Что такое модель рекомендаций категорийного кешбэка
Категорийный кешбэк — инструмент удержания и привлечения новых клиентов. С его помощью банк предлагает пользователям выбирать категории, в которых они хотят возвращать больше денег, например, в магазинах одежды, ресторанах, транспорте. Категории для кешбэка Альфа-Банк подбирает с помощью машинной модели рекомендаций собственной разработки. Это алгоритмы, анализирующие интересы пользователей и на их основе предлагающие персональные решения. Задача такой модели — сформировать для каждого клиента персональный набор категорий для повышенного кешбэка в наиболее актуальных для него сферах расходов. Людям такая модель помогает больше экономить на регулярных покупках, а банку — точнее подбирать категории с учетом предпочтений клиентов и условий программы лояльности.
«Чем точнее наша модель рекомендаций определит категории, тем — с одной стороны — расходы на клиента корректнее впишутся в общий бюджет кампании, а с другой — клиент сможет получить максимально возможную выгоду. А раз Альфа-Банк помогает экономить, то клиенты остаются с нами», — рассказывает руководитель направления интеллектуального анализа данных банка Нина Комарова.
Как работает модель рекомендаций Альфа-Банка
Модель категорийного кешбэка Альфа-Банка — комбинация из нескольких алгоритмов машинного обучения: модели прогноза трат, модели «интереса», алгоритма оптимизации. Вот как они работают:
Шаг 1. Прогнозируют общие траты. Модель анализирует траты за предыдущие месяцы и прогнозирует, сколько клиент может потратить в следующих. Помимо трат в прошлом, для обучения модели используются данные клиента, его кредитная история, поведение в банке.
Шаг 2. Прогнозируют траты в категории. Целевой переменной выступают траты клиента в конкретной категории для прогноза базы начислений кешбэка. То есть ту сумму трат, на которую будет начислен кешбэк: округление суммы до кратности 100, учет лимитов по выплачиваемому кешбэку.
Качество обучаемых моделей оценивают с помощью метрики RMSE (корень средней квадратичной ошибки). Ошибки моделей сравниваются в том числе с бейзлайном (baseline) — базовой моделью для сравнения. За бейзлайн взяты средние траты клиента в целом или в категории за последние несколько периодов. Модели переобучаются каждый месяц, и важно, чтобы качество модели всегда было строго выше бейзлайна. «Мы долго тестировали различные модификации, чтобы улучшить качество прогноза. Например, сравнивали линейные модели, бустинги и нейросети. Итоговый вариант выбрали исходя из метрик качества предсказания на реальных данных», — объясняет Нина Комарова.
Шаг 3. Модель интереса. «У нас было два варианта, как реализовать модель интереса. Более креативный — использовать модель интереса, которая основана на методе TF-IDF. Такая модель в каждой категории сравнивает персональный интерес клиента со средними тратами по банку. Более простой подход — принять гипотезу, что чем больше человек тратит, тем интереснее ему категория. В итоге мы выбрали подход с TF-IDF», — говорит Комарова. В банке рассчитывают матрицу TF-IDF на всех клиентах и ранжируют интересы к категориям в рамках каждого. Таким образом, на выходе получают отранжированный список категорий на клиента.
Шаг 4. Оптимизация выбора категорий. Это выбор оптимального сета категорий на человека. За него отвечает так называемый оптимизатор, подбирающий набор категорий так, чтобы, с одной стороны, выбранный сет учитывал бюджетные ограничения, с другой — по максимуму удовлетворял интерес клиентов.
Оптимизатор перебирает все возможные комбинации категорий и отсеивает те наборы, которые не соответствуют заданным критериям программы лояльности. Заключительный этап — выбор наиболее привлекательного для клиента сета. Здесь подключается модель интереса, рассчитывает совокупный интерес сета и оставляет один максимально интересный.
В Альфа-Банке считают, что выбранный подход позволяет сохранять гибкость для решения стратегических задач бизнеса. «Категорийный кешбэк — ключевой инструмент роста лояльности. Ограничения, которые диктует рынок, обычно довольно суровы, и было опасение, что мы совсем не сможем показывать интересные клиенту категории. Но реальность оказалась более радужной. Выбранный нами подход позволяет находить набор категорий, интересный для клиента», — комментирует Нина Комарова.
Текущая модель подбора категорий кешбэка позволяет программе лояльности оставаться выгодной не только для клиента, но и для банка. Можно утверждать, что сегодня категорийный кешбэк Альфа-Банка покрывает более 90% всех регулярных трат клиентов.
О результатах и планах на будущее
Модель рекомендаций категорийного кешбэка работает уже больше года. В Альфа-Банке нет прямых KPI, по которым можно строго судить о работе модели, но есть косвенные метрики, которые указывают на ее эффективность. Это увеличение числа клиентов с выбором кешбэка и траты в выбранных категориях. По статистике банка, за последние 6 месяцев на 12% увеличилось количество клиентов, которые стали выбирать рекомендованные моделью категории, — с 30% до 42%.
По словам Комаровой, ML-инструменты позволяют более эффективно использовать бюджет данной программы лояльности. От точности прогнозов трат в категориях зависит корректный расчет затрат на каждый из сетов. А это в свою очередь повышает шансы максимально удовлетворить клиента и остаться в выделенном бюджете. Опыт Альфы показал, что эти инструменты подходят под любой запрос бизнеса и работают эффективнее в сравнении с простыми бизнес-правилами. Подобный подход с оптимизатором над моделями машинного обучения можно использовать почти в любом процессе, где необходимо максимизировать выгоду с учетом стратегических задач.
«Алгоритмы, которые предсказывают траты клиентов в категориях, можно улучшать бесконечно. Но для меня в первую очередь важно научить нашу модель переобучаться по отзывам клиентов. Например, если человек отметит, что категория ресторанов ему неинтересна, в следующем месяце модель их предлагать не будет. С таким алгоритмом наши клиенты смогут экономить еще больше», — говорит Нина Комарова.
«Категорийный кешбэк является драйвером транзакционной активности клиентов. Выбирая категории каждый месяц, человек дольше остается с банком и вовлекается в другие наши продукты. В среднем у таких клиентов оборот по картам в два раза больше, — говорит Дмитрий Соколов, руководитель департамента развития программы лояльности и нефинансовых сервисов Альфа-Банка. — Персонализация программы лояльности позволяет клиентам ощущать выгоду от взаимодействия с банком и использовать нашу карту как основную для совершения регулярных покупок. Альфа-Банк будет сохранять тренд на развитие категорийного кешбэка для покрытия лояльностью 100% daily-потребностей клиентов».