В «Ростелекоме» разработаны модели ИИ, помогающие определять сегменты клиентов, с которыми необходимо работать. Выстроенные модели затрагивают как потенциальных, так и действующих клиентов. Важной их частью является аргументация – создается «портрет» клиента и выявляются причины его склонности клиента к тому или иному продукту, что позволяет верно выстроить диалог с клиентом и привести ему убедительные аргументы. О реализации проекта рассказывает Андрей Зима, директор департамента развития решений искусственного интеллекта «Ростелеком» и номинант на премию Data Award.

- В чем заключалась бизнес-боль, какие задачи требовалось решить?

До внедрения ИИ в процесс работы с потенциальной и действующей клиентской базой, план по продажам, в основном, выполнялся за счет «клиентов-самоходов», то есть тех, кто обратился сам с потребностью подключить дополнительные телеком-услуги. Процесс кросс-продаж носил ситуативный характер и не имел системного подхода.

Возникла потребность в развитии данного процесса и формирования исходящих активностей, направленных на развитие клиентской базы. Не всегда использование одних лишь бизнес-правил давало эффект, который мог бы соответствовать тенденциям на рынке. По потенциальным клиентам проблема наблюдалась особо остро: процесс выбора наиболее конверсионного сегмента клиентов осложнялся отсутствием причин и формализованных правил этого выбора. Требовалось найти решение, позволяющее формировать комплексные предложения для клиентов, которые включали бы в себя сразу несколько услуг.

Задачей проекта стала разработка моделей ИИ, которые помогали бы бизнесу определять сегмент клиентов, с которым необходимо работать.

- Почему это важно для Ростелекома?

Внедрение ИИ-инструментов для бизнес-процессов «Ростелекома» – это необходимость, а не следование модным тенденциям. Мы предоставляем нашим клиентам более 500 видов услуг, количество наших абонентов превышает 48 млн человек, у нас более 4,1 млн B2B-клиентов, а всего в стране 7,3 млн юридических лиц, включая индивидуальных предпринимателей. Мы не можем предлагать нашим клиентам весь перечень услуг методом «ковровой бомбардировки». Нам нужны методы и алгоритмы, чтобы точно определять потребности в сервисах и услугах нашей компании, автоматизировать процессы, снижать нагрузку на сотрудников и повышать удовлетворенность наших клиентов.

- Какой подход был выбран?

Проект было решено реализовать силами внутренней команды «Ростелекома», так как основная сложность задачи была не в том, чтобы разработать саму ML-модель, а в том, чтобы полноценно внедрить ее в бизнес-процессы. А для этого нужно правильно сформулировать постановку задачи, что сделать невозможно без хорошего понимания данных компании и процессов – на формирование такой экспертизы у внешней команды ушло бы много месяцев.

Также между бизнес-подразделением и офисом Data Science нужно было выстроить партнерские взаимоотношения, а не применять модель «заказчик-исполнитель». Важно было достигать бизнес-результаты, а не просто исполнять запросы в рамках технического задания.

- Что представляет собой созданное решение?

Для обучения ML-моделей мы использовали собственные данные «Ростелекома», а также внешние данные. Результаты работы ML-моделей загружаются в бизнес-системы – например, в систему управления кампаниями (Campaign Management). Эти результаты использовались в бизнес-процессах в каналах продаж и коммуникаций.

По большому счету, результат работы ML-модели – это заполненное текстовое поле внутри карточки клиента, которое полезно продавцу во время коммуникаций: оно содержит информацию о том, какие услуги могут быть интересны клиенту. Эти услуги расположены в порядке убывания их полезности для клиента, и для каждой услуги приведена информация – почему клиенту может быть интересен предлагаемый продукт. Внутри своей привычной системы продавцы получают списки клиентов, ранжированные по общему потенциалу коммуникации. Таким образом, сокращается количество «холостых» звонков, которые не только снижают мотивацию продавцов, но и бесполезны для наших клиентов.

- Какой математический аппарат использован?

Вся математика сосредоточена в выборе алгоритма машинного обучения и правильного его применения. Мы остановились на использовании мощной и универсальной техники – градиентном бустинге. Контроль за процессом «выучивания» паттернов в поведении клиентской базы отвечает математическая функция ошибок, которая позволяет «наказывать» модель в случае неверных прогнозов и «поощрять» в случае правильных решений. Благодаря градиентному бустингу мы строим сложную композицию относительно слабых моделей. Каждый предыдущий шаг находит более сильные зависимости и отделяет их, тем самым позволяя на следующих шагах находить менее выраженные зависимости. За счет большого количества таких шагов модель хорошо предсказывает поведение клиента. Как аналогию можно привести прогнозирование временных рядов, где в начале выделяем тренд, а после этого явно видна сезонность. После выделения сезонности видны зависимости последующего значения от предыдущего. На этой идее работают, например, ARIMA-модели (интегрированная модель авторегрессии – скользящего среднего).

