Хоменко лариса лучший клиентский опыт сбербанк. Окончательное одобрение кандидатуры на кадровой комиссии
Финансовыми сервисами уже активно пользуется поколение, привыкшее общаться в режиме чата. Клиентский опыт этой аудитории - в мессенджерах, и бизнесу приходится идти вслед за ней.
Направление чат-ботов началось в СберТехе благодаря внутреннему социальному проекту «Сбербанк-Попутчик», затем получила дальнейшее развитие еще в нескольких проектах. О пилотных проектах - под катом…
Стоит признать, что наработок в области чат-ботов и распознавания естественного языка запросов уже довольно много. Однако большая часть открытых библиотек и крупных проектов по трансформации речи ориентируется на английский язык. Русский язык с этой точки зрения имеет свои нюансы. И хотя в России тоже есть заинтересованные команды, в частности, в крупных технических вузах или частных компаниях, вроде Яндекса, Мейл.Ру и СберТеха, пока готовых промышленных решений не так много. А задачи перед русскоязычным бизнесом стоят не менее амбициозные, чем перед англоязычным.
Сегодня мы хотим рассказать о том, каких успехов нам удалось добиться на поприще чат-ботов и машинного обучения.
Надо сказать, что коммерческих решений, достаточно кастомизируемых под нужды конкретной компании, пока еще не существует - сама отрасль еще слишком молода. Есть проекты от частных исследователей, например, для техподдержки, но это все еще начальная версия технологии, позволяющая проводить категоризацию обращений. При этом ни одно решение не готово к таким масштабам работы, как у Сбербанка, - к анализу столь больших объемов информации при огромном количестве клиентов. В мире только появляются инструменты глубокого анализа. И по сути из этих базовых инструментов специалисты нашей компании разрабатывают собственные кастомизированные продукты под задачи Сбербанка.
На текущий момент значимых для компании проектов четыре. Далее - подробнее о каждом из них.
Сбербанк Попутчик
С проекта «Сбербанк Попутчик» началась вся история чат-ботов в компании. По долгу службы сотрудники Сбербанка вынуждены порой добираться в удаленные отделения, иногда используя несколько видов общественного транспорта. В то же время их коллеги ездят примерно в том же направлении на машине, имея несколько свободных мест. Было бы здорово объединить эти потоки сотрудников, предложив компанию для поездки одним и возможность быстрее добраться до работы другим.При этом в нашей стране люди не очень любят подвозить друг друга, беспокоясь о своей безопасности. Но внутренний Customer Development показал, что коллеги по работе в компании с сильной службой безопасности в большей степени доверяют друг другу, даже если не знакомы лично. Так возникла идея создать некое внутреннее community, с помощью которого люди могли бы искать друг друга для совместных поездок на работу и с работы.
В качестве движка сообщества была разработана платформа чат-бота.
Уже около года сотрудники ряда офисов обкатывают пилотный проект. Получившийся сервис так хорошо зарекомендовал себя, что теперь мы обсуждаем расширение его функционала. В частности, к проекту уже готовы подключиться сторонние перевозчики - службы такси. Также планируется тиражировать проект на все отделения.
Более того, проект готовится выйти за рамки внутренней кухни Сбербанка. Сбербанковское комьюнити, конечно же, наружу открываться не будет, но организации-партнеры (перевозчики) вполне могут тиражировать этот удачный опыт на другие компании или создавать собственные комьюнити.
Платежный бот
Еще один ранний проект, задействовавший разработанную платформу чат-бота, - платежный бот. Он был запущен в пилотную эксплуатацию в начале этого года (т.е. появился на свет примерно на полгода раньше, чем аналогичное решение, представленное весной Google на конференции Google I/O 2017).В принципе о выборе каких-то услуг при помощи ботов разговор шел довольно давно - такие системы уже распространены по миру. Но основная фишка заключалась в возможности использовать свободные формулировки (а не предписанный набор команд), а также в оплате через бота.
Пилотный проект был реализован совместно с рестораном доставки еды. Через чат можно было выбрать еду, при этом бот подсказывал оптимальные варианты под запрос пользователя, запоминал вкусы и потребительскую корзину и мог подсказывать блюда в следующем заказе.
