GlowByte и банк "Санкт-Петербург" завершили проект по внедрению в мобильное приложение Банка RL-модели
БСПБ при поддержке интегратора GlowByte внедрил в мобильное приложение Банка модель для персонализации предложений для клиентов. Решение основано на технологии Reinforcement learning («обучение с подкреплением»). Новый подход позволяет формировать индивидуальный план показа баннеров каждому клиенту: теперь Банк сможет проводить интерактивные маркетинговые акции, которые позволят создавать релевантные для клиента предложения.
RL-модель была разработана с целью автоматизации маркетинга. Модель усилила собой ансамбль использовавшихся ранее ML-моделей, которые анализируют склонности клиентов к различным продуктам Банка. RL-модель обеспечивает оптимальное сочетание разнообразия предложений и максимизации интереса клиентов. В отличие от классических подходов, технология Reinforcement learning позволяет модели постоянно дообучаться на основе новых поступающих данных и быстрее адаптироваться к изменениям.
Благодаря новому решению система автоматизации маркетинга может сочетать стратегию исследования степени интереса клиентов к разным предложениям со стратегией максимизации откликов: предложение из пула доступных для клиентов предложений будет обязательно показано большей или меньшей доле клиентов – в зависимости от их отклика на данное предложение. Помимо прочего, RL-модели обеспечивают быструю проверку гипотез по новым предложениям (модель сократит их показы, если они не будут интересны клиентам), а также позволяют эффективно решить задачу персонализации предложений для клиентов без истории в мобильном приложении Банка. Система легко адаптируется к изменениям клиентского поведения, сезонным трендам и способна обновляться на основе свежих данных сколь угодно часто, даже ежеминутно.
RL-модель была разработана с целью автоматизации маркетинга. Модель усилила собой ансамбль использовавшихся ранее ML-моделей, которые анализируют склонности клиентов к различным продуктам Банка. RL-модель обеспечивает оптимальное сочетание разнообразия предложений и максимизации интереса клиентов. В отличие от классических подходов, технология Reinforcement learning позволяет модели постоянно дообучаться на основе новых поступающих данных и быстрее адаптироваться к изменениям.
Благодаря новому решению система автоматизации маркетинга может сочетать стратегию исследования степени интереса клиентов к разным предложениям со стратегией максимизации откликов: предложение из пула доступных для клиентов предложений будет обязательно показано большей или меньшей доле клиентов – в зависимости от их отклика на данное предложение. Помимо прочего, RL-модели обеспечивают быструю проверку гипотез по новым предложениям (модель сократит их показы, если они не будут интересны клиентам), а также позволяют эффективно решить задачу персонализации предложений для клиентов без истории в мобильном приложении Банка. Система легко адаптируется к изменениям клиентского поведения, сезонным трендам и способна обновляться на основе свежих данных сколь угодно часто, даже ежеминутно.
“
Мы активно следим за развитием новых методов и ИТ-инструментов и стараемся постоянно повышать качество работы с данными, улучшать коммуникацию с клиентами. Мы идем от потребностей и интересов клиентов Банка. Теперь благодаря реализованному проекту вместе с GlowByte мы можем легко, быстро и, главное, безопасно проверять гипотезы по новым и существующим продуктам, максимально ориентируясь на текущие потребности наших клиентов.
“
RL-подход позволяет дообогатить наши модели классического машинного обучения, «взвесив» прогнозы склонностей клиентов на ретро-данных на изменения среды в реальном времени. Данное сочетание позволяет учитывать в коммуникациях не только склонность клиента к продукту, но также его заинтересованность продуктом в каждый момент времени. При этом RL-модель реализована с учетом ряда бизнес-ограничений.
“
Мы идем от потребностей и интересов клиентов Банка. Разработанный инструмент позволит определить эффективный охват аудитории для каждого предложения, добавить интересный продукт в список рекомендуемых, а если отклик на новый продукт окажется слишком низким, система сама сократит его показы клиентам.
“
Такие подходы к обучению моделей становятся возможными благодаря проектированию современных архитектур платформ данных. В нашем банке платформа управления данными построена путем совмещения принципов потоковой и пакетной обработки данных. Все слои данных и ETL работают на одном технологическом стеке. Это дает возможность реализовывать дата-продукты, требующие скорости поставки данных и автоматизации сбора датасетов.
“
Персонализация предложений – важный инструмент, помогающий Банку повышать лояльность клиентов. На скорость внедрения подобных технологий и их эффективную работу влияет в том числе правильная организация данных на платформе и выстроенные процессы ухода за ними (каталогизация, автоматизированный контроль качества и пр.). Приятно видеть, что наши усилия в этом направлении приносят результат.
“
“Коробочных” решений, отвечающих всем требованиям и особенностям процессов банка, на текущий момент не существует, и мы разработали для Банка «Санкт-Петербург» собственное универсальное решение на open-source технологиях, которое позволяет персонализировать продукты для клиента в режиме онлайн, а также формировать индивидуальный, регулярно обновляемый план продуктовых баннеров. Особое внимание при разработке модели мы уделили тому, чтобы модель выполняла план по количеству просмотров для фокусных продуктов Банка. В рамках этого проекта мы столкнулись с рядом дополнительных ограничений и вызовов, характерных для разных компаний и индустрий, преодоление которых позволило реализовать уникальную систему для Банка “Санкт-Петербург”.