Искусственный интеллект для розничного банка. Опыт и ожидания

 

Данная статья в первую очередь адресована руководителям направлений бизнеса финансовой отрасли и сферы обслуживания. 

 

За последний год, в течение которого наша команда начала отслеживать существующие решения по внедрению искусственного интеллекта, мы сформировали мнение о том, что на текущий момент открытым остается вопрос не в выборе технологий, а как и для чего их применять. Мы ознакомились с большим количеством предложений от партнеров, предлагающих перспективные технологии, тем не менее отсутствие успешно реализованных проектов с проработанными бизнес-требованиями являются основным препятствием в выборе технологии. 

 

Исследование Gartner 2018 года отвечает на вопрос, почему стоит уже сейчас обратить пристальное внимание на появляющиеся инструменты в области искусственного интеллекта. По данным компании, объем рынка, использующего технологии ИИ, в 2018 году составит 1,2 трлн долл., а к 2022 году приблизится к планке 4 трлн. При этом аналитики компании считают, что ИИ станет ключевым драйвером развития экономики в ближайшие десять лет.

 

 

Клиентский опыт: позитивный или негативный эффект внедрения, формирование достаточного уровня клиентского опыта, позволяющего раскрыть полный потенциал технологии и привносимой ценности.

 

Увеличение объемов продаж: увеличение объема продаж существующих продуктов, а также услуг, создание новых за счет появляющихся технологических новшеств.

 

Сокращение расходов: сокращение затрат в результате внедрения технологий для новых или существующих продуктов и услуг.

Несмотря на перспективные возможности, 100%-ная применимость данных решений пока вызывает сомнение, в силу наличия следующих рисков при внедрении: 

 

При реализации проекта силами компании или внешнего поставщика услуг существует риск ротации персонала, отсутствия возможности передать проект на внутреннее сопровождение.

 

Множество предлагаемых проектов пока носит экспериментальный характер, что может обернуться при внедрении существенным превышением сроков или стоимости проекта, а также невыполнением бизнес-задач, сформированных к проекту.

 

Также пока недостаточно развит накопленный участниками рынка опыт, который мог бы трансформироваться в более продуманные процессы и решения.

 

Отдельно стоит отметить риск взаимодействия с командами, только начинающими работу на рынке, которые в рамках реализации долгого первичного проекта могут претерпеть кадровые изменения или полностью расформироваться.

 

Применение технологий на ближайших этапах их развития не может полностью заменить трудовой капитал. К примеру, боты-помощники, участвуя в диалоге с клиентами и отвечая на ряд вопросов, требуют выборочной проверки ответов специалистами по внедрению, а ряд ситуаций требует подключения оператора.

 

 

Для перехода от теории к практике ниже поделимся нашими ожиданиями по применению ИИ в рамках дорожной карты цифрового развития Банка ДельтаКредит на 2019 год и далее.

 

 

При создании интеллектуального бота для обслуживания клиентов мы преследуем следующие цели:

• Круглосуточная поддержка клиентов

• Увеличение доли клиентов, использующих каналы самообслуживания без помощи сотрудников

• Сокращение затрат банка на обслуживание клиентов

• Сопровождение модели полностью цифрового банка

 

Каналы и сценарии обслуживания представлены следующей схемой:

 

 

Концепция предполагает создание единого инструмента – бота-помощника, который будет взаимодействовать с клиентами и партнерами в любом выбранном канале обслуживания. Данный инструмент будет понимать контекст системы и страницы, на которой находится клиент, и предлагать ряд функций: от помощи в самостоятельном использовании наших b2c-систем до ответа на вопросы и заполнения заявки на кредит через чат и мессенджеры. При возникновении затруднений клиент будет переадресован на сотрудника центра дистанционных продаж для новых продуктов или центра клиента для сервисных операций.

 

На данный момент наша команда остановилась на имплементации коробочного решения для организации мультиканального взаимодействия и составления дерева ответов бота с интеграцией с кредитным процессом банка (на базе CRM MS Dynamics 365) и in-house-системами самообслуживания клиентов и партнеров банка.

 

Реализация самого бота пока планируется либо силами банка, либо с использованием экспертизы внешней команды.

 

Проконсультировавшись с экспертами, мы сформировали следующие необходимые пункты для реализации комфортного взаимодействия пользователей с ботом, в первую очередь – это наличие продуманного дерева подсказок и ответов, во вторую очередь, возможность задать открытый вопрос боту, в случае когда клиент не сможет найти подходящий пункт. Если бот не сможет самостоятельно ответить на вопросы клиента, к диалогу подключится специалист поддержки.

 

Логика взаимодействия, описанная выше, сформирована с учетом наблюдения экспертов о парадоксе снижения уровня удовлетворенности клиентов при диалоге с ботами. Клиент не понимает доступных рамок вопросов и может испытать раздражение, не понимая, как сформулировать вопрос для бота. 

 

 

Распознавание документов как один из способов применения компьютерного зрения также часто относят к сфере ИИ. Команда банка активно проводит пилотные проекты в области данной технологии, тем не менее пока сложно осуществить выбор между устоявшимися продуктами в сфере распознавания и предложениями недавно созданных стартапов. Нас как банк в первую очередь интересуют инструменты, обладающие функционалом по распознаванию текста, сохранению фотографии документов, а также по выявлению признаков их подделки.

 

В силу того что часть документов сотрудники получают от клиентов и партнеров в виде самостоятельно выполненных скан-копий, как правило, качество документов оставляет желать лучшего и нет возможности эффективно распознать необходимую информацию.

 

Оптимальным решением мы видим встраивание сервисов распознавания в наши мобильные приложения для самообслуживания клиентов и партнеров, которые позволили бы на этапе ввода информации снизить трудозатраты. Пользователь системы мог бы самостоятельно повысить качество копии документа, отрегулировав расположение. Оптимально рассматриваем возможность применения анализа потокового видео взамен фотосьемки. 

 

 

За более чем двадцать лет своей работы банк многократно улучшил механизмы одобрения клиентов. Рассмотрение заявки базируется на основе более десятка источников информации, а также синергии машинного и человеческого анализа данных для принятия решения.

 

Тем не менее остается целый ряд факторов, которые требуют принятия решения силами сотрудника. Поэтому дальнейшая автоматизация решений является одним из ключевых направлений для банка. 

 

Одно из последних новшеств – ценообразование и расчет лимитов на основании риск-профиля клиента.

 

 

Одним из достижений банка в 2017 году стал запуск центра дистанционных продаж, в котором клиент имеет возможность получить решение по кредиту, обращаясь к сотруднику банка по телефону или используя сервисы самообслуживания. В 2018 году прирост эффективности работы был достигнут благодаря тесной интеграции рабочих мест в CRM с сервисами телефонии и внедрению предиктивных алгоритмов приоритизации работы с клиентами, организации потока задач сотрудника и автоматического управления потоками входящих и исходящих звонков. 

 

В следующем году ключевым драйвером развития канала мы видим использование интеллектуальных голосовых сервисов. Заглядывая дальше использования интерактивного голосового меню, мы видим перспективу синергии транскрибации (перевода голоса в текст) и анализа текста. Подобный комплекс технологий позволит оператору сохранять в истории взаимодействия с клиентом полный текст диалога для удобства последующей работы с информацией. Анализ текста позволит заполнить анкету на кредит и прочие необходимые сведения на основании ответов клиента. Альтернативный сценарий, уже предлагаемый поставщиками, – переключение клиента на автоматизированного голосового помощника, который на основе вопросов анкеты переводит голосовые ответы в текстовый формат.

 

 

 

Примером удачного внедрения в сфере HR является бот, созданный нашими коллегами из Росбанка, бот позволяет пройти стандартные вопросы интервью, а также откликнуться на вакансию и получить справочную информацию.

 

Заглядывая наперед, мы бы хотели совместить алгоритм поиска перспективных кандидатов с алгоритмом подбора правильной ветки предложения вакансии на основании информации в профиле, прохождения первичного тестирования и последующего назначения встречи с нанимающим менеджером и HR-партнером.

 

 

В имеющейся в настоящее время в распоряжении банка базе недвижимости клиент может использовать фильтры поиска, но в будущем мы хотели бы реализовать интерактивный алгоритм, анализирующий информацию с носимых устройств клиента для определения текущих ключевых точек посещения (например, работа, детский сад или школа для детей клиента, любимые места для посещения) или предлагающий клиенту ввести данный набор точек самостоятельно. Следующим шагом данный алгоритм рассчитал бы оптимальный транспортный маршрут, а также оценил подходящие объекты недвижимости с учетом их стоимости и прочих параметров, указанных клиентом (например, этажность, год постройки). Подобная система позволила бы сохранить большое количество часов при выборе будущей квартиры.

 

 

Еще одним направлением для внедрения ИИ является окружение сайта и дистанционных каналов для клиентов и партнеров. Клиенты могут использовать данные инструменты для десятков операций и посещать их с десятка дорог. Адаптивная модель на основе поискового запроса или статистики операций клиента позволила бы повысить удобство и скорость работы и предугадать операции пользователя.

 

 

Повышение продуктивности менеджера по продажам возможно осуществить с помощью внедрения интерактивных инструментов коммуникаций, автоматизирующих процесс. Анализ данных клиента, например активности клиента в социальных сетях, мог бы подсказать наилучшее время для звонка с предложением нового или изменения условий по текущему продукту. Применение моделей лучшего канала и сопутствующего продукта позволяет повысить продажи. А алгоритмы предсказания окупаемости портфеля продуктов у клиента могут уберечь банк от каннибализации высокодоходных продуктов низкодоходными без лишней на то причины.

 

Применение алгоритмов машинного обучения, таких как кластеризация, позволяет находить подмножества микросегментов клиентов, которые обычно сложно выявить, и подобрать для них лучшую стратегию продаж.

 

 

В завершение мы хотим обратиться к участникам рынка и выразить свою готовность поделиться опытом. Мы стараемся искать баланс между собственной разработкой и готовыми зарекомендовавшими себя решениями, поэтому нам было бы интересно услышать предложения партнеров и компаний, обладающих экспертной оценкой в указанных отраслях.