На прошедшем в пятницу первом форуме FinMachine директор департамента моделирования рисков Сбербанка Максим Еременко и глава R&D в области Data Science Андрей Черток рассказали как в крупнейшем банке страны с помощью машинного обучения среди прочего генерируют исковые заявления и находят бизнес-парнеров своим клиентам.

Кейс 1. Умные советы: генерация на основе анализа карточных транзакций клиентов
Максим Еременко : На данный момент мы вполтную подошли к проблеме детектирования и последующего прогноза паттернов поведения владельцев карт. Анализируя активность кардхолдеров, мы эти паттерны научились определять.

Андрей Черток : В рамках участия в одном из проектов банка мы детектируем паттерны поведения клиентов банка по его транзакциям. Первые модели были связаны с дескриптивным анализом транзакционного поведения. Например, у клиента не было покупок, связанных с авто - они появились. Значит, он купил машину, и теперь можно, например, предлагать такому клиенту продукты или услуги, полезные для автовладельцев.

Следующая задача - предсказывать те или иные события, в том числе сам факт покупки. В дополнение к паттернам, с появлением тех или иных MCC-кодов становится возможным вытаскивать из данных достаточно интересные истории, в том числе связанные с накопительной деятельностью владельцев карт. То есть мы видим, кто из клиентов банка копит деньги и предупреждаем те или иные крупные покупки. Это может значительно усиливать модели. Банк может дать больший спектр предложений. Вместе с тем это означает, что такие модели должны постоянно адаптироваться.

На слайде мы видим три достаточно понятных кейса: покупка авто, ремонт в квартире/покупка мебели и затраты на лечение. Особенно ценно, если от клиента возможна обратная связь по предлагаемым ему продуктам. Потому необходимо делать модели, способные учитывать эту обратную связь. Во многом это тот же принцип, что лежит в основе моделей reinforcement learning, которые мы сейчас начинаем разрабатывать.

Reinforcement learning или обучение с подкреплением, которое сейчас развивают, в том числе, OpenAI и DeepMind - это предвестник ИИ, каким его хотят видеть. В систему заранее не закладывают какой-либо модели мира, и о нем система фактически ничего не знает. Система начинает взаимодействовать с миром, получать обратную связь, так называемые reward’ы. После чего система корректирует свое поведение на основании того, насколько хорошие или плохие reward’ы получены. В случае с банковскими продутками reward - это, например, то, насколько интересным или неинтересным для клиентов оказывается то или иное предложение банка.

Используя методы с определенными свойствами, обеспечивающими применение reinforcement learning, мы можем адаптировать эти алгоритмы в режиме реального времени. Из новых подходов можно ещё отметить, что буквально недавно в Nature выходила статья того же DeepMind, где они рассказывают о том, как в нейросеть внедрили элементы машины Тьюринга. В результате нейросеть получила возможность обладать памятью, которой нейросетям на данном этапе не хватает.

Кейс 2. Оптимизация воронки продаж
Андрей Черток : В этом кейсе мы анализируем транзакционную активность, ищем кластеры клиентов с определенными паттернами поведения. Но в этом случае не связываем их с предсказанием каких-либо событий. Мы, например, можем найти клиентов, которые часто совершают перелеты, поездки за границу и часто конвертируют валюты. Исходя из этого, эффективнее делаем предложения таким клиентам.

На слайдах показано, какие паттерны мы можем находить и какие продукты в этом случае можем предлагать. В целом понятная история - здесь предполагаются определенные методы, связанные с кластеризацией. Проекция данных, например.

Кейс 3. Оптимизация наличного денежного обращения
Андрей Черток :Сбербанк имеет широкую сеть банкоматов, отделений, и схему по работе с корпоративными клиентами. Соответственно, возникает задача спрогнозировать завтрашний спрос на наличность. Чем точнее мы сделаем этот прогноз, тем, скажем так, аккуратнее сможем распределить эти деньги. С одной стороны, важно, чтобы деньги не лежали без дела в банкоматах, а вместо этого мы могли разместить их на краткосрочном депозите. С другой стороны, мы стремимся избежать репутационных потерь - деньги заканчиваются раньше, чем планировалось, и банкомат перестает работать, а клиент остается недовольным.

Здесь нужны модели, способные работать с несимметричными ошибками. Первые модели очень простые и основаны на классических методах анализа временных рядов, связанных с их сглаживанием. Сейчас же требуются более точные подходы и уже активно используются методы машинного обучения. Естественно подобные методы должны быть адаптивными, так как спрос зависит как от макроэкономических факторов, так и от таких параметров, как расположение банкоматов в городе и прогноза погоды. Объединение разнородных фич дает более существенный результат, чем использование прочих моделей машинного обучения.

