«Наша система — это ученый на стероидах». Чем занимается департамент анализа данных и машинного обучения Jusan Bank?
Больше полутора лет назад в структуре Jusan Bank появилось новое подразделение — департамент анализа данных и машинного обучения. Его специалисты работают над созданием и развитием собственной CVM (сustomer value management) – системы автоматических рекомендаций, которая помогает, например, предсказать преддефолтное состояние клиента, настроить уникальное расположение иконок для пользователя с учетом персональных привычек и предпочтений или посоветовать купить новый гаджет, если тот пользуется устаревшим смартфоном. Как конкретно работает система? Что она дает? И сложно ли найти людей, способных ею управлять? Читайте об этом в интервью директора департамента Бауыржана Аубакир на Digital Business.
«У каждого человека есть свой предел толерантности к рекламе»
— Бауыржан, когда и зачем в банке создали Департамент анализа данных и машинного обучения?
— Департамент появился больше полутора лет назад. Главная причина — амбиция Jusan Bank стать банком №1 на рынке Казахстана. Чтобы это сделать, нужно предлагать людям максимально персонализированные продукты и не смотреть на всех клиентов одинаково. А для этого, в свою очередь, нужно анализировать поведение пользователей: кто они по социально-демографическим признакам, кем работают, на какие товары смотрят, где предпочитают отдыхать.
Бауыржан Аубакир
Конечно, ответить на эти и многие другие вопросы можно традиционным анализом данных в Excel. Но мы хотели автоматизировать процесс. Для этого нужна своя технологическая архитектура. А еще «специфические специалисты», которые умеют работать с моментальной аналитикой и составлять нужные портреты.
— То есть ваша работа неразрывно связана с маркетингом?
— Да, потому что сбор данных — это основа нашей работы. Мы собираем обезличенные данные о пользователях со всех возможных каналов коммуникации. Получаем информацию от Google, Facebook и других больших систем. Собираем свои данные из сore-систем банка — это те сведения, которыми делятся клиенты при регистрации. Также используем данные транзакционной системы и аналитику покупок.
Поэтому нам важно, чтобы даже расположение иконок в приложении было уникальным и учитывало поведение пользователя и его привычки.
— Получается, что вы создаете продвинутую CRM-систему для персонализации предложений на основе клиентского поведения?
— Почти так. Только не CRM (Customer Relationship Management — прим. Digital Business), а CVM — Customer Value Management. Разница в том, что классическая CRM-система строится вокруг взаимодействия человека с человеком. Где человек контролирует качество связи с клиентом. В случае же с CVM контроль проводит алгоритм. Если CVM-ка несколько раз показала человеку шины, а он их не купил, то система в принципе перестанет их предлагать.
То есть глобально — наш инструмент, как и CRM-ка, помогает бороться за внимание клиента. Только здесь у нас есть возможность контролировать частоту и чистоту коммуникации с ним. Потому что у каждого человека есть свой предел толерантности к рекламе.
— Что вы имеете в виду?
— Есть люди, которые редко пользуются сервисами. Не потому, что им что-то не нравится — просто они берут телефон в руки 1-2 раза в день. А есть, к примеру, я, который захожу в приложение Jusan ежедневно и регулярно. У каждого из нас будет свой предел толерантности к восприятию рекламного месседжа, и наша CVM-ка это понимает. Поэтому мне она покажет 2 уведомления за день, а второму человеку — 2 за неделю.
— Про частоту объяснили. А что такое чистота?
— Это как раз-таки понимание потребностей клиента. Проще говоря, сегментация. Клиенту без автомобиля нет смысла присылать автотовары. А пользователей без детей вряд ли заинтересуют кроватки и игрушки. Благодаря тому, что мы собираем очень много данных, получаем и другую ценную информацию. Например, человек зашел в приложение со старого смартфона. Система проанализировала эту информацию — и подставит в товарные рекомендации новый гаджет. Это работает как по товарному направлению, так и по сервисному.
Сотрудники департамента анализа данных и машинного обучения
«Наша система — это ученый на стероидах, который собирает сотни терабайт информации о пользователях, находит нужные вероятности и использует их в маркетинге»
— Занимается ли Департамент чем-то еще, кроме увеличения продаж?
— Да. Наша система решает одну важную задачу — помогает повысить лояльность клиентов и разгрузить наш колл-центр.
Объясню на примере: человек попытался перевести деньги с карты на карту. И в момент ввода цифр ошибся — вместо 7 написал 8. С этой проблемой он обращается в колл-центр. Раньше с ним работал бы реальный менеджер, который потратит несколько минут на то, чтобы разобраться. А сейчас же мы можем подключить бота, который в момент обращения клиента с проблемой «Не могу перевести деньги» за долю секунды проанализирует его последние действия и скажет «Вижу, что введенный номер карточки некорректный. Попробуйте снова, а потом перезвоните нам еще раз».
