Меньше шума, больше пользы: как мы запустили маркетинговый оптимизатор

CRM-коммуникации сильно изменились по сравнению с тем, что было пять лет назад.

Клиенты ежедневно получают огромное количество сообщений и в итоге это приводит к снижению их внимания, терпимости к массовым рассылкам. Без тщательно продуманного подхода коммуникации начинают восприниматься как шум, вызывающий раздражение и, как следствие, потерю интереса.

О том, как сделать коммуникации умными, рассказывает начальник управления CRM-продаж Никита Климкин.

Когда несколько лет назад мы стали анализировать, как Газпромбанк работает с CRM-коммуникациями, стало ясно, что массовые рассылки «по-старому» не приносят желаемого эффекта. Перекос возникал из-за приоритизации более доходных и «тяжелых» продуктов, в первую очередь кредитов. Отчасти роль в выборе направления коммуникаций играл человеческий фактор: «кто громче всех кричал», тот и получал приоритет в рассылках.

Стало понятно, что нужна более гибкая и интеллектуальная система, которая будет учитывать предпочтения клиентов, предугадывать их потребности и без излишнего давления предлагать те продукты и услуги, которые действительно интересны. Так зародилась идея создания маркетингового оптимизатора.

Если коротко, это решение, способное автоматически улучшать маркетинговые коммуникации с учетом множества факторов, от индивидуальных предпочтений клиентов до бизнес-целей компании.

Как это работало раньше

Расскажу чуть подробнее на том, с чем нам пришлось иметь дело и почему это не есть хорошо.

В розничном бизнесе банка сложилась типичная для того времени ситуация. На клиентов обрушивался поток предложений по кредитным продуктам, которые считались наиболее прибыльными. Какие-то коммуникации шли поверх других, что-то отправлялось параллельно, что-то «влезало сбоку» — в итоге полный хаос.

В общем, классический подход к CRM образца пятилетней давности: мощный старт, желание продавать все и сразу, но очевидное (не всегда) раздражение со стороны клиентов.

У такого подхода есть несколько минусов. Например, приоритеты отдаются более доходным продуктам, в нашем случае — кредитам. А также тем направлениям, которые курируют более настойчивее руководители. Это предполагает ограниченное использование предиктивных моделей: их просто невозможно применять, когда приоритеты меняются в ручном режиме.

Кроме этого, возникает еще одна проблема: начинает игнорироваться контактная политика в отношении клиентов. Высокая частота коммуникаций приводит к росту негативных отзывов и снижению отклика — в какой-то момент клиенты просто перестают читать сообщения из-за их количества (а то и вовсе блокируют их).

Отдельно стоит сказать о распределении каналов. Более дорогие каналы коммуникации — телемаркетинг и SMS — имеют ограниченный ресурс и, как правило, отдавались под продвижение кредитных продуктов, обещающих быструю отдачу. При этом продукты, создающие ценность на протяжении всего пути клиента, были в проигрыше. Терялся фокус на «пассивах», способных приносить стабильный доход в долгосрочной перспективе.

Знакомо? Возможно, вам тоже пора задуматься о том, чтобы автоматизировать выбор продуктов и каналов коммуникации и обеспечить баланс между краткосрочной прибылью и долгосрочной ценностью клиента.

Техническая реализация

В основе маркетингового оптимизатора лежит сложная система уравнений, объединяющая несколько типов моделей: модели отклика, модели прогнозного тейк-рейта, модели прогнозного одобрения, модели склонности клиента к определенному каналу коммуникации и оптимальному времени контакта. Все эти модели взаимодействуют с помощью современных методов машинного обучения.

Для работы оптимизатора мы используем движок CBC Solver, open source — решение на Python. Его задача — поиск оптимального значения в определенном пространстве решений, то есть нахождение глобального минимума или максимума. Проще говоря, система должна определить для каждого клиента подходящий продукт и канал коммуникации, чтобы максимизировать эффект от взаимодействия.

За три года работы над проектом мы разработали больше 50 интегральных моделей и провели более 400 запусков системы. Часть запусков были «холостыми» — когда мы только прогнозировали распределение коммуникаций, часть — боевыми, с реальными расчетами количества коммуникаций.