Кейс 4. Моделирование вероятности дефолта для малого бизнеса в режиме реального времени
Максим Еременко : В 2014 году все говорили по Big Data. В 2015 году disruptive и on the edge стало машинное обучение. В этом году главным трендом было глубинное обучение. В следующем году, очевидно, будут говорить про reinforcement learning.

В отличие от трех предыдущих трендов, reinforcement learning легко попробовать на открытых платформах. Open artificial intelligence, финансируемая Элоном Маском, и платформа DeepMind обучаются на компьютерных играх с помощью открытыго API по которому можно влезть в код игры.

Мы получаем битву двух алгоритмов. Если в 80-90-х мы играли в Пакмена, то теперь машина управляет им и этот алгоритм можно модифицировать. DeepMind по этому пути пошли несколько дальше и совместно с Blizzard построили алгоритм для StarCraft.яя

Алгоритмы тренируют таким образом, чтобы рационализировать их для вполне прикладных задач. В дальнейшем их можно будет эффективно натравливать на задачи, связанные, к примеру, с переводом текстовой информацией в вектора.

Подобные задачи - это основа движка Google Word2vec, осуществляющий перевод из текстовой информации в вектор, поиск и весь семантический разбор текста, на котором он базируется.

Но сам кейс немного о другом. Мы просмотрели активных клиентов нашего портфеля в сегментах B2B и B2C, обращая особенное внимание на представителей малого бизнеса, активно обменивающихся платежами. И при работе с ними попробовали отказаться от классического кредитного скоринга, от анализа финансовой отчетности и проведения качественной экспертизы рисков относительно репутации бенефициара, менеджеров и тому подобных параметров. Вместо этого мы начали использовать некую агрегированную метрику, опираясь исключительно на транзакции, - по сути, делать аналитический скоринг, на основе данных, имеющихся в распоряжении банка.

В результате выяснилось, что модель, базирующаяся на кредитном скоринге, ранжирующем клиентов по вероятности дефолта, практически ничем не отличается по количественной метрике точности от классических моделей. Gini у нее практически такой же на уровне 60-65%. Но если собственную информацию банка обогатить внешними данными, скажем, из соцсетей и использовать их для ранжирования, то можно дополнительно повысить точность.

На практике это означает, что не надо тратить время на оценку рисков с точки зрения классического анализа. Можно обработать те данные, которые есть в системе, и получить статистически столь же релевантную метрику качества.

Такую модель сейчас можно использовать только для формирования перечня предодобренных предложений. Если же клиент говорит: «ок, я согласен», - то процесс более сложный. Со временем, если мы увидим, что качество потока сохранялось на текущем или более высоком уровне, а модель покажет более предсказательную точность, то ее можно будет использовать как некую альтернативу.

Кейс 5. Natural Language Processing алгоритмы для анализа и генерации исковых заявлений
Максим Еременко : В рамках применения инструментов работы с текстом или Natural Language Processing мы столкнулись с тем, что Сбербанк достаточно большое количество человеческих и временных ресурсов тратит на анализ исковых заявлений и подготовку ответной части. Вместе с тем разбор большей часть информации истцов, и самих исковых заявлений в адрес Сбербанка, можно автоматизировать. Не использовать труд людей, которые вбивают информацию о паспортных данных в резолютивной части искового заявления, а можно все это: дату рождения, паспортные данные, реквизиты и резолютивную часть экстрагировать. На втором этапе, для подготовки ответной части исков, в качестве оптимизации мы предложили использовать определенный шаблон.

Кейс 6. Определение B2 B- и B2 B-цепочек
Максим Еременко : Для активных B2B-пользователей можно делать не только оценку кредитного риска, но и подбирать типовые паттерны его партнера. Если мы видим в портфеле компании со схожей профилем экономической деятельности, при этом обе относятся примерно к одной и той же когорте, то есть это не крупный инвестиционный и малый бизнесы, то мы, основываясь на этих паттернах, подбираем партнеров и рекомендуем какие именно отношения могут быть им интересны.

Кейс 7. Алгоритмы для чатбота @SberbankML_Bot
Максим Еременко : Наш чат-бот пока только учится, но какие-то вещи, которые уже многие умеют делать, например, проброс через API, к открытым источникам типа «Википедии», он также выполняет. Если вы спросите его, кто такой Греф или Путин, он ответит.

У нас есть внутреннее обязательство перед нашими боссами, что к лету 2017 года бот будет в состоянии вести беседу на банковскую тематику, плюс будет иметь базовые когнитивные способности и сможет поддерживать общение на отвлеченные темы. На данный момент бот базируется в Telegram, но мы уже ведем разработку собственного мессенджера [куда он будет перемещен].

