Как работает машинное обучение: кейсы от Газпромбанка, Яндекса и Авито

22 сентября в рамках GPB.Talks прошел онлайн-митап «ML и AI для решения задач в розничном бизнесе», на который зарегистрировалось более 400 человек. Спикеры из Газпромбанка, Авито и Яндекса поделились опытом работы своих компаний с клиентами.

Машинное обучение (ML - Machine Learning) сегодня применяется практически везде – как в быту, так и в бизнесе. Это связано с резким за последние годы увеличением объема данных. Компаниям необходимо их обрабатывать, чтобы быть конкурентоспособными на рынке. В пандемию, когда весь мир переходит “в цифру”, обучение стало особенно актуально. Применение ML-подхода помогает в решении множества простых, но рутинных задач - уменьшить текучку кадров, а также сохранить клиентов.

Управляющий директор департамента анализа данных и моделирования Газпромбанка Денис Занков поделился кейсом работы с оттоком клиентов в банке в рамках CRM-кампаний. Газпромбанк такой подход к решению задачи применял впервые. По словам выступающего, использование ML-моделей позволяет определить клиентов, наиболее склонных к оттоку, чтобы в дальнейшем сгенерировать персонализированное предложение для удержанию розничных клиентов. Этот метод экономически выгоден - по данным Harward Business Review, привлечение нового розничного клиента дороже в 5-25 раз, чем удержать имеющегося.

CEO Yandex.SupportAI Яндекс.Go Татьяна Савельева рассказала, как совмещать последние достижения ИИ и технологий и потребности клиентов. С помощью машинного обучения компания улучшила клиентскую поддержку и оптимизировала работу сотрудников Яндекс.Такси. Алгоритмы программы помогают подсказывать оператору возможные сценарии взаимодействия с клиентом, а применение видеоаналитики улучшает контроль качества. Клиенты стали получать ответы быстрее, а в команде уменьшилась текучка кадров, ведь сотрудникам больше не нужно делать рутинную работу.

Про машинное обучение на мобильных устройствах рассказала senior iOS Engineer “Авито” Екатерина Батеева. По ее словам, в мобильной разработке ML-подход помогает распознавать изображения, голоса, перевод голоса в текст и подбор шаблонного ответа.

Что нужно для внедрения ML? Обычно Data Scientist, дорогостоящее оборудование и сбор данных для моделей. По словам Екатерины Батеевой, есть и альтернативный способ внедрения ML - инструменты и особенности библиотек, с помощью которых можно внедрить машинное обучение в iOS-проекты.