2947
Дифференцированные стратегии работы с клиентами
Январь, 2020 год.Решение Сбербанка для оценки и прогнозирования добросовестности клиентов во время комплаенс-проверки.
Какую проблему решали
Сбербанк является лидером по количеству клиентов — юридических лиц. Банк обязан контролировать их операции в рамках закона № 115-ФЗ «О противодействии легализации (отмыванию) доходов, полученных преступным путем, и финансированию терроризма».
Сотрудники службы поддержки тратят минимум 7 рабочих дней и совершают более 10 звонков для того, чтобы помочь клиенту вовремя собрать полный пакет запрошенных банком документов. В их обязанности входит проверка документов на читаемость, полноту и качество.
Банк тратит одинаковые ресурсы как на добросовестных клиентов, так и на тех, кто в дальнейшем не останется на обслуживании в банке.
Решение проблемы
Банк дифференцировал подход к консультированию клиентов в рамках комплаенс-проверки, внедрив в процесс технологии AI.
При помощи машинного обучения компании распределяются на категории: склонные не нарушать 115-ФЗ, ведущие сомнительный бизнес и те, кто может остаться на обслуживании в банке при выполнении определенных условий.
Сотрудники службы поддержки фокусируются на работе с перспективными для банка клиентами.
Применяемые технологии
Технология заключается в формировании статистик по ключевым метрикам и выделении факторов, определяющих особенности ведения бизнеса клиента.
Для построения ML моделей использованы следующие подходы для моделирования:
- Трансформация признаков: Woe, квантильная трансформация и др.
- Отбор ключевых признаков: Stepwise, feature correlation, VIF и др.
- ML модель потенциала: алгоритм Positive-Unlabeled Learning (модель Logistic Regression)
- ML модель риска: алгоритм Random Forest
- Произведена калибровка ML модели риска
- ML модель алгоритм Logistic Regression
Бизнес-процесс
До проекта:
- Подробное консультирование всех клиентов в рамках комплаенс-проверки.
- Большие трудозатраты на сбор и проверку документов.
- Расфокусировка менеджеров из-за обилия разноплановых задач.
После проекта:
- Автоматическое определение приоритетности клиентов.
- Детальная коммуникация с перспективными клиентами.
- Ограничение взаимодействия с неперспективными клиентами.
- Персональные рекомендации для исправления ошибок.
Результаты
Команда проекта
Наталья Деменева
Руководитель направления
Анатолий Клюшенков
Руководитель направления по исследованию данных
Карина Кожанова
Руководитель направления
Родион Левин
Исполнительный директор
Ольга Михеева
Менеджер
Дмитрий Сысоев
Руководитель направления по исследованию данных
Ксения Челошкина
Ведущий исследователь данных
Похожие кейсы
AI-кейсы с доказанной бизнес-эффективностью. Все проекты успешно прошли проверку комиссией из признанных экспертов в технологиях и бизнесе.