Кейс 8. Наши алгоритмы могут не только самообучаться, но и писать стихи
Максим Еременко: Это более развлекательный проект. Мы взяли рекуррентную нейронную сеть, основанную на стихах Пушкина, Лермонтова и немного на Jira-чате самих разработчиков, и обучили систему писать стихи. Сначала она не хорошо справлялась даже с четырехстопным ямбом, но потом даже рифма стала появляться есть. Сейчас ему удается писать стихи даже про Сбербанк.

Продвижение банковских продуктов и формирование потребности в них.

“ Геймификация – один из самых популярных на данный момент в маркетинге трендов. И нам, как банку с активной и продвинутой аудиторией, было логично его поддержать, предложив клиентам акцию, где игровая механика реализована на должном технологическом уровне и в значительной степени персонифицирована.”

— Кирилл Бобров, вице-президент Тинькофф Банка по привлечению клиентов

В результате, многие пользователи получают первый опыт заработка процента на деньгах, которые просто лежат в банке. Клиенты на собственном опыте понимают, что накопительный счет – это простой и выгодный продукт. А это - первый шаг к открытию депозита или вклада, и к расширению представления о банковских продуктах в целом.

Косвенным результатом также является регулярное использование пользователем онлайн-банка, так как только там можно увидеть свой прогресс.

Причем, результат достигается косвенно с помощью игровых механик, подается в виде истории про активный образ жизни, что намного интереснее определенной аудитории, чем возможность копить и получать проценты (это предлагает любой банк) или призыв пользоваться онлайн-банком.

“ Геймификация - это супер тема. Это всё - вовлечение. Скучно делать транзакции в банке, скучно пользоваться банковскими продуктами. А люди любят конкурировать, люди любят соперничать. Это сидит внутри и очень глубоко. И можно эксплуатировать эти качества людей. Как это сделать в банке? Кейсов мало. Но моё глубокое убеждение - тот, кто научится активно вовлекать своих клиентов, в том числе используя геймификацию, тот cможет заработать много денег.”

— Иван Пятков, Директор департамента дистанционного обслуживания и продаж Банка Москвы

Повышение финансовой грамотности пользователей, чтобы упростить восприятие сложных банковских продуктов: депозитов, инвестиций и т.д.

Типичные подходы:

1. Программы лояльности с начислением баллов, миль и кеш-бека в качестве наград.
2. Интерактивное контекстное обучение новым функциям. Велком-сценарии.
3. Квесты и конкурсы для клиентов.
4. Создание простых полезных сервисов с элементами игры: PFM, накопление на цели.
5. Вирусные промо-игры, сообщающие о новых продуктах в развлекающей форме.

Игра делает любой процесс более простым и увлекательным. Именно поэтому все больше появляется приложений, основанных на геймификации. В игре пользователи получают новые знания, вырабатывают полезные привычки или, наоборот, избавляются от вредных.

Зачем банкам и платежным системам геймификация?

«Геймификация» – это, по сути, система мотивации и стимулирования. В советское время была доска почета, на которой размещались фотографии лучших работников (о стимулировании покупателей в то время речи не шло). Сейчас намного больше возможностей сделать систему мотивации интересной, увлекательной, нелинейной. Именно ее превращение в игру и есть геймификация.

Геймификация призвана увлечь пользователя, человек будет стремиться к новым достижениям. Важно, чтобы этот путь был наглядным. Например, пользователь не просто получает новый статус в приложении, а видит движение к нему, понимает, что должен для этого сделать. Все это с красивой графикой.

Мозг человека всегда стремится к упрощению. Поэтому мы быстрее беремся за понятные для нас дела, а сложные откладываем на потом. Геймификация – это один из способов упрощения, снижения дискомфорта.

С кем можно играть?

Деятельность мозга не зависит от социальной роли. Поэтому геймификация работает как с клиентами, так и с сотрудниками. Сейчас в компании все больше приходит специалистов поколения Y. Для них подписанный договор – это не самый весомый повод для самоотверженной работы, а финансовое поощрение не всегда включает мотивацию на полную.

Работа должна увлекать, сотрудники хотят развития и самостоятельности. Поэтому игра может начинаться уже при найме сотрудника и в дальнейшем использоваться для повышения мотивации.

И, конечно, геймификация помогает выстроить отношения с клиентами, повысить их лояльность, сформировать привычку использовать конкретную услугу или товар. Именно в игре можно пользователя ненавязчиво подвести к целевому действию. На этой аудитории и остановимся, причем применительно к финансовой сфере.

Долгие годы считалось, что банкам и финансовым организациям нужно создавать и поддерживать имидж серьезных компаний, они категорически не допускают шуток. Только в том случае клиенты доверят им свои деньги. Но ситуация изменилась: финансисты тоже используют геймификацию.

