Как работает рекомендательная система Сбера

Рассказываем о собственной рекомендательной системе Сбера, которую успешно применяют в офисах банка и которая помогает увеличивать продажи дополнительных услуг.

Когда применяют рекомендательную систему

Посещение банка можно разделить на 3 этапа:

1. Клиент обращается в Сбер с запросом: взять кредит, оформить дебетовую карту, обменять валюту.
2. Сотрудник банка выполняет запрос клиента: выдает кредит, оформляет пластиковую карту, меняет рубли на доллары.
3. Сотрудник предлагает клиенту приобрести дополнительные банковские услуги.

Именно на последнем этапе используют рекомендательную систему. Она помогает отобрать те банковские услуги, которые заинтересуют клиента и которые он купит с большей вероятностью.

Зачем нужна рекомендательная система

Сложность в том, что у Сбера много продуктов, в т.ч. продукты партнеров — СберДиск, СберЗвук, СберЗдоровье и т.д. Рассказать клиенту обо всех продуктах не получится: на это уйдет слишком много времени, да и не все они нужны конкретному клиенту.

Также нужно учитывать, что после каждого нерелевантного предложения интерес у человека падает. Несколько неинтересных предложений — и клиент думает уже не о выгоде, а о том, как побыстрее попрощаться с менеджером и уйти.

Поэтому клиентам и нужно предлагать персонализированные рекомендации. Это бизнес-задача, которую должна решить рекомендательная система. Пользователю откликается продукт — он покупает — банк получает доход.

Как спрогнозировать, что именно заинтересует клиента

Чтобы обучить рекомендательную систему подбирать максимально релевантные продукты, мы пользуемся такой формулой: Вероятность покупки × Доход от продажи продукта = Ожидаемый доход от каждого продукта.

Формула решает сразу две задачи:

1. Показывает, какой доход банк получит от продажи конкретного продукта.
2. Помогает отсортировать продукты по потенциальному доходу и определить топ предложений для каждого клиента.

Спрогнозировать интерес к дополнительным услугам можно с помощью базовых данных о клиенте. Их мы получаем после того, как человек обратился в банк:

• Кто наш клиент?
• В какой офис он пришел?
• Какой сотрудник его обслуживал?
• Сколько времени человек провел в очереди?

Кроме того, есть 3 стадии системы, которые позволяют определить вероятность покупки.

Offline. Это стандартный подход в банковской сфере. Ретроданные получают после визита клиента в офис банка, на их основе строятся прогнозные модели.

Online. В прогнозе учитывают данные о менеджере, который продает допуслуги. Однако хранить данные по каждой паре клиент-сотрудник нецелесообразно. У Сбера 100 млн клиентов, несколько десятков тысяч сотрудников и более 30 продуктов — получается огромная матрица, хранить которую невозможно.

Real-time. Для прогноза мы учитываем сведения, полученные в момент визита клиента. Например, сколько времени человек провел в очереди, сколько клиентов отпустил сотрудник за день и т.д.

Что влияет на точность прогноза

На точность прогноза влияют две переменные: новая информация и актуальность данных. Рассмотрим следующую матрицу:

Baseline нашей модели составляет 39 п.п. Джини. Если мы актуализируем данные по клиенту до real-time, увидим прирост +3 п.п. А если добавить данные по сотруднику, прирост составит +13 п.п. Общий прирост со всеми доступными данными в real-time составляет +15 п.п. или +38% от baseline.

На матрице ниже видим, что в offline модель вошло 12 признаков клиента, а в итоговую real-time модель добавилось еще 7 признаков. Самый точный прогноз получился, когда мы учли признаки по сотруднику — его способность продавать продукт конкретного типа, а также общую эффективность менеджера в продажах. Т.е. вероятность продажи зависит от того, насколько хорошо сотрудник донесет до клиента выгоду от покупки.

Что в итоге

Рекомендательная система Сбера позволяет делать точные прогнозы относительно того, какие предложения заинтересуют конкретных клиентов. Это стало возможным благодаря комплексному подходу: система учитывает контекст визита и актуальный срез данных. На практике это означает, что растут как удовлетворенность клиента, так и прибыль банка.