При построении системы мы учитывали множество ограничений. Во-первых, это бизнес-требования: целевые показатели по продажам и прибыли, ограничения на расходы (например, бюджет на SMS или количество операторов в телемаркетинге), лимиты на количество push-уведомлений. Во-вторых, это технические ограничения каналов коммуникации — сколько сообщений можно отправить за час, день или месяц.

Из общего объема предложений (каждое предложение — это комбинация клиента, продукта и канала) система ежемесячно отбирает около 35% базы для первоочередных контактов. При этом мы можем гибко управлять как верхней, так и нижней планкой количества коммуникаций для разных продуктов. Это важно, потому что некоторые небольшие, но стратегически важные продукты могут «теряться» без установки минимальных порогов.

Особое внимание мы уделили калибровке моделей. Поскольку сами модели нельзя перестраивать ежедневно, а рыночные условия постоянно меняются, мы создали механизмы калибровки, с помощью которых можно гибко корректировать работу системы. Например, если в один месяц высокий спрос на кредиты сменяется повышенным интересом к вкладам, калибровка помогает сбалансировать систему без необходимости полного перестроения моделей.

Внедрение и сложности

Чтобы вы не думали, что у нас все прошло гладко и вот мы какие молодцы, «сделали — заработало», честно скажем, что нет, не заработало. Да, у нас был четкий roadmap с конкретными сроками и представлением о том, какой результат хотим получить. Мы ждали, что вот сейчас все запустим и придем к успеху. В реальности же все рухнуло на первом этапе.

Первые запуски с вендором показали, что весь наш оптимизм был преждевременным. Алгоритм просто не выдержал нагрузки нашей клиентской базы — она оказалась слишком большой для той версии решения, которую мы использовали. Пришлось откатиться назад и начать перестраивать как сам алгоритм, так и подход к оптимизации в целом.

Следующие запуски были успешней, но потребовали длительного периода калибровки. Мы постепенно настраивали систему, добиваясь баланса между различными факторами, от технических параметров до бизнес-показателей. Оптимизатор должен был не просто работать, а работать эффективно и предсказуемо.

Но и после того, как все заработало, проблемы не закончились. Первая сложность обнаружилась при работе с экономическими показателями. Когда мы начали использовать lifetime value (LTV) на уровне сегментов и отдельных клиентов, оказалось, что у некоторых клиентов этот показатель может быть отрицательным. В теории продуктового LTV такой сценарий не рассматривался — там все выглядело идеально, показатели всегда были положительными.

Пришлось разрабатывать отдельную методику работы с «отрицательными» клиентами: продавать им продукты все равно нужно, но как быть с отрицательным значением? Один из подходов — переход от lifetime value к операционному доходу. Но тут важно помнить, что такой переход нужно делать для всей линейки продуктов, иначе могут возникнуть проблемы в работе алгоритмов.

Еще одна проблема была связана с особенностями работы разных каналов коммуникации. Например, клиенты по-разному реагируют на SMS с предложением потребительского кредита и на SMS с предложением кредитной карты. Поэтому нельзя просто построить общую модель отклика на канал — нужен более специфический подход, учитывающий связку «канал-продукт».

Третья сложность возникла из-за постоянного роста клиентской базы. Когда бизнес масштабируется (в том числе благодаря эффективной работе оптимизатора), нужно регулярно пересматривать ограничения.

Например, если ограничения по количеству коммуникаций зафиксированы на квартал, а база ежемесячно растет, доля клиентов, получающих коммуникации, будет постоянно снижаться. Поэтому важно не забывать про индексацию ограничений с учетом роста базы.

Наконец, самая сложная задача — найти баланс в интенсивности коммуникаций. Нужно отправлять достаточно сообщений, чтобы достигать бизнес-целей, но при этом не допускать «выгорания» базы. Клиенты должны быть довольны уровнем взаимодействия с банком, а бизнес — получать ожидаемый результат.

Ну и, конечно, был infeasible, в который валился CBC Solver, когда оптимизатор не мог найти решение при заданных ограничениях. На старте проекта это было самое нелюбимое слово команды. Для борьбы с этим безобразием вместо работы со всей клиентской базой стали прогонять решение на небольшой ее части (около 5%).