Фактически пилотный бот выполнял функции приложения службы доставки еды. Однако служб много - приложений много (под каждого поставщика приходится скачивать и устанавливать свое). А чат-бот - это лишь один из контактов в телефоне, по сути это просто новый канал получения той же услуги.
Чат-бот контактного центра
Чат-бот для корпоративного сайта стал первым подобным проектом, который вышел за рамки «песочницы» в большой мир. Здесь, безусловно, используются наработки из Попутчика и платежного бота, но реализованы более «взрослые» и Machine Learning алгоритмы анализа запросов и поиска подходящих ответов.Задача чат-бота - общаться с клиентами через чат на сайте, отвечая на вопросы по продуктам компании, а также счетам, кредитам и платежным поручениям самого клиента (в пилотной версии спектр решаемых вопросов ограничен данными о продуктах и открытием счета). Для этого чат-бот анализирует полученную от клиента информацию, выдает ответы на простые вопросы, сформулированные естественным языком, или запрашивает дополнительные данные, если в первоначальном запросе их не хватает.
Бот построен на технологии латентно-семантического анализа, обеспечивающей поиск ответа на вопрос клиента с учетом контекста. Методика позволяет по ключевым словам и контексту диалога найти в базе готовых ответов, куда входят разнообразные FAQ по продуктам, наиболее релевантный ответ.
В деталях это выглядит следующим образом. Сначала клиентский запрос на естественном языке превращается в набор ключевых слов. Каждое слово в модели имеет определенный вес. Распространенные слова, входящие в большинство запросов, имеют меньший вес, а слова уникальные для данного запроса, - больший. Таким образом запрос трансформируется в набор ключевых слов с определенным весом, по которым и осуществляется поиск в базе: по специальному алгоритму определяется вероятность того, что документ из базы ответов соответствует поставленному вопросу. Клиенту выдается наиболее релевантный ответ, а при его отсутствии чат переключается на оператора.
Для оценки решения собирается обратная связь от клиентов по работе чат-бота - понравился ли им ответ, который подобрал алгоритм. Вместе с этой оценкой каждый чат позволяет уточнить существующую модель и базу ответов. Если чат переключается на оператора, ответ, подобранный сотрудником, также попадает в базу знаний бота.
Пилотный проект будет запущен в ближайшее время. Пока «пилотное» общение сопровождает оператор, контролируя корректность подобранных ботом ответов. Когда будет достигнут определенный уровень удовлетворенности клиентов, получающих такие автоматические ответы (и, соответственно, достаточно высокие оценки сотрудников, сопровождающих пилот), будет приниматься решение о вводе чат-бота в полноценную эксплуатацию. В перспективе планируется, с одной стороны, расширить спектр вопросов, которыми занимается бот, а с другой - полностью заменить ботом часть общения операторов, по крайней мере, по типовым вопросам.
Система обработки клиентских обращений
В некотором смысле этот пилотный проект можно назвать следующим эволюционным шагом всей платформы чат-ботов. Если предыдущие решения каким-то образом обрабатывали запросы, категоризировали их и искали для них соответствие в имеющейся базе знаний, то конечная задача системы обработки клиентских обращений - делать собственные выводы, которые вполне могут повлиять на стратегию менеджмента Сбербанка.Вокруг публичных компаний, таких как Сбербанк, всегда существует некий информационный фон. Это могут быть как прямые обращения в компанию через форму обратной связи или телефон, так и оценки услуг или продуктов, публично выраженные в интернете - на личных страницах клиентов в социальных сетях, на сайтах с отзывами. Причем мнения могут содержать как позитивную, так и негативную оценку работы Банка. Предполагается, что система будет обрабатывать все обращения, поступающие по доступным каналам, классифицировать их (отделять жалобы или, наоборот, благодарности, определять тематику) и фиксировать тенденции на более высоком уровне абстракции - выявлять проблемы, которые более всего волнуют клиентов, определять продукты и услуги, требующие пристального внимания, расставлять приоритеты. Поскольку развитие услуг и продуктов в Сбербанке идет по методологии agile, в идеале мы надеемся, что система станет дополнительным источником идей в бэклог извне на тот случай, если у команды, развивающей тот или иной продукт, замылится взгляд.
