Привет, Хабр!
В последнее время я вижу много рекомендаций о том, как успешно работать с клиентской базой и развивать клиентский опыт. Кажется, что в этой теме я могу быть полезным. Меня зовут Алексей Ласкин, я руководитель Центра компетенций по монетизации данных в команде РСХБ.Цифра, занимаюсь проектами по монетизации данных в цифровых каналах экосистемы «Своё» — Свое фермерство, Свое родное, Свое за городом, Свои финансы, Свой бизнес, Своё село, Своё жильё.

Хочется поделиться тем, как развивается СVM (Customer Value Maximization) и какие тренды на него влияют: разработчикам это может помочь сформировать понимание целей и средств разработки, которые следует использовать при проектировании СVM-систем. Опыт банков, показателен в части объема данных, который мы можем использовать для формирования предложений.

Для начала предлагаю определиться с терминологий. Что такое CVM-системы, которые мы будем рассматривать? Классически Customer Value Maximization —  это подход по максимизации выручки с одного клиента. Однако это звучит слишком сухо и хочется добавить конкретику.

Предлагаю следующий подход. CVM — это система, обеспечивающая взаимодействие с клиентами с целью увеличения их количества или доходности с клиентов, состоящая из следующих компонентов:

• Технологический стек из серверов и соответствующего программного обеспечения для взаимодействия с клиентами/ потенциальными клиентами.

• Данные по клиентам или потенциальным клиентам.

• Предлагаемый рекламный контент, форма его создания и сложность.

Для того чтобы понять, как и чем сейчас живут CVM-системы в банках, давайте посмотрим, как развивались системы в три последние десятилетия.

Этап 1 . Девяностые

Первым этапом развития клиентского сервиса в России стоит считать период 90-х. Что касается технологий, сервисы по персональному взаимодействию с клиентами отсутствовали. Технологический стек базировался на иностранном ПО и остатках советских технологий. Поддержка данного стека была в первую очередь иностранной.

Специфика работы с технологиями оказывала влияние на данные. Специализированное ПО для работы с данными применялось мало. Использовались бухгалтерские методы оценки. Все взаимодействие с клиентом шло через внешнюю рекламу. Персональный контент для действующих клиентов отсутствовал.

Этап 2. Нулевые

В это время рынок стабилизировался, появились стандарты технологических систем, но стоимость разработки и ресурсных мощностей оставалась высокой.

В технологиях царствует АБС (автоматическая банковская система) иностранных производителей. Мы уже умеем их поддерживать, обеспечивать свои локальные хотелки и делать доработки. Распространяются первые oCRM системы, дающие возможность сотрудникам фронт-офиса получать информацию о посетителе и формировать предложение продуктов.

Данные. Специализированные хранилища данных начинают приходить в оборот только в конце нулевых. Ярким штрихом эпохи являются сотрудники-хранители excel-отчетов, которые формируются на основании прямых налаженных выгрузок из АБС, далее сложными VBA-скриптами преобразуются в необходимый формат и затем используются руководством для принятия стратегических решений.

Рекламный контент технологически мало отличается от контента 90-х, но появляются стандарты взаимодействия с клиентами при использовании oCRM систем.

Этап 3. Десятые

Из-за цифровой специфики этого периода есть смысл рассматривать его года до 2018, а дальше начинается новый период, когда ML-решения стали стабильно жить на российском рынке. Десятые — это период ярких бизнес-лидеров, визионеров, быстрого зарождения и развития трендов работы со своими клиентами.

Начало 10-х было периодом, когда клиенты, ранее не встречавшиеся с уникальным подходом, активно откликались на персонализированные предложения. Предложения (скидка, срок, размер кэшбэка)  выглядели так, будто могут больше не повториться. По мере развития CRM-систем эта вера во что-то уникальное начала падать. Покупатели начали получать тысячи «индивидуальных» предложений из различных источников, при таких объёмах вера в «индивидуальность» быстро сходит на нет. О баннерной слепоте стали говорить всё чаще и чаще.

Распространяются CRM-системы для взаимодействия с клиентами. Ресурсные мощности становятся сильно дешевле. Появляется явный тренд на персонализацию.

