Машинное обучение и real-time маркетинг для банковской сферы
24 ноября 2022, 16:30
— Михаил, расскажите, что такое машинное обучение? Как давно эта технология существует на рынке?Существование "предыдущей" Вселенной получило математическое подтверждение

— Машинное обучение (machine learning или ML) — это особая технология, которая позволяет обучать компьютер принимать решения на основе имеющихся данных, строить прогнозы и находить взаимосвязи между событиями или объектами. ML идет рука об руку с технологией искусственного интеллекта (ИИ), являясь одним из самых популярных классов этой технологии — по сути, мы учим компьютер принимать решения так, как их принял бы человек, а после их анализировать и совершенствоваться.

ML существует довольно давно — в течение последних 15 лет технология постепенно распространяется во всех сферы нашей цифровой жизни. В нашем смартфоне есть множество приложений, использующих технологии искусственного интеллекта, и мы сталкиваемся с ML каждый день: начиная от виртуального помощника и заканчивая прогнозом трафика на дорогах. В бизнесе, а особенно в банковской сфере, технология очень актуальна, поскольку она позволяет анализировать поведение потребителей, автоматизировать внутренние процессы и выдавать каждому клиенту персонализированное предложение — это существенно увеличивает конверсию продаж. Работая в банках, я успешно внедрял ML в различные бизнес-процессы и наглядно видел, насколько эффективной является эта технология.

— В начале вашей карьеры вы работали специалистом по анализу рисков в "Альфа-банке". Как вы использовали ML в своей работе?

— Самое важное для риск-аналитика — это понимание бизнес-процессов и умение анализировать данные. Недостаточно знать математику или программирование, необходимо постоянно следить за происходящим в бизнесе, понимать сутевую часть. Многие компании при построении бизнес-процессов забывают о важности сбора и обработки данных. В  банках ML — важный инструмент для защиты от мошенничества и для снижения уровня риска, например, кредитного риска. Один из классических примеров использования инструментов ML, кредитный скоринг, позволяет оптимизировать процесс принятия решений по выдаче кредита. Именно над этим востребованным инструментом я много работал в "Альфа-банке", повышая уровень одобрения и снижая кредитный риск. Что в свою очередь приводит к росту продаж или росту прибыли.

— Кроме того, вы разрабатывали ML-проект и для банка "Уралсиб". Расскажите о нем подробнее.

— Поскольку в 2016 году я пришел в "Уралсиб" из другой сферы, из риск-менеджмента, я смотрел на процессы свежим взглядом. Тогда я сразу поставил перед собой задачу увеличить продажи банка при одновременном сокращении операционных ресурсов. Я собрал команду и с помощью ML "забустил" продажи, оптимизировав работу бизнес-подразделения — для этого вместе с командой мы создали более 20 ML-моделей. И если до проекта банк продавал продукт основываясь на сегментном подходе, то новая модель позволила выстроить систему персонализации на уровне каждого клиента. Можно было с помощью технологий искусственного интеллекта выбирать лучший канал коммуникаций или наиболее релевантный продукт для клиента. Конечно, я и моя команда столкнулись с определенными сложностями в реализации проекта: на этапе сбора данных, и потом, на этапе интеграции ML в бизнес-процессы. Но все ограничения удалось преодолеть, и ML-модели успешно функционируют.

— Работая в "Уралсибе", вы приняли участие в качестве члена жюри в конкурсе по применению искусственного интеллекта в банковской сфере. Какое впечатление на вас произвел этот опыт?

— Это произошло в 2017 году на форуме RAIF (The Russian Artificial Intelligence Forum), организатором которого выступила компания "Инфосистемы Джет". Программа состояла из теоретической и практической части, представляющей собой онлайн-чемпионат "RAIF-Challenge 2017". В конкурсе приняло участие более 500 человек, их задачей было решить бизнес-задачу от одной из компаний-партнеров, которой был и "Уралсиб". По итогу было найдено много новых и свежих решений, помогающих развитию бизнеса, оставалось их привнести в практическую деятельность.

Также если продолжать разговор о конкурсах, я вхожу в состав государственной экзаменационной комиссии Финансового университета при Правительстве России по магистерской программе "Анализ больших данных и машинное обучение в экономике и финансах". Это позволяет четче понимать актуальную повестку, отслеживать предпосылки дальнейшего развития отрасли и даже косвенно на это влиять.

— Какие еще яркие проекты были в вашей карьере, основанные на ML?

— Один из самых крупных и значимых проектов в моей карьере — внедрение инструментов real-time маркетинга для настройки персонализации контента и возможности реагировать на действия потенциального клиента в реальном времени для банка "Уралсиб". Существовала проблема: от момента сбора данных системой до того, как эти данные можно было применить для оптимизации, происходила задержка в 2-5 дней или даже неделю. Я и наша команда внедрили софт, который позволил собирать данные в онлайне и реагировать в реальном времени. Как это работает: система отслеживает транзакции, присваивая им определенную категорию (например, транзакции, совершенные в премиум-сегменте), и, когда совершается достаточно транзакций, ML выстраивает реакцию в реальном времени. Клиент получает персонализированный сайт: понимая, с каким запросом он пришел, система предлагает ему соответствующий продукт. Упрощенно, для индивидуальных предпринимателей показываем продукты для малого бизнеса, а для физлиц — карты.

Инструмент оказался очень востребованным, и его внедрение значительно повлияло на продажи банка: "Уралсиб" стал первым банком по доле предложений, сделанных в реальном времени, а такие предложения имеют статистически значимо больший эффект в продажах. Также проект был отмечен индустриальной наградой Global CIO.

Добившись таких высоких результатов, я принял решение продолжить свой карьерный путь в "Яндекс Финтехе" в качестве Head of CRM, поскольку меня заинтересовало их предложение. Сейчас я создаю опционные финансовые сервисы и являюсь экспертом в использовании аналитических технологий для сегмента B2C.

— Как вы считаете, какое будущее есть у технологии ML?

— Во всем мире цифровизация с каждым годом набирает обороты и все активнее внедряется в нашу жизнь. А там, где есть digital, есть потенциал использования как искусственного интеллекта, так и машинного обучения. В той же банковской сфере ML позволит еще лучше персонализировать продукты, а на этом основывается весь маркетинг. Уже сейчас любой телефон умеет прогнозировать поведение пользователей, изучая их интересы и предпочтения. В будущем портреты аудитории будут еще точнее и конкретнее, а значит и предложения станут более индивидуальными.
hightech.plus
© ФГУП «ГосНИИПП», 1989-2022