Сила предиктивности: как изменить коммуникации с клиентами и продавать на 40% больше

Редакция спецпроектов Автор

За последние годы Альфа-Банк существенно расширил линейку продуктов — до более чем 100 сервисов. Чтобы их продвигать, банк каждый месяц осуществляет миллиарды рекламных взаимодействий с клиентами через смс, пуши, сообщения в банкоматах, баннеры в приложениях, звонки и другие каналы коммуникации. Чтобы делать это эффективно, внедрили модельные предиктивные коммуникации с клиентами. Сейчас система банка персонализирует 3,5 млрд маркетинговых сообщений клиентам в месяц. Как это работает?

Сила модельного предиктивного подхода

В 2021 году Альфа-Банк большими темпами увеличивал маркетинговую активность, что привело не только к росту продаж, но и к недовольству аудитории. «Мы проанализировали обратную связь и обнаружили, что зашли слишком далеко с точки зрения объемов 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 банка вручную это делать невозможно, поэтому команда начала внедрять в рекламный процесс предиктивные модели машинного обучения», — рассказывает Сергей Тариченко, руководитель дирекции персонализации и оптимизации предложений Альфа-Банка.

Предиктивный подход позволяет предугадать поведение и потребности отдельно взятого пользователя с помощью анализа данных и математических моделей. Смысл в том, чтобы вместо множества случайных сообщений отправлять клиенту только те предложения, которые могут его заинтересовать. В Альфа-Банке нейросети на основе доступных данных о клиентах предсказывают вероятность совершения определенных действий — от клика по баннеру или ссылке до финального действия, например, открытия вклада.

«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», — объясняет Сергей Тариченко.

«Движки персонализации» решают:

Какие продукты и предложения показывать. Система учитывает историю всех цепочек взаимодействия Альфа-Банка 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. Например, о скидках на авиабилеты система сообщит перед отпуском (а не после него).
В какой последовательности отправлять сообщения.
Какой визуальный контент использовать. Алгоритмы могут адаптировать дизайн баннера.

Например, если известно, что у клиента банка есть домашнее животное, система может предложить кешбэк от партнерской ветеринарной клиники поблизости. И напротив: подобные предложения не получат те, у кого нет питомцев. Часть коммуникаций привязана к определенным событиям — если заканчивается срок действия вклада, пользователь получит предложение открыть новый вклад, чтобы не останавливать начисление процентов.

От гипотез до запуска

Переход коммуникаций на предиктивный подход потребовал времени — команда последовательно покрывала моделями процесс за процессом, продукт за продуктом. 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 трех месяцев и полностью оправдывает затраченные время и усилия. Например, гипотезы, которые в теории кажутся прорывными, на практике могут не работать, и наоборот», — говорит Александр Вшивцев, руководитель дирекции развития CRM-продаж Альфа-Банка.

Первые тесты были направлены на то, чтобы понять, работает ли персонализация в принципе и может ли она влиять на поведение клиентов. Например, команда предполагала, 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 все — 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».

Результаты и планы

Благодаря модельному предиктивному подходу к весне 2025 года система персонализирует 3,5 млрд маркетинговых сообщений клиентам в месяц — от пушей в смартфонах до уведомлений в банкоматах. Ежемесячно команда запускает 1000 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 35%, 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», — комментирует результаты Алексей Ломакин, руководитель дирекции CRM-аналитики Альфа-Банка.

Чтобы сделать персонализацию еще точнее, в банке делают ставку на внедрение генеративного ИИ. Он способен не только работать с готовым контентом, но и создавать его: писать тексты, общаться голосом, генерировать изображения. Также ИИ может создавать виртуальных ассистентов для сотрудников банка на основе данных скоринговых карт и помогать им сразу находить подход к клиенту.

Прямо сейчас команда банка 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 приоритизирует 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», — уверена Татьяна Фетисова, руководитель департамента вторичных продаж и персонализации Альфа-Банка.