Корпоративные хранилища данных — актуальный тренд  времени. К середине десятых уже любой уважающий себя банк использует Oracle, MS Server или подобные технологии работы с данными.

К концу десятых появляются стабильные источники внешних данных, предоставляющие агрегированную информацию по кредитным историям клиентов, его активностям в социальных сетях. Данных про клиентов стало много, они стали доступными, и их было легко использовать для увеличения ценности своего клиента.

В рекламе вторая половина десятых отметилась большим количеством сложных акций и механик, призванных «раскачать» клиентов, увеличить их транзакционную активность. Этому способствовало появление различных сложных методов начисления кэшбэка.

Этап 4. Сейчас

Разгул 10-х с большими откликами клиентов, торжеством визуального маркетинга и кучей механик сошел на нет. Клиент наелся. Когда тебе из каждого приложения, коммуникации обещают «уникальное» предложение, ты прекращаешь в это верить.

Стоимость коммуникаций через звонки и смс выросла в разы, а отклики на них значительно просели. Сейчас время, когда любая коммуникация с использованием рассылки смс или звонка требует холодной головы и здравого расчета.

На смену визионерам пришли технократы. Те, кто могут внедрять новые технологии, понимают взаимодействие информационных систем, где и на чем можно сэкономить.

Все эти факторы способствуют значительному росту потребности в использовании ML-инструментов при взаимодействии с клиентами.

Происходит переход от простых CRM-систем к сложным. Значительное удешевление вычислительных мощностей позволило сформировать запрос нового времени:

●        уход в микросервисную архитектуру,

●        отдельные сервисы для развития ML-технологий и данных для них,

●        большой фокус на индивидуальное взаимодействие в цифровых каналах.

Удешевление технологий позволило сделать CRM-системы доступными для всех, но при этом тренд на сложные рекомендательные платформы сформировал новый полузакрытый клуб для избранных компаний.

Позволить себе большие объемы вычислительных мощностей, команды Data science-специалистов, быстрое использование их результатов в промышленном режиме могут далеко не все.

Мы видим, что основной объем таких технологий присутствует в топ-10 банках. Они идут в это светлое будущее с разной степенью скорости и системности.

Данных по клиентам много, они существуют как в виде отдельных дашбордов для аналитических и трендовых выводов по клиентам, так и в виде специализированных витрин/векторов данных для разработки соответствующих моделей.

Меняется и подход их наполнения и работы с ними. Данные с задержкой в t-1 уходят в прошлое. Первым шагом к этому было появление триггеров от специализированных систем. Сейчас мы видим, что каждый момент взаимодействия клиента с банком по крупинке собирается и используется в дальнейшем

Рекламный контент. Баннерная слепота сказалась на взаимодействии с клиентами. Сейчас ключевыми задачами является создание подхода персонального взаимодействия с клиентами, проведение онбординга и выстраивание дружеского отношения к бренду.

Каждому клиенту требуется персональный подход и персональный контент.

Если раньше дизайнеры креативили на основании своего опыта и видения дизайн продуктов, сейчас нейронка создает индивидуальное предложение для каждого клиента за минуты.

Какие тренды в CVM надо видеть и использовать в своей практике?

В прошлом году РСХБ внедрил у себя рекомендательную платформу, которая обеспечивает индивидуальное взаимодействие со своими клиентами на новом технологическом уровне, подбирая уникальный контент и продуктовые характеристики для каждого конкретного клиента. С началом применения рекомендательной платформы за год объём продаж на платформе «Своё» вырос в 2,5 раза, например, согласно внутренним отчётам банка, более 55% кредитов физлицам выдается через мобильное приложение. Как мы этого достигли?

Покажу на примерах ниже.

1. Уход от локальных ML-инструментов и механизмов к каскадам, где каждый инструмент живет как кусочек чего-то большого и имеет жёсткие связи с ним.
   
   Программа лояльности — это не просто управление размером кешбэка, а динамическая система, интегрирующая предсказания поведения клиента на каждом этапе его жизненного цикла. 

