1671

Предвосхищение желаний клиентов Сбера

2021 год.

Сервис предиктивной аналитики для определения задач и проблем клиентов Сбера до обращения на линию поддержки

alt

Какую проблему решали

Продуктами и сервисами Сбера ежедневно пользуются свыше 100 миллионов человек. Клиенты регулярно обращаются в контактный центр банка за помощью в решении своих задач, консультациями и уточнениями.
Ежемесячно Сбер обрабатывает более 20 миллионов звонков, и с появлением новых продуктов в экосистеме число таких обращений растет.
Чтобы справиться с растущей нагрузкой на операторов контакт-центра команда Сбера поставила перед собой задачу оказывать клиентам помощь превентивно, еще до их обращения в банк.
Решение проблемы
Рекомендательная система Сбера может анализировать сотни параметров и видов данных, которые есть в распоряжении у банка: сведения из клиентских профилей, транзакционные события, информация о жизненной ситуации, возможные потребности клиентов и другие.
Система предиктивной аналитики, обученная на этих данных, предсказывает, какие вопросы и задачи могут возникать у клиента в заданный момент времени, и предлагать ему способы их решения еще до того, как клиент обратиться в службу поддержки за советом.
Применяемые технологии
Для обучения моделей используются данные тех пользователей, с которыми произошло так называемое сервисное событие – некая ситуация, требующая консультации со стороны службы поддержки банка. Клиенты, звонившие в контактный центр, становятся «положительными» примерами для модели, а те, кто не позвонил – «отрицательными». Модель строится как решение задачи бинарной классификации.

Для отобранных пользователей формируется набор признаков с их актуальными значениями на дату, предшествующую сервисному событию. Это могут быть социально-демографические и финансовые данные, сведения об активности клиента, авторегрессионные характеристики – сталкивался ли клиент с той или иной проблемой ранее, обращался ли он в службу поддержки и т.д. В целом рекомендательная система использует при моделировании свыше 800 различных признаков.

Цифровые следы клиентов собираются в режиме близком к реальному времени, фильтруются, обогащаются и позволяют рекомендательной системе заметить признак наступления сервисного события. В этом случае клиенту отправляется сообщение по одному из каналов связи с подсказками, как можно решить стоящую перед ним задачу.

Бизнес-процесс

До проекта:

  • У клиента банка возникает необходимость решить тот или иной вопрос
  • Клиент обращается за поддержкой в контактный центр банка и получает консультацию
  • Операторы сервисной службы изучают запрос клиента и контекст его действий, помогая подобрать лучшее решение

После проекта:

  • ML-система Сбера выявляет потребности клиента на основании данных о нем
  • Система генерирует персонализированную коммуникацию с необходимыми для решения вопроса рекомендациями
  • При обращении в службу поддержки клиенту дополнительно выдает рекомендации чат-бот, уже знакомый с возникшей ситуацией и стоящей задачей
  • Нагрузка на операторов контакт-центра снижается

Результаты

Команда Сбера

Игорь Зарубинский
директор дивизиона «Массовая персонализация»
Елена Левина
директор дивизиона «Забота о клиентах»