В каком-то смысле это система анализа потребительского мнения. Но она не просто собирает данные и проводит верхнеуровневую каталогизацию по тому же методу, что и чат-бот, но и выявляет суть. В качестве дополнительного «бонуса» мы с ее помощью можем формировать профиль клиента, который интересуется теми или иными услугами - получаем детальную каталогизацию того, какой сегмент аудитории и какими продуктами интересуется. Кроме того, данные можно смотреть в различных разрезах. К примеру, анализируя все каналы в комплексе можно выявить жалобы на разные продукты, суть которых будет сводится к тому, что в каком-то отделении просто плохо обслуживают клиентов. Т.е. значимым фактором может быть офис, а вовсе не параметры какой-то отдельной услуги.
Выше приведены примеры анализа собранных массивов данных на основе предположения, что мы знаем, что ищем. Важный момент заключается в том, что система самообучается. Мы строим модель на основе истории обращений клиентов, дополняя ее новыми данными по мере их поступления, т.е. в определенной степени каждое новое обращение влияет на эту модель. В результате сервис позволяет решать огромный пласт проблем, связанных с выделением тематик, о которых мы изначально ничего не знаем. К примеру, в обращении клиент может поднять тему, которой ранее в списке интересующих не было. Система позволяет добавить эту тему к перечню для мониторинга, чтобы будущие обращения проверять на соответствие также и новой тематике.
Основной потребитель для этой системы анализа обращений - менеджмент банка, т.е. ее никак нельзя оценить «снаружи». Менеджменту же система позволит держаться ближе к реальному положению дел: лучше понимать общую ситуацию, отношение клиентов к банку и к его услугам.
Пока, как и другие проекты, система существует в пилотной версии. На данный момент она сосредоточена на анализе обращений, поступивших через форму обратной связи. Сейчас это текстовые обращения, но в перспективе будет обрабатываться и голос, поскольку основной канал общения с клиентами - как раз голосовые звонки, которые будут переводиться в текст и обрабатываться теми же инструментами.
Важный аспект - оценка работы пилота. Выполняться она будет при помощи сравнения автоматической каталогизации некого обращения с эталоном (нашим знанием о том, к какой теме относится обращение). В ходе развития модели будет оцениваться и минимизироваться эта «удаленность» от эталона. Предполагается и экспертная оценка со стороны сотрудников банка.
В целом чат-боты позволяют воплотить множество идей, затрагивающих тему взаимодействия с клиентом на естественном языке. По мере развития заложенных алгоритмов мы имеем возможность дорабатывать и предшествующие проекты. К примеру, если появится бизнес, заинтересованный в партнерстве в рамках платежного бота, мы можем дополнить его более современными алгоритмами, разработанными для чат-бота на сайте и системы анализа обращений клиентов. При этом мы уверены, что все это - лишь первый шаг в направлении масштабных и интересных проектов на базе machine learning.
Материал подготовили сотрудники ЦК развития биллинговых технологий СберТеха.
Ты работаешь в Сбербанке ? Тебе крупно повезло. Это большая честь и ответственность. Расскажи, каково оно быть сотрудником. Условия работы, зарплата, взаимоотношения в коллективе, перспективы или отсутствие таковых. Возможно твой отзыв, поможет кому-то, сделать правильный выбор в жизни.
Я почти убежден, что беда работников Сбербанка не в наличии бездарного руководства (это всего лишь следствие), а в созданной, по образу и подобию путинской "вертикали власти", структурной модели управления Банком. Причем, модель эта работает по той же схеме - за все отвечает руководитель, а икается исполнителю.
Начальники делают то, что им позволяют подчиненные. На своем опыте, работая в Сбере, убеждался в этом не раз. Бесполезно апеллировать к Г. Грефу или кому-то еще выше - им "наплевать". Сколько бы не писалось всяких "челобитных" результат всегда был нулевой. Единственный способ - искать себе новое место или противодействовать «бепределу» руководства.
Проработал в Сбере 3 года (уволился буквально на днях), никаких положительных эмоций, кроме коллектива, в котором работал. Банк - полное отражение нашего государства (чиновникам хорошо, а остальные - живите, как хотите). Управленцы в большинстве своем (топы, так называемые) мыслят очень плоско, можно сказать, вообще не мыслят. В данный момент в банке работают или молодые девочки после института (для опыта 1 годик), или пенсионеры одной ногой, все более или менее солидные кадры Сбер растерял на моих глазах, остались одни оптимисты!