   Пример из практики: Вместо того чтобы просто предложить кешбэк за покупку, система «Своё» анализирует вероятность оттока клиента, его текущий LTV, историю транзакций и определяет оптимальное предложение (например, персональную подборку инвестиционных продуктов или льготную ставку по кредиту), которое не только удержит, но и увеличит его ценность для банка.

2. Уход от агрессивных продаж. Переход к ценностно-ориентированной коммуникации.Успех достигается через построение долгосрочных, доверительных отношений, предоставление ценности и экспертной поддержки, а не только попытки продать.Теперь мы выстраиваем долгосрочные отношения и помогаем клиенту лучше понять наши продукты.

   Ведущие мировые банки и финтех-компании активно инвестируют в контент-маркетинг, обучающие платформы и персонализированные финансовые советы. Сначала нужно помочь клиенту разобраться в его потребностях, понять преимущества существующих продуктов и только потом, когда доверие установлено, предложить решение, которое будет  действительно актуально.

   Пример из практики: Вместо сообщения «Возьмите кредит под X%» клиент получает аналитику по своим тратам, рекомендации по оптимизации бюджета, информацию о том, как его текущие продукты (например, дебетовая карта) могут помочь ему достичь финансовых целей, и только потом в контексте этих советов предлагается продукт, который органично вписывается в его финансовую стратегию.

   

3. Скорость операционализации ML-моделей как конкурентное преимущество.

   Тренд на использование генеративных ИИ возник весьма недавно, но их неиспользование в работе уже существенно сказывается на эффективности компании. 

   Компании уровня Netflix, Spotify или ведущие ретейлеры (Wildberries, Ozon) постоянно проводят A/B тестирования и обновляют свои рекомендательные системы, алгоритмы ценообразования и персонализации. Это требует от команд MLOps не только высокого уровня компетенций, но и развитой инфраструктуры для непрерывной интеграции и доставки (CI/CD) ML-моделей. Задержка в несколько дней или недель может стоить миллионов упущенной прибыли и лояльности клиентов.

   Пример из практики: Внедрение нового алгоритма сегментации клиентов или модели предсказания отклика, позволяющего запустить таргетированную кампанию не за месяцы, а за недели или даже дни, существенно повышает эффективность маркетинговых усилий и позволяет оперативно реагировать на изменения рыночной конъюнктуры.

4. Гиперперсонализация коммуникаций в дизайне через ИИ. Опытный дизайнер может сделать отличный дизайн, но когда вопрос идет об уникальном отображении для каждого клиента, выбор переходит в сторону механизмов генерации.

   Крупные компании, такие как Microsoft, Google, Adobe активно интегрируют генеративный ИИ в свои продукты для маркетинга и продаж. Это позволяет масштабировать создание контента, уникальных сообщений, адаптированных под индивидуальный стиль общения, интересы и контекст каждого клиента.

   В РСХБ основы изображений для коммуникаций с клиентами в цифровых каналах создаются с помощью ИИ, а уже затем обрабатываются дизайнером. Это экономит время, ускоряет цикл коммуникации с клиентами, помогает быстро тестировать новые идеи и предложения.

   Генеративный ИИ автоматически создаёт уникальные варианты электронных писем, push-уведомлений или даже скриптов для чат-ботов, подбирая тон, лексику и акценты, наиболее релевантные конкретному сегменту или даже отдельному клиенту, основываясь на его предыдущем взаимодействии и профиле.

   

5. Динамический креатив и дизайн, управляемый ИИ. Больше нет постоянных продуктов для каждого клиента. Предложение формируется на базе образа продукта и его продуктовых особенностей. Появилась возможность подстроить предложение под каждого клиента.

   На банковском рынке наблюдаем кейсы, когда клиент получает конкретное значение ставки кредита/депозита в зависимости от того, каким планируется его отклик и ценность для банка.

   Пример из практики: Для каждого сегмента или даже отдельного клиента может быть сгенерирован уникальный рекламный баннер или элемент интерфейса, который будет содержать не только персонализированный текст, но и визуальные образы, цвета или композиции, наиболее привлекательные именно для этого пользователя.