Next Best Action: от просроченной задолженности к прибыли через персонализацию коммуникаций

Data Engineering

Google Outlook Apple

Доклад принят в программу конференции

Мнение Программного комитета о докладе

Взыскание банком долга может выглядеть как консервативный процесс. Но прогресс не остановить — ML и здесь. Ольга расскажет про развитие модельного скоринга и о том, как это повлияло на опыт пользователей и архитектуру решения.

Целевая аудитория

Дата-инженеры и дата-саентисты, руководители проектов, тимлиды, руководители банковского сектора, заинтересованные во внедрении или усовершенствовании подходов к модельному выбору каналов коммуникации с клиентами.

Тезисы

В современном банковском секторе критически важно эффективно управлять просроченной задолженностью. Мы разработали систему, которая уже на первом месяце применения увеличила объем возврата средств на 25%.

Внедренный подход позволил полностью автоматизировать и персонализировать выбор канала взаимодействия с клиентом. Как итог — исключение человеческого фактора, оптимизация нагрузки на колл-центр, минимум затрат на коммуникации и максимум прибыли. А еще — прирост лояльности клиентов.

В докладе покажем и расскажем, как создавалась архитектура комплексного пилота и промышленного решения, углубимся в применение uplift- и response-моделей на разных этапах задолженности. Поделимся, как мы искали подходы к разным типам клиентов и какие ошибки совершали по пути.

Ольга Кравченко

Газпромбанк.Тех

Data Scientist блока Collection Газпромбанка. Создает эффективные ML-решения для розничного взыскания, опираясь на принципы заботы о клиентах и сотрудниках.