Сейчас эта функциональность реализована на уровне интерфейса — можно указать размер тестовой базы, и система автоматически пересчитает все ограничения под выбранный объем данных.

Особенности работы системы

У оптимизатора есть три основных режима: максимизация прибыли, максимизация дохода и минимизация расходов. После тестирования всех вариантов мы пришли к выводу, что режим максимизации прибыли наиболее эффективен с точки зрения бизнес-планирования и управления ожиданиями.

В этом режиме система учитывает вероятность отклика клиента на продукт, вероятность одобрения, вероятность отклика в конкретном канале. Все это умножается на потенциальный доход (мы можем использовать как lifetime value, так и операционный доход — в зависимости от текущих задач бизнеса) и корректируется с учетом стоимости коммуникаций.

Для оценки эффективности моделей мы используем особый подход к A/B-тестированию. Не просто случайным образом генерируем скоры для контрольной группы, а берем вместо этого существующие скоры и перемешиваем их между клиентами. Таким образом, клиенты с изначально высокой склонностью к принятию решения могут оказаться в конце списка, а те, кто был в конце, — попасть в начало. Это позволяет сохранить общее математическое ожидание и получить более точную оценку.

Интересный побочный эффект — возможность обнаружить «скрытые» сегменты клиентов. Иногда клиенты с низким скором, случайно попавшие в верхние бакеты, неожиданно откликаются на предложение. Это помогает расширить обучающую выборку и улучшить обобщающие способности моделей.

При тестировании новых моделей важно не допускать их «смешивания» со старыми. Мы запускаем оптимизацию отдельно для разных групп скоров, а затем объединяем результаты. Это позволяет честно оценить эффективность новых подходов и избежать искажений из-за разницы в масштабах.

Результаты внедрения

Оценивая эффект от внедрения оптимизатора, мы получили результаты, которые местами превзошли первоначальные ожидания. Но самое главное — система научила нас (и весь бизнес) смотреть на взаимодействие с клиентами шире, не концентрируясь на одном направлении. Там, где мы планировали увидеть, например, только 20-процентный прирост в кредитовании, мы неожиданно получили значительно больший эффект в пассивных продуктах.

Важным результатом стало упрощение запуска новых продуктов. Раньше чтобы встроить новый продукт в существующую систему коммуникаций, требовались длительные согласования и споры о том, какую часть клиентской базы можно на него выделить. Теперь достаточно рассчитать скоры, провести тестовый запуск и увидеть, как клиенты из разных продуктов «перетекают» в новый. Это сократило время запуска новых предложений до одного месяца, а то и меньше.

Три года работы показали: автоматизация выбора продуктов и каналов коммуникации — это не просто техническая задача. Это изменение всего подхода к работе с клиентами, где решения принимаются на основе данных, а не субъективных предпочтений.

Система продолжает развиваться. Мы постоянно занимаемся улучшением моделей, тестируем новые подходы к оптимизации, ищем более эффективные способы коммуникации. При этом стараемся сохранять баланс между сложностью решений и их практической применимостью: любое улучшение должно не только повышать точность прогнозов, но и укладываться в разумные временные рамки с точки зрения бизнес-процессов.

Наш опыт показывает, что будущее банковского маркетинга — за интеллектуальными системами, способными находить баланс между краткосрочной прибылью и долгосрочной ценностью клиента. И чем раньше все начнут двигаться в этом направлении, тем больше преимуществ получат в конкурентной борьбе за клиента.

При этом выигрывает не только бизнес, но и сами клиенты: они получают меньше нерелевантных предложений, коммуникация становится более персонализированной и своевременной, а предлагаемые продукты действительно соответствуют потребностям и финансовым возможностям людей. По сути, такие системы помогают выстраивать более уважительные и эффективные отношения между банком и клиентом.

Читать другие полезные материалы:

• Как разгрузить HR с помощью бота (Заботай меня HR)
• Анализируй-сокращай. Как мы перешли от вендоров на инхаус и как это сказалось на UX и архитектуре
• Фронтенд-разработка: чем занимаются и сколько зарабатывают специалисты
• Как изменение подхода к работе дизайн-команды помогло увеличить её результативность более чем в два раза