Цели геймификации

1. Привлечь новых пользователей

Одно дело, когда вы рассказываете о преимуществах продукта и совсем другое, если приглашаете пользователя принять участие в игре.

Кейс

В прошлом году «Рокетбанк» проводил онлайн-квест с отсылками к СССР. Пользователи могли выиграть iPhone 7, испанский хамон или французские сладости макаруны. Участникам надо было выполнить 12 заданий, за которые начисляются баллы и ставятся печати в виртуальный талон. Часть из них была связана с распространением информации о «Рокетбанке» в социальных сетях. И одно из заданий - «Партийный билет» - предполагало подачу заявки на выпуск карты «Рокетбанка».

Таким образом, участники квеста, играя, сами повысили узнаваемость банка, расширили его аудиторию и между делом стали клиентами.

2. Помочь разобраться в продукте

Финансовые продукты часто достаточно сложны, пользователю нужно и объяснять саму услугу, и дать инструкцию по ее применению.

Кейс

Нидерландский Robobank привнесли элемент игры в довольно сложный и запутанный процесс получения ипотечного кредита. Для этого заемщику нужно пройти путь, для него определены конкретные шаги и только после их выполнения открывается следующий уровень и активируется значок нового действия.

3. Повышение финансовой грамотности

Многие банковские и платежные сервисы заботятся не только о том, чтобы клиенты знали их продукт, но и повышают их финансовую грамотность. Часто вопросы о защите от мошенников и принятии финансовых решений используются при геймификации.

Кейс

В Америке есть программа вознаграждения SaveUp. У пользователей поощряются правильные и эффективные действия, связанные с финансами. Причем это не программа лояльности какого-то конкретного банка, в нее включены пользователи более 180 тысяч американских финансовых институтов.

Баллы, например, засчитываются тогда, когда пользователь вносит средства на пенсионный счет или депозит, погашает задолженность по ипотечным кредитам, кредитным картам и другого рода займам. Кроме того, потребители принимают участие в финансовых образовательных курсах на ресурсе SaveUp. Баллы можно обменять на шанс выиграть призы.

4. Повысить активности пользователей и предложить новые услуги

Люди не заходят на платежный сервис от скуки или просто потому, что появилась свободная минутка. Нужно заплатить - пользователь открывает приложение, совершает платеж и уходит. Но при таком подходе клиент даже может не знать всех возможностей сервиса. Например, он понял, что удобно оплачивать услуги ЖКХ, приходит раз в месяц и совершает платеж. Пока ТСЖ или УК не выставит следующую квитанцию, пользователь может и не вернуться на сервис.

Кейс

У платежной системы «Центральная касса» есть большая группа пользователей, отличающаяся от других аудиторий - таксисты. Они получают оплату от пассажиров, которые расплачивались банковской картой, на электронный кошелек. Часть из них просто переводили полученные деньги на свои карты. На этом взаимодействие с платежной системой заканчивалось.

Поэтому перед бизнесом встала задача : научить таксистов использовать приложение для оплаты услуг. Для этого запустили игру. Таксисты принимали оплату за поездки, получали бонусы и оплачивали услуги диспетчерской без комиссии.

Еще кейс

Альфа-банк запустил сервис Alfa Activity. Банк предложил пользователям автоматически перечислять деньги в «копилку» пропорционально пройденным шагам. Для этого надо было связать учётную запись фитнестрекера с интернет‑банком. Результаты отображались на специальной шкале, чтобы пользователю было понятно, на что он уже накопил.

И еще один

Американский банк PNC не стал придумывать длинный и сложный квест. Просто на экране у пользователя, находящегося в интернет-банке, появляется свинка-копилка. При нажатии на нее, средства переводятся на накопительный счет. Причем периодичность и сумму платежей клиент настраивает самостоятельно.

5. Программа лояльности

Мы открываем кошелек и что видим? Большое количество скидочных карт, многие уже не носят их все с собой. Поэтому обычной программой лояльности никого не удивить. Пользователи часто даже отказываются от вступления в нее.

Кейс

Оживить бонусную программу вновь поможет геймификация. Испанский банк BBVA запустил онлайн-сервис BBVA Game. Клиент получает баллы за выполнение определенных действий, например, за проведение онлайн-платежей. Баллы можно обменивать на призы, оплачивать музыкальные и видеоролики на сайте-партнере BBVA. Кроме баллов, пользователь получает медали («бейджи»), которые отображаются на странице его профиля.

Но важно помнить, что бизнесу не стоит запускать просто игру ради самой игры. Цель геймификации – сделать интереснее взаимодействие с компаний, покупку ее услуг и использование функционала. Только в таком случае игра поможет добиться бизнес-целей и повысить лояльность.