Какую проблему решали

В суперприложении Tinkoff магазины-партнеры и производители товаров могут давать повышенный кэшбэк (скидку) клиентам через механизм спецпредложений. Клиенту одновременно доступно 100-300 скидок.

Менеджеры отдела вручную определяют значимость каждого предложения. От этого зависит, где оно будет располагаться. Клиенты не просматривают все позиции, обращая внимание только на те, которые расположены выше других.
Необходимо в начале показывать наиболее релевантные для каждого клиента предложения. Но определение значимости каждого предложения не поддается строгой инструкции и не может быть автоматизировано.
Решение проблемы
Тинькофф разработал и запустил собственную технологию алгоритмического кэшбэка с рекомендательными моделями. Она подбирает наиболее релевантные для клиентов спецпредложения в разных товарных группах и формирует категорию «Рекомендуемое».
Веса значимости предложений персонализированы и автоматически обновляются с учетом совершенных транзакций и новых офферов. ML-решение предугадывает, что захочет купить человек в будущем, и предлагают индивидуальный кэшбэк на эти товар
Технология помогает магазинам и производителям определить, какие товары пользуются спросом, стоит ли запускать акцию на товар или бренд в офлайне, какому клиенту нужно предложить новую категорию товаров и какой на неё давать кэшбэк.
Применяемые технологии

Технология кэшбэка Tinkoff — это семейство современных AI-алгоритмов, обученных на покупках 8 млн клиентов банка, которые они совершили в течение двух лет в различных категориях. На начало 2021 года эта технология не имеет аналогов в мировой практике.

Архитектура технологии позволяет рассчитать различные модели вероятности покупки для конкретного бренда, магазина или товара и решить, нужно ли давать кэшбэк на конкретный бренд или товар. 

Технология работает на внутреннем сервисе — ML-платформе, на которой аналитики могут описывать пайплайны конвертации исходных данных в конечные веса. 

Основная модель — Mult-VAE. 

Бизнес-процесс

До проекта:

  • Сортировка спецпредложений и определение их релевантности вручную.
  • Нет четких критериев определения значимости предложений. 
  • Клиент не просматривает все доступные офферы.
  • Раздел кэшбэка не всегда вызывает интереса пользователей.

После проекта:

  • Автоматическая сортировка спецпредложений по категориям.
  • Ранжирование внутри категорий по уровню значимости для клиента.
  • Новый раздел «Рекомендуемое».
  • Три наиболее релевантные скидки формируют обложку раздела.
  • Больше клиентов вовлекаются в раздел спецпредложений.

Результаты

Команда Tinkoff

Марина Ананьева
Аналитик
Евгений Исупов
Руководитель проекта
Олег Лашинин
Аналитик
Владислав Пикиневич
Аналитик

Похожие кейсы

AI-кейсы с доказанной бизнес-эффективностью. Все проекты успешно прошли проверку комиссией из признанных экспертов в технологиях и бизнесе.