Банк стремился повысить эффективность работы с розничными клиентами. Существовавшие маркетинговые кампании не всегда достигали цели, так как основывались на общих подходах. Чтобы предлагать клиентам действительно интересные продукты, необходимо было научиться лучше понимать их потребности и своевременно реагировать на изменения в поведении.
Крупный банк Республики Беларусь с разветвлённой филиальной сетью.
Срок реализации проекта: 4 месяца.
Банку не хватало инструментов для глубокого понимания своей клиентской базы. Маркетинговые предложения формировались преимущественно на основе массовых сегментов, что не всегда учитывало индивидуальные особенности и актуальные потребности клиентов. Это приводило к снижению отклика на рассылки и создавало риски потери интереса клиентов к продуктам банка. Требовалось решение, которое позволило бы перейти от массовых коммуникаций к персонализированным.
Основная цель — создать механизм, который поможет банку предлагать каждому клиенту тот продукт, который будет для него логичным и ценным именно сейчас. Для этого было необходимо:
В основу решения легли методы машинного обучения. Команда Invento Labs разработала поэтапный подход, который сочетает в себе ML-аналитику, экспертизу предметной области и прозрачную бизнес-логику.
На первом этапе с помощью алгоритмов машинного обучения была построена модель кластеризации. На основе данных о транзакциях, используемых продуктах, активности в каналах и демографических характеристиках клиенты были распределены по группам со схожими паттернами поведения. Анализ позволил выделить несколько устойчивых сегментов клиентов — от наиболее активных пользователей до тех, кто требует дополнительного вовлечения. В результате банк получил чёткую картину того, из каких групп состоит его клиентская база и чем эти группы отличаются друг от друга.
На втором этапе для каждого выделенного сегмента был сформирован список наиболее значимых продуктов. Приоритетность продукта оценивалась по трём критериям: его популярность внутри сегмента, насколько он характерен именно для этого сегмента (уникальность) и какую долю всех владельцев продукта составляет данный сегмент. Это позволило отсеять общебанковские тренды и сосредоточиться на продуктах, действительно отражающих стиль жизни и потребности каждой группы.
Финальный шаг — персонализация предложения для конкретного клиента. Из списка топ-продуктов его сегмента исключаются те, которыми он уже пользуется. Оставшиеся продукты ранжируются по значимости, и клиент получает несколько наиболее релевантных предложений.
Разработана и внедрена модель сегментации клиентской базы, которая стала основой для новой системы персонализации. Создан прозрачный механизм формирования предложений, позволяющий в любой момент получить актуальную рекомендацию для каждого клиента. Банк получил не просто техническое решение, а детальное описание и портреты каждого из выделенных сегментов с рекомендациями по работе с ними.
