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.
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 продуктов внутри сегмента определялась на основе комплексной оценки их востребованности у клиентов этой группы, их характерности для неё в сравнении с другими группами, а также вклада сегмента в общую базу владельцев продукта. 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.
Срок реализации проекта: 4 месяца
