Банки уже умеют предугадывать желания клиентов с ИИ. Вот чему у них стоит поучиться любому бизнесу

Еще недавно банк видел клиента примерно так: «мужчина, 35-44, доход выше среднего, есть ипотека», и предлагал ему кредитную карту с кэшбэком на АЗС. Это был поток персонализации.

Проблема в том, что внутри такого сегмента миллионы совершенно разных людей: один копит на образование детей, другой только что сменил работу и пересматривает все расходы, а третий вообще перестал ездить на машине.

Если у компании есть история покупок, обращения в поддержку или данные о поведении пользователей на сайте, значит у вас уже есть основа для такой персонализации. 

На примере финтех индустрии рассмотрим фишки для бизнеса, которые помогут удержать пользователей и повысить качество клиентского сервиса.

Я больше десяти лет строю финансовые и ИИ-продукты, последние годы — в сфере кредитных карт и программ лояльности крупнейшей мировой e-commerce компании Amazon, и хочу показать, как это устроено изнутри и что из этого может взять любой бизнес.

Потребности клиента больше не нужно спрашивать — они уже записаны в его поведении. Каждая транзакция, каждый заход в приложение, каждое обращение в поддержку — это сигнал. Раньше данные терялись в хранилищах, потому что человек физически не способен обработать столько информации, но модели машинного обучения легко могут анализировать все факторы. 

Что можно считать с помощью ИИ:

1. Паттерны в транзакциях.

Сейчас в финтехе модель замечает изменения структуры трат раньше, чем клиент формирует потребность. И предлагает продукт раньше, чем он начнет его искать. Например: появились регулярные платежи детскому саду — семье скоро понадобятся другие финансовые продукты: вклады, страхование, другая структура кэшбэка. 

Совет: анализируйте сценарии поведения и предлагайте дополнительные продукты заранее.

2. Язык обращений в поддержку.

Модели могут анализировать каждое обращение в поддержку: о чем спрашивают, с какой эмоцией, что не смогли найти в приложении. Если сотни клиентов за неделю спрашивают, как отключить платную опцию — это громкий сигнал о проблеме продукта. 

Совет: подключайте ассистентов и агентов, которые предоставят отчет о работе поддержки и покажут статистику, почему люди отказываются от покупки. На российском рынке уже достаточно подходящих сервисов с доступной подпиской.

3. Жизненные изменения.

Смена города, рождение ребенка, новая работа — модели научились распознавать эти события по косвенным признакам и адаптировать предложения под новый жизненный этап, а не под устаревший портрет из анкеты трехлетней давности.

Совет: берите в фокус внимания максимум факторов, чтобы полностью понимать контекст клиента.

Проблема классических систем вознаграждения в банке или любой системы лояльности — давать бонусы тем, кто изменил бы поведение и без них, и тем, на кого стимул вообще не действует. 

Искусственный интеллект позволяет перейти к динамическому движку вознаграждений (в финтехе называется «rewards engine»). Он состоит из трех этапов и подходит для клиентского сервиса в любом бизнесе:

1. Анализируйте путь клиентов.

Собираем данные о поведении: частота трат, категории, сезонность, реакцию на прошлые предложения, активность в приложении. Отдельно анализируем, когда клиент стал реже пользоваться услугами (например, перевел часть трат к конкуренту) и перестал заходить в раздел бонусов. Возможность предугадать потерю клиента заранее — половина ценности всей системы.

2. Индивидуализируем предложение.

ИИ самостоятельно выбирает, какое вознаграждение предложить, размер, время и канал коммуникации. Допустим, одним клиентам даст скидку на билеты в кино, второму — на страхование, третьему — бонус за регулярность. 

Цель — сдвинуть выбор клиента (например, какой картой платить на кассе — то, что в индустрии финтеха называют битвой за долю в способах оплаты).

3. Доставка предложения.

ИИ может управлять и способом коммуникации, т. е. решает, где именно клиент увидит свое предложение — в приложении, на странице оформления заказа или в письме. И определяет, как оно будет сформулировано. Момент часто важнее размера бонуса: напоминание о повышенном кэшбэке в момент выбора способа оплаты работает на порядок лучше, чем предложение в рассылке неделю назад.

Совет: анализируйте частоту визитов и время активности, чтобы предлагать бонусы вовремя.

Как измерить эффективность? 

Чтобы внедрение ИИ в бизнес не превратилось в дорогую игрушку, результаты нужно измерять регулярно. 

Я рекомендую делать 2 типа выводов:

1. наблюдательные («клиенты с персональными предложениями тратят больше на 16%»;

2. экспериментальные — контролируемые A/B-тесты, где сравниваются одинаковые группы с предложением и без. 

Есть и дополнительный эффект: с точечными предложениями клиент чувствует, что продукт ему подходит, растет вовлеченность, частота использования и удержание. Компания перестает раздавать вознаграждения там, где они не влияют на поведение, поэтому растет отдача с каждого рубля (или доллара) бюджета лояльности.

Чем чаще клиент пользуется продуктом, тем больше сигналов вы получите и тем точнее сделаете следующие предложения. В итоге продукт врастает в повседневную жизнь клиента. Это и есть суть ИИ-персонализации — дать правильные стимулы в нужный момент. 

Есть и обратная сторона персонализации. Чем точнее ИИ понимает клиента, тем легче перейти грань навязчивости. Если предложение всегда так попадает «в яблочко», что клиенту становится не по себе, мы имеем обратный эффект. А финансы — это сфера, где доверие стоит дороже конверсии.

Поэтому закладывайте в любую персонализацию три ограничителя:

1. Клиент должен понимать, почему он видит это предложение, и иметь возможность управлять использованием своих данных.

2. ИИ предлагает, но чувствительные решения (лимиты, отказы, и т. д.) проходят через человеческий контроль.

3. Лучшая персонализация помогает клиенту (вовремя предупредить о списании, подсказать, как сэкономить), а не только продает. Именно «непродающие» сигналы сильнее всего развивают лояльность.

Логика анализа поведения вместо анкеты на самом деле универсальна. 

Три практических вывода для компании любого размера:

1. Начните с данных, которые уже есть. 

История покупок, обращения в поддержку, поведение на сайте — это готовый источник понимания клиентов. Не нужнобыть крупным банком, чтобы начать анализировать обращения и находить паттерны с помощью ИИ-инструментов. 

2. Ищите признаки перемен.

Самая ценная информация — не просто кто ваш клиент, а что у него изменилось. Изменение поведения является лучшим предиктором новой потребности. Будьте готовы заранее предлагать новый продукт клиенту.

3. Измеряйте доверие, а не только конверсию. 

Если персонализация драйвит продажи, но увеличивает отток или жалобы, вы теряете будущую выручку. Предложение должно увеличивать вовлеченность, а не только прибыль.

Искусственный интеллект не отменил важный принцип бизнеса — понимать клиента лучше, чем конкуренты. Он помогает быстрее понимать не только ключевые аккаунты, но и всех клиентов компании. И выиграют те, кто заменит агрессивные продажи на точечные попадания в миллионы пользователей.