Я тоже бывший сотрудник банка, Скажу сразу - это ад, а не работа, во-первых, да! График! Обещали на собеседовании 8-часовой рабочий день, по 40 часов в неделю! В итоге что на практике? Приходишь в 8.00, хотя рабочий день с 9.00, и до последней посчитанной копеечки сидишь там, в итоге домой в 21.00 или 21.30 приходишь, измученная и морально убитая.
Почему я ушёл из "Сбербанка"? Во многих крупных компаниях есть те или иные систематические проблемы. Что не так с ведущим банком РФ? Если говорить по менеджера по продажам, то в банке, фактически, нет как такового обучения на МП. Есть отдельные тренинги, не очень связанные между собой. А полноценного, отдельного обучения на МП, которое бы включало как знакомство со ВСЕМИ программами, и, что главное, ПРАКТИКУ, не было. Во второй половине августа я и ещё 35 человек прошли обучение на СОЧЛ (специалистов по обслуживанию частных лиц). Практика по программам СОЧЛ была только последние 2 дня, что очень мало для такой группы. Мы сидели по двое за компьютерами. НИ ОДНУ программу, касающуюся исключительно МП, я не прошёл. НИ ОДНУ. Ни в теории ни на практике.
На мой взгляд лучших карьерных перспектив чем в сбербанке нет точно ни в одном банке России. И это не только из-за его статуса, но и из-за того, что в нем существует внутренняя система подготовки кадров. То есть если ты хочешь развиваться учиться и т.д., то банк создает все условия, проводит кучу семинаров, лекций и даже есть университет сбербанка. Ну и если не сидеть сложа руки а развиваться, то реально можно продвинуться, потому что руководство следит за тем кто как относится к своей карьере
Что можно сказать о Сбере? Много... Только большей частью негатив лезет в голову! Жаль только себя и остальных коллег, которые горбатятся от рассвета до заката, а толку ноль. И никогда его не будет. Все говорят: «План». А смысл его выполнять, если все равно это не поощряется?! На нас всем плевать, нет ни уважения, ни человеческого отношения! А зарплата, смешно просто! За эти жалкие копейки не стоит работать! Очень жаль, что ГОГу плевать на все это. Но, к сожалению, ничего не изменится, все будет только хуже и хуже!
Люди-то разные, а вот клиенты Сбера - особенные, поймет тот, кто работал!
Сбер - это единственное место с времен Советов, где еще можно потопать ножками и погорланить, так как для сотрудников Сбера, Клиент - всегда прав, даже если у него справка из психдиспансера. А после трех жалоб от клиентов, зачастую необоснованных, бедолагу сотрудника увольняют без объяснений и реабилитации в глазах руководства отделения.
Как-то на уроке по психологии в РЭА им.Плеханова (обучение по контракту от Сбера) преподаватель рассказывала нам как ее беременная подруга нашла способ сбрасывать свое эмоциональное напряжение и восхищалась ее находчивостью ставя в пример. Та, оказывается, регулярно захаживала в ближайший филиал Сбербанка и там по полной отрывалась на его сотрудниках. Что говорить про реакцию аудитории, которая на 100% состояла из сберовских.
За неадекватное поведение клиента в коммерческом банке охрана быстренько под белы рученьки выведет. А в Сбере ни охраны, ни чуткого отношения к сотрудникам со стороны руководства, а только молоденькие девченки без права голоса с приобретенными стрессами и нервными срывами. Хорошо, если заведующая - адекватный и понимающий человек, а не сбербаба с внешностью и интеллектом заведующей плодоовощной базы.
Все, что пишут нехорошее о Сбере (особенно операционисты), я поддерживаю. Крупный банк с такими активами, а посмотрите как мы живем по-нищенски. О зарплате я вообще ничего не говорю. Ладно хоть за кредит хватает расчитаться. Еще стараются найти причину срезать премию. Не хочет организация открыть депозит - 10% минус. Операционист ошибку пропустил - 50% минус. А вот на один день по лег-ции позже сообщение отправила тоже минус 50% (причину слушать никто не будет), это уже не важно! Вдруг управляющего за это накажут! Ну а не накажут - ничего, тебе - урок! А накажут управляющего, автоматически ещё раз и тебя!