- Какие ИТ-платформы применялись?

Наша ML-модель разработана на языке программирования Python с использованием библиотеки LightGBM. Сбор признаков для обучения и прогнозирования производится с применением технологий больших данных – экосистемы Hadoop c системой управления базами данных Hive и хранилищем Greenplum. Координация всех процессов преобразования данных и расчета модели опирается на оркестратор Airflow. Ведение проектной деятельности по разработке программного кода, а также вывод новых релизов в промышленную эксплуатацию осуществляется посредством GitLab. Контейнеризатор приложений Docker позволяет удобно изолировать окружения моделей друг от друга, а также способствует ведению исследовательской деятельности разработчиков на серверах JupyterHub, не мешая друг другу.

Коллеги из бизнес-подразделений могут быть уверены – качественный скоринг будет доступен в нужное время и в нужном месте!

- В чем «фишки» созданного решения?

Наверное, основное отличие нашего решения – в масштабе его применения.

Мы комплексно анализируем поведение клиентов по всей стране с учетом региональных особенностей. Мы определяем общий потенциал клиента, чтобы понять, кому звонить, а кому нет, и тем самым повышаем эффективность тысяч часов рабочего времени наших продавцов. Также мы экономим время наших клиентов – мы предлагаем им не десятки разных продуктов, а только те, которые с высокой вероятностью заинтересуют их. Кроме того, определенные с помощью ИИ причины склонности клиента к продукту позволяют правильно выстроить диалог с клиентом, привести ему правильные аргументы и помочь осознать свои потребности.

Например, благодаря моделям ИИ мы видим, что наш клиент – это пункт выдачи заказов. Если мы посмотрим на сформированные с помощью ИИ предложения, там первым приоритетом стоит видеонаблюдение. А в качестве аргументов этой услуги будет указано, что видеонаблюдение для пункта выдачи заказов – это необходимый продукт для организации безопасности в помещении, а также для контроля сотрудников и подсчета посетителей. Также в процессе диалога менеджер может упомянуть, что пункты выдачи заказов часто подключают подобную услугу – это правда, и это убеждает клиентов.

- Каких результатов удалось достичь, как они соотносятся с ожиданиями?

В результате проекта была выстроена работа по созданию и развитию моделей Data Science, которые затрагивали как потенциальных, так и действующих клиентов. Были сформированы портреты каждого клиента, с указанием всех исторических изменений. Был выбран определенный период, на основании которого мы формируем «эталонного» клиента для продаж. Каждый из клиентов получил определенный скоринговый балл, на основании которого образовались группы клиентов – кластера по вероятности их покупки (высокосклонные, низкосклонные и т.п.).

Для каждого клиента были определены наиболее подходящие для него телеком-услуги. Помимо этого, мы стали понимать их приоритетность и вес. Это позволило создать эффективный процесс определения высоко склонных к покупке клиентов среди действующей и потенциальной базы, и формирования персональных предложений для каждого клиента.

- Как это оценивается в финансовом выражении?

В 2022 году мы смогли увеличить выручку по проекту в два раза по сравнению с 2021 годом, а перевыполнение плана составило 75%. Дальнейший рост выручки стал более плавным, так как мы уже приближаемся к границе возможностей ИИ, но все равно составляет десятки процентов.

Если оценивать результаты проекта в целом от старта, то произошло увеличение конверсии по действующим клиентам в шесть раз, по потенциальным клиентам – в четыре раза. Средний чек на клиента вырос на 15%, а срок жизни клиента увеличился на шесть месяцев.

- В каком направлении будет развиваться проект?

Сейчас мы активно смотрим в сторону анализа диалогов и внедрения алгоритмов аналитики речи. Мы планируем подключать искусственный интеллект в процессе диалога с клиентами для выявления потребностей и перерасчета рекомендательной модели в процессе диалога. Также мы планируем использовать генеративные сети для составления писем и диалогов операторов, и тестируем возможности применения роботов и голосовых ботов.

Мы уже протестировали некоторые гипотезы. Наши пилотные проекты показывают, что голосовые боты способны обеспечить более высокую конверсию за счет более четкого следования сценарию и отсутствия человеческого фактора. Также по процессам обслуживания видим, что диалог с ботом клиенты оценивают существенно выше, чем с человеком.