изображение: AI
Снижение активности по карте — первый сигнал к уходу клиента, но как понять, кого из них действительно можно вернуть? IT-World расскажет, как симбиоз модели предоттока и uplift-модели позволяет точечно влиять на пользователей с помощью ИИ, предотвращая потери и оптимизируя затраты. erid: 2W5zFGoqZyJ
ООО Джинк Реклама
Содержание:
Введение
В цифровых продуктах есть простое правило: удержать пользователя проще и дешевле, чем вернуть ушедшего или привлечь нового. Особенно это заметно в цифровом банкинге, где стоимость привлечения клиента высока, а конкуренция растёт с каждым годом. Поэтому команды всё чаще думают не только о росте, но и о том, как не терять тех, кто уже с нами.
Удержание клиентов это большое направление, которое охватывает множество различных задач: от повышения качества сервиса до персонализированной работы с пользователями. Одной из ключевых задач здесь является предотвращение оттока, то есть умение заранее понять, кто теряет интерес к продукту, и вовремя на это реагировать, предлагая таким пользователям акции, бонусы или другие стимулы.
Для предотвращения оттока важно решить две задачи: определить, кто склонен к уходу, и понять, на кого можно повлиять персонализированным предложением, чтобы воздействие дало результат. Поскольку речь идет о персонализированных коммуникациях, без инструментов искусственного интеллекта здесь не обойтись.
В этой статье я поделюсь своим опытом разработки аналитической системы на основе ИИ для решения такой задачи. Она объединяет модель предоттока и uplift-модель: первая помогает выявлять пользователей с риском ухода, вторая определять тех, кто наиболее восприимчив к удерживающим действиям.
Погружение в задачу
В задаче предотвращения оттока первое, что нужно сделать — понять, что вообще считать оттоком? Ответ на этот вопрос в финансовых сервисах не так очевиден. Клиент может проявлять разные признаки активности: пользоваться приложением, хранить деньги на счёте, совершать платежи, пополнять карту и т.д.
Определение оттока сильно зависит от того, какой финансовый продукт анализируется. В моей работе фокус был сделан на карточных продуктах, где поведение клиента проще всего измерить через активность по карте. Здесь хорошим решением является определение оттока как отсутствие платежей по карте в течение 30 дней. Это довольно классическое определение, которое активно используется на рынке. Если пользователь не совершает ни одной операции в течение месяца, можно считать, что он перестал держать карту “в кошельке” и фактически перешёл в отток.
Андрей Николайчик, директор центра отраслевой экспертизы «Розница, дистрибуция и фармацевтика» ИТ-холдинга LANSOFT: «При работе с оттоком цифровых клиентов, помимо моделей выявления риска ухода, на практике важно учитывать еще несколько аспектов.
Во-первых, сегментацию клиентской базы на группы — например, прибыльные/убыточные и перспективные/безнадежные. Это дает понимание того, в удержание каких клиентов стоит вкладывать ресурсы в первую очередь, а каким клиентам вообще стоит помочь с оттоком.
Во-вторых, инструментарий удержания. Его желательно сделать широким и адресным, учитывающим предпочтения конкретного человека. Ни в коем случае не нужно его делать только финансовым/денежным, поскольку это может сформировать плохой паттерн поведения и зависимость от акций/скидок/бонусов. Часто имеет смысл добавить элементы геймификации или социализации, которые сами по себе повысят барьер для оттока.
В целом именно адресный подход и сверхперсонализация, которые достигаются с помощью ИИ, сильно повышают эффективность и дают ощутимые конкурентные преимущества. Именно те банки, которые выступают пионерами в этом направлении имеют шанс на рост прибыли и доли рынка».
Следующий вопрос, на который важно ответить — что можно предложить таким клиентам для их удержания? Вариантов здесь довольно много: предложить персональную скидку на обслуживание, начислить повышенный кэшбэк на ближайший месяц или просто напомнить о преимуществах продукта через уведомление. На практике хорошим решением стало предложение повышенной категории кэшбэка. Финансовая выгода от использования сервиса действительно влияет на поведение и при этом помогает сформировать у пользователя системную привычку использования продукта.
Таким образом, задачу можно сформулировать так: среди текущих пользователей необходимо определить тех, кто с высокой вероятностью перестанет совершать платежи в течение 30 дней, и понять, кого из них можно вернуть, предложив персональный кэшбэк. Очевидно, что это требует персонализированного взаимодействия с клиентами, а значит применения моделей ИИ. MSI PRO DP80 MP: офисный десктоп с уклоном в управляемость и безопасность Киберриски для СМБ: от фишинга до ИИ-атак и доступные решения Россия и Казахстан обменяются опытом в цифровой экономике и криптовалютах
Подготовка данных
Любая модель искусственного интеллекта строится на данных, и наша задача не стала исключением. Чтобы решить её, мы собрали десятки признаков, описывающих поведение клиентов в сервисе, именно на них впоследствии обучалась модель.
Разумеется, я не могу раскрывать конкретный набор признаков, используемых в продакшн-версии, однако могу поделиться основными принципами, которыми следует руководствоваться при подготовке данных. Ниже приведены ключевые подходы, проверенные на практике:
Помимо поведенческих и продуктовых признаков, необходимо сформировать таргет, то есть событие, которое мы будем предсказывать. В нашем случае целевым признаком будет факт совершения пользователем платежа в течение 30 дней. По сути, это бинарный флаг, отражающий, остался ли клиент активным в заданном временном окне или перешёл в состояние оттока. Читайте также
Банки стали чаще приглашать хакеров Банки все чаще зовут хакеров проверить свои системы. Формат bug bounty, в котором специалисты ищут уязвимости за вознаграждение, становится частью реальной практики кибербезопасности. Важен уже не сам факт обнаружения ошибки, а то, как быстро банк реагирует и устраняет найденные проблемы.
Модель предсказания оттока
Первым шагом в решении задачи стала разработка модели предоттока, предназначенной для выявления клиентов, у которых снижается вероятность дальнейшего использования продукта. Логика проста: если вероятность платежа у пользователя низкая, он попадает в зону риска и требует дополнительного внимания со стороны сервиса, чтобы предотвратить возможный уход.
По сути, это модель бинарной классификации, которая на основе характеристик пользователя предсказывает вероятность того, что он совершит платеж в ближайшие 30 дней. Это классическая задача для решения которой существует большое количество различных ML моделей. На практике для решения таких задач хорошо работает градиентный бустинг (XGBoost, LightGBM, CatBoost).
Для проверки эффективности прогнозов модели проводится A/B-эксперимент. Часть аудитории получает удерживающее предложение случайным образом, а другая — на основе прогнозов модели. Такой подход позволяет объективно оценить, насколько предсказания действительно помогают точнее выделять клиентов, склонных к оттоку, и как удерживающие механики работают именно на этом сегменте.
В нашем задаче результаты эксперимента подтвердили эффективность подхода: модель уверенно выделяет группу риска. Однако, не все пользователи внутри этой группы одинаково реагируют на удерживающие акции. Менее активные клиенты менее восприимчивы к стимулирующим воздействиям, что означает более высокую долю «органики» — пользователей, которые либо продолжали совершать платежи без получения оффера, либо вовсе не меняли своё поведение независимо от удерживающих механик.
Таким образом, само знание о риске оттока недостаточно для эффективного удержания. Чтобы отличать клиентов, на которых коммуникации действительно оказывают влияние, необходим дополнительный аналитический уровень — uplift-модель, о которой речь пойдёт далее.
Uplift-модель
Основная идея uplift-модели заключается в том, чтобы максимизировать дополнительный эффект от внешнего воздействия на поведение пользователей. В нашей задаче она выделяет тех клиентов, у которых вероятность совершить платеж наиболее сильно увеличивается под влиянием нашего предложения. Такие модели позволяют оптимизировать маркетинговые расходы, направляя ресурсы только на тех пользователей, на кого действительно можно повлиять.
Для построения uplift-модели недостаточно знать только характеристики пользователей и факт целевого события. Необходимы данные эксперимента, где часть аудитории случайным образом получает предложение, а другая часть выступает в роли контрольной группы. Это позволяет модели “увидеть” разницу в реакциях между двумя сценариями и обучиться выделять тех, кто наиболее чувствителен к воздействию.
Существует несколько подходов к построению uplift-моделей, я протестировал несколько из них.
На практике обе модели показывают схожие результаты, поэтому выбор конкретного подхода не является критичным.
Использование uplift-модели в работе достаточно интуитивно: мы выбираем пользователей с наибольшим прогнозируемым uplift, то есть тех, у кого вероятность совершить платеж наибольшим образом растёт под влиянием воздействия.
После построения uplift-модели её эффективность была протестирована с помощью контролируемого эксперимента, где сравнивалась эффективность случайного распределения предложений и целевого — основанного на рекомендациях модели. Это позволило убедиться, что модель действительно помогает выделить нужных клиентов: среди выбранных системой пользователей доля тех, кто воспользовался оффером и совершил платеж (то есть не ушёл в отток), оказалась значительно выше.
Вывод
В результате проделанной работы нам удалось построить комплексную систему удержания клиентов на основе искусственного интеллекта. Она объединяет два ключевых компонента: модель предоттока, которая выделяет пользователей с низкой вероятностью совершить платеж (то есть тех, кто находится в зоне риска ухода), и uplift-модель, позволяющую среди этой группы определить клиентов, наиболее восприимчивых к персональному предложению — например, повышенному кэшбэку.
Такой подход позволил, с одной стороны, заранее предсказывать, кто из пользователей теряет интерес к сервису, а с другой — использовать маркетинговый бюджет максимально эффективно, направляя предложения только тем, на кого они действительно влияют. В результате компания не просто сохраняет клиентов, но и оптимизирует расходы, избегая лишних затрат на «органику» — пользователей, поведение которых не меняется под воздействием акций. Читайте также
Рейтинг систем и сервисов денежных переводов Ландшафт единого глобального платежного рынка, который, как казалось, мы строили общими усилиями, за последние годы серьезно изменился. Уход из России международных платежных систем, санкции против отечественной «МИР», отключение российских банков от SWIFT, ограничительные меры против отечественного банковского сектора со стороны ЕС и США, опасения вторичных санкций со стороны банков из дружественных стран, регуляторные меры со стороны ЦБ РФ – все это серьезно ограничило возможности российского бизнеса. Страдают и сегменты C2B- и C2С-переводов. Наиболее актуальный вопрос последних трех лет – как наладить новые каналы для проведения трансграничных платежей и не потерять свои деньги.
В более широком смысле этот кейс демонстрирует, как искусственный интеллект помогает бизнесу переходить от реактивных решений к осознанному управлению пользовательским поведением. В условиях усиливающейся конкуренции за внимание клиента подобные системы становятся не просто технологическим преимуществом, а необходимым инструментом устойчивого роста и долгосрочной лояльности.
Журнал IT Manager
Алексей ТерентьевСтарший аналитик в финтех-отраслиБанкиИскусственный интеллект (ИИ, AI)Финансовые инструменты