В Сбербанке России работа с данными считается одним из важнейших направлений для роста бизнеса – здесь строят организацию, «направляемую данными» (data-driven), и уже накопили в этом деле немалый опыт. Елена Ивашечкина, заместитель директора департамента корпоративных клиентов Сбербанка, – один из ключевых докладчиков VI Российского форума Big Data’17, который проводит издательство «Открытые системы», – рассказала читателям «Директора информационной службы» (CIO.ru) о том, какое место занимают Большие Данные в деятельности департамента. Ивашечкина отвечает за развитие отношений с клиентами, управление Большими Данными и предсказательными моделями, а также за создание уникального клиентского опыта.
Какие основные задачи вы решаете и как используются для этого Большие Данные?
Наш департамент отвечает за стратегию работы с данными для всего корпоративного блока, мы являемся главной службой по данным – Chief Data Office – в рамках блока.
Вместе с ИТ-подразделениями мы работаем на всех участках цепочки создания ценности из данных – от сбора сырых данных до их агрегации, построения моделей и предоставления потребителям продуктов, улучшенных благодаря работе с данными.
Наше подразделение выполняет несколько основных задач в рамках корпоративного блока.
Мы агрегируем данные, задаем правильную инфраструктуру и модель данных для всех отделов. Это наша задача номер один, так как данные обеспечивают 70-80% бизнес-результата. Коллеги могут использовать их для своих целей – например, для создания продуктов или актуализации перечня документов.
Вторая наша задача – увеличение доходов от вторичных продаж, зависящих, помимо прочего, от удовлетворенности клиентов теми продуктами, которые мы им предлагаем. Здесь тоже множество задач, связанных с качественными данными и параметрами их обработки, и снова инфраструктура Big Data выходит на первое место. Число клиентов огромно, объем данных колоссален, и эффективно обрабатывать их на старых технологиях невозможно.
Третий блок задач, который мы выстраиваем в течение последнего года, связан с data science – разработкой моделей на основе собираемых данных и использованием методов машинного обучения. Это новое перспективное для нас направление, в том числе и с точки зрения получения дохода. Мы делаем модели как для себя, с целью увеличения вторичных продаж и конверсии (процента превращения потенциальных продаж в реальные), так и для других структурных подразделений, например департамента кредитных продуктов и кредитного мониторинга, оцениваем склонность клиента задержать выплаты по кредиту. В рамках внедряемого в банке Agile-подхода департамент корпоративных клиентов – сквозная структура, предоставляющая своих специалистов по data science для построения моделей данных на время реализации проектов в разных командах и подразделениях. У нас уже есть хорошие модели оттока, позволяющие принять меры для сохранения клиента, и мы внедряем их в промышленную эксплуатацию. Причем эти модели дают возможность прогнозировать не только полный уход клиента, но и сокращение использования наших услуг.
Четвертая область, которой мы занимаемся, – «клиентский опыт». Это управление всеми точками контакта с клиентом на протяжении всего взаимодействия с ним, сквозной анализ, позволяющий взглянуть на процессы глазами клиента и выстроить клиентоцентричную организацию. Сегодня такая деятельность тоже становится максимально технологичной. Собираются данные о том, как клиент нас нашел, легко ли это было, удобно ли было открыть счет, пришлось ли ждать, просил он об услуге или ему ее предложили, как он работает с интернет-банком и т. д. Собранной в разных точках информации очень много, поэтому задачи по ее обработке и выдаче клиентам своевременных и правильных ответов, по сбору клиентских откликов, анализу корневых причин проблем (для исключения повтора таких ситуаций) ложатся на технологические платформы. Мы активно изучаем когнитивные технологии и делаем на основе искусственного интеллекта проект по автоматизации первой линии поддержки корпоративных клиентов – контакт-центра. Мне знаком опыт бразильского банка, уже реализовавшего такой проект.
Внедрение искусственного интеллекта для поддержки клиентов – это вопрос улучшения качества обслуживания или экономии на зарплате сотрудников контакт-центра?
И то и другое. Конечно, мы преследуем цель повысить качество, но и экономия колоссальная. Мир уходит в онлайн, люди часто не хотят долго ждать ответа оператора, им требуется инструмент, чтобы можно было получить грамотный ответ, но не «висеть» при этом на линии.
Сегодня многие обращаются к анализу поведения пользователей в социальных сетях, но на практике часто ценность этой информации близка к нулю – слишком маленькое число потенциальных клиентов попадает в эти выборки. Очевидно, что наиболее интересные фигуры или ограничивают свою деятельность в соцсетях, или закрывают доступ к своему профилю, или же не присутствуют в соцсетях вовсе. Как это учитывается в создаваемых моделях? Считаете ли вы социальные сети ценным источником информации?
Сами по себе социальные сети не дают хорошего качества моделей, они работают только как дополнительный фактор. Соцсети могут давать прирост на 5-7 пунктов индекса Джини (показатель для измерения качества модели). Это очень много. Соцсети нужно научиться «правильно готовить». Профиль человека в соцсети часто не так информативен, как его окружение. Анализируя окружение, можно понять, что это за клиент. К тому же соцсети сегментированы. Можно условно сказать, что в LinkedIn «сидят» высокодоходные клиенты, а в «Одноклассниках» много региональных SMB-компаний. Поэтому даже та информация, которая открыта, нам полезна. В проекте c одним из поставщиков данных соцсетей мы получили хорошие результаты по поиску высокодоходных клиентов из малого и среднего бизнеса.
По каким критериям оценивается эффективность применяемых алгоритмов анализа данных? И каковы результаты таких оценок на практике?
Эффективность матмоделей и алгоритмов оценивается стандартно: полнота, точность, коэффициент Джини. По уже проведенным инициативам мы смотрим на конверсию, совпадение с тем, что мы прогнозировали, и в итоге – на доход, количество сохраненных клиентов, то есть оценка ведется в бизнес-показателях. Взяв на вооружение data science, за год мы смогли в полтора раза улучшить качество моделей. И теперь, добавляя работу с вендорами данных соцсетей, понемногу повышаем эффективность дальше.
Процент ошибок сильно зависит от конкретной модели и сам по себе не очень показателен. Но я считаю, что любая модель лучше, чем случайный отбор. Даже если она дает совсем небольшое улучшение по сравнению со случайным отбором, это все равно лучше, чем работать без модели. Эффективность также зависит от качества и полноты данных, от времени разработки моделей, инструментов и людей, которые этим занимаются. Вопрос в том, какой уровень эффективности следует считать достаточным.
Виртуальный консультант и движение губ
Сбербанк продолжает движение по пути цифровой трансформации
Одним из наиболее перспективных направлений цифровой трансформации в Сбербанке считают технологии искусственного интеллекта. В частности, банк инвестирует в разработку говорящего виртуального помощника, способного вести содержательный текстовый диалог с пользователем не только отвечая на вопросы, но и запрашивая дополнительную информацию. В рамках этой инициативы Сбербанк и МФТИ подписали соглашение по развитию проекта iPavlov, который предусматривает создание системы с искусственным интеллектом, способной общаться с людьми на естественном языке общения. На базе этой технологии к 2020 году будет создана платформа для Сбербанка DeepReply. Система будет общаться с пользователями, помогая им решить возникшие вопросы за счет анализа данных банка. Глава Сбербанка Герман Греф сообщил, что результатом проекта iPavlov станут новые бизнес-приложения, выводящие обслуживание клиентов на новый уровень. «Обучение» системы будет проводиться с помощью данных Сбербанка - больших массивов документов и текстовых записей диалогов между людьми.
Кроме того, Сбербанк активно осваивает системы биометрической идентификации клиентов. Одна из недавних инициатив в этой области – создание системы идентификации по движению губ. Ранее в финансовой организации уже разработали системы идентификации по сетчатке глаза, ладоням и отпечаткам пальцев. Как отмечает Греф, кредитная организация много инвестирует в создание идентификационных возможностей, так как распознавание клиента является первостепенной задачей. В 2016 году Сбербанк реализовал серию пилотных проектов, предполагающих использование биометрических технологий в разных каналах обслуживания и сценариях использования.
Но ведь с учетом ресурсов, затраченных на разработку моделей, эффективность «плохой» модели будет сопоставима или даже ниже случайной выборки?
Крайне редко модель не получается, но при ее разработке приходит новое понимание проблемы и происходит столько правильных итераций по работе с данными, что это время нельзя считать потерянным зря.
Инвестиции в Большие Данные связаны прежде всего с ожиданиями высокой отдачи в будущем. А в сочетании с какими технологиями Большие Данные способны принести наиболее быстрый эффект?
Большие Данные сейчас работают с технологиями машинного обучения и, на мой взгляд, дают отдачу быстро. Всего за год плотной работы с data science мы уже видим результат использования модели, которая увеличивает конверсию и доходность.
Глубокое обучение (Deep Learning) и когнитивные технологии дают отдачу дольше. Популярная сегодня тема – обучение на естественном языке (Natural Language Learning) с использованием голосовых запросов и генерацией голосовых ответов.
Но иногда простые модели, создаваемые быстро, работают лучше, чем сложные, разрабатываемые долго. Я вижу много таких примеров.
То есть такие технологии имеет смысл применять лишь для очень серьезных задач?
Возможно. А может быть, необходимо еще больше данных. Тут нам многое предстоит сделать: интегрировать все источники, перевести их на инфраструктуру Больших Данных, ускорить все процессы. Наш клиент делает всего несколько транзакций в день, а тот же Facebook «видит» десятки тысяч транзакций по клиенту в день. Наверное, чем больше данных и чем правильнее они интегрированы в инфраструктуре, тем эффективнее глубокие методы работы с ними.
При создании организации, направляемой данными, следует опираться прежде всего на высококвалифицированных специалистов в области data science или же на технологические платформы, которые позволяют работать с Большими Данными бизнес-пользователям?
Одно без другого не может существовать. Мы строим бизнес-платформу, но это не значит, что с ней смогут работать любые бизнес-пользователи. Эта огромная система, содержащая всю информацию о продуктах и все модели, является основой для создания в будущем экосистемы для клиентов. Специалисты по данным и бизнес-платформа дополняют друг друга: специалисты могут делать хорошие модели на тестовых выборках, платформа же решает проблемы их масштабирования на миллионы клиентов, большие объемы данных и несколько каналов, а также задачи обработки на высоких скоростях и выдачи ответов в реальном времени.
Для создания такой платформы многое сделано и еще многое предстоит. Параллельно мы развиваем компетенции data science, учимся новым методам и заодно это все интегрируем.
Основные достижения Сбербанка в 2017 году Количество активных частных клиентов в России
86,2 2,9 млн чел.
млн чел.
Доля на рынке жилищного кредитования
55,6% 1,0 п. п.
Доля на рынке кредитных карт по остатку задолженности
42,7% 3,6 п. п.
Доля заработной платы, зачисленной через Сбербанк
56,1% 4,0 п. п.
Доля пенсионеров, получающих пенсию через СбербанкВ 2018 году усовершенствована методика расчета доли Сбербанка на рынке социальных пенсий Пенсионного фонда России. Прирост доли рынка за 2017 год по сопоставимой методике составил 1,37 п.п.
61,3%
Количество уникальных активных клиентов удаленных каналовИнтернет-банк и СМС-сервис.
56,8 9,4 млн чел.
млн чел.
Количество участников Программы лояльности «Спасибо от Сбербанка»
31,6 6,9 млн чел.
млн чел.
Доля безналичного оборота по розничным операциям
59,7% 8,9 п. п.
Доля безналичных платежей физических лиц
81,6% 4,2 п. п.
млн чел.
Уровень лояльности частных клиентов NPS
58% 0 п. п.
Уровень удовлетворенности CSI
9,4 0,1 балла
балла
Количество продуктов на клиента
3,12 0,19 штук
штук
Выдано кредитов физическим лицам (ПАО Сбербанк и Сетелем Банк)
2,2 37,8%
трлн руб.
Сбербанк уделяет большое внимание обеспечению высокого уровня обслуживания розничных клиентов, а также созданию позитивного клиентского опыта. Мы регулярно запрашиваем у клиентов обратную связь и используем полученные сведения для исследования удовлетворенности клиентов и дальнейшего совершенствования качества обслуживания. На постоянной основе отслеживаются ключевые метрики клиентского опыта – Индекс лояльности клиентов (NPS) и Индекс удовлетворенности клиентов (CSI).
Клиентоцентричная модель обслуживания и клиентский опыт
Сбербанк получил Всероссийскую премию управления клиентским опытом CX Awards в номинации «Лучшая клиентоориентированная финансовая организация»
В 2017 году Сбербанк значительно расширил перечень каналов обслуживания, по которым проводится СМС-опрос удовлетворенности клиентов, при этом количество оцениваемых событий увеличено с 26 до 108. Теперь клиенты Сбербанка могут оценить качