начиная с первой секунды.
Персонализация в режиме реального времени подразумевает, что система реагирует на действия и потребности клиента мгновенно. Прямо сейчас команда экспериментирует с адаптивной выдачей контента по примеру «умных лент» в соцсетях: стоит сделать хотя бы одно нажатие — и алгоритм тут же перестраивает выдачу контента. По такому же принципу команда учит Альфа-Мобайл подстраиваться под сиюминутные интересы каждого пользователя. Частично функция уже работает: мобильный банк в реальном времени анализирует взаимодействие клиента с контентом и автоматически приоритезирует показ наиболее релевантных предложений и сервисов.
«Мы стремимся сделать каждый контакт с банком не только функциональным, но и эмоционально комфортным для клиента. Это постоянный процесс, и мы видим, что развиваемся в верном направлении».