Колл-центр благодаря этому занят более тяжелыми кейсами, где действительно нужно человеческое участие. Таким образом, клиенты решают свои типовые проблемы быстрее, а компания за это почти ничего не платит. Мы внедрили это решение, когда банк столкнулся с проблемой роста: у Jusan Bank больше миллиона клиентов, а размер службы поддержки при этом практически не увеличился в последние 2 года.
Вот еще один кейс на тему заботы о клиенте и повышения лояльности. Система может предположить, что человек с кредитом близок к преддефолтному состоянию, потому что он стал гораздо реже просматривать свой баланс или состояние займа, зато в его транзакциях появились много платежей в клиниках, больницах. И в итоге предложить ему реструктуризацию долга.
— Вы можете объяснить максимально просто, как вы создаете персонализированные предложения. Обучаете нейросеть — что еще?
— Обезличенных данных, которые просто прячутся за ID, предостаточно. Инструментов для обработки тоже хватает. Есть обучаемая нейросеть, которую вы упомянули. Применяются регрессии. Есть AI-маркетинг в целом (маркетинг искусственного интеллекта — прим. Digital Business). Но все это — статистика в чистом виде на быстрых компьютерах, которая не ограничена столбцами и строками в Excel.
«Специалист настроил рекомендации с предложением купить свиную рульку. Думаю, не надо говорить, какой эффект это имело в стране, где больше половины населения исповедует ислам»
— Перед интервью вы сказали, что в департаменте работает около 50 человек. Кто они? Специалисты по big data и data science, аналитики?
— Нет [смеется]. У нас всего 3 человека, которые умеют разворачивать систему и архитектуру. Еще 20 человек имеют базовое понятие SQL и Python. Подавляющее большинство сотрудников — это бывшие механики, химики, биологи, робототехники. Главное для нас — не владение какой-то технологией, а логика и математический склад ума. Если человек подходит под эти критерии, он попадает к нам на 2-3 месячное обучение и в итоге станет junior-специалистом.
— Неужели 3 человек хватает, чтобы поддерживать и развивать работоспособность системы, которой пользуется миллион клиентов?
— Более чем. Знаете, как у нас говорят. Инженер-DevOps должен быть как пожарный — он должен спать почти все рабочее время. То есть — развернул систему и просто дежуришь. Если DevOps-инженер много работает, значит, он плохой DevOps-инженер.
— Вы сказали, что 3 человека — это программисты, еще 20 человек умеют работать на разных языках программирования. А чем занимаются остальные 27 человек?
— Моментальная аналитика, которая управляет автоматической системой при настройке рекомендаций. Эти специалисты учитывают внешние факторы и выбирают из предложенных вероятностей те, которые могут быть более релевантными в конкретный момент. Это очень интересный фронт работы департамента, где можно себя проявить, подстроить систему рекомендаций и попасть в точку. Здесь мы работаем как стартап — и постоянно тестируем разные гипотезы. И иногда тесты приводят к факапам. Самые интересные факапы оказываются на доске отличившихся.
Вот, например, один из них. Человек ошибся и на 2 часа включил абсолютно всем пользователям приложения товарные рекомендации шин. Пока мы это чинили, компания-партнер попросила убрать шины из предложенных товаров, так как шин вне сезона не было в наличии.
Или еще один случай — наш сотрудник в напряженной ситуации запуска новой модели дал чуть больше места под продукты питания. А из стоков выгрузилось очень много предложений о покупке свиной рульки. Думаю, не надо говорить, какой это эффект имело в стране, где больше половины населения исповедует ислам.
— Как-то наказывали за эти косяки?
— А за что наказывать? Человек сильно накосячил — и инвестировал этот опыт в дальнейшую бдительность. Он уже обжегся и в следующий раз подумает тысячу раз перед тем, как что-то запустить.
— Ясно. Расскажите, где находите специалистов?
— Искать специалистов для анализа данных и машинного обучения очень тяжело. Хотя бы потому, что их не учат в университетах. Поэтому мы ходим по вузам — в первую очередь Назарбаев Университет, откуда 35 нынешних сотрудников — рассказываем о нашем департаменте и собираем резюме заинтересовавшихся. В основном, ходим к инженерам-механикам, инженерам-электрикам, робототехникам и программистам — то есть к тем ребятам, которые должны мыслить математически. Наиболее перспективных приглашаем на собеседования.
— Кто их проводит? HR?
— Нет. Я и еще 4 человека из департамента. Вместе мы оцениваем подходы, мышление кандидатов. На этом этапе «отваливается» больше половины от всех претендентов на вакансии, потому что люди привыкли отвечать в формате сухой теории, по заготовленным ответам. А у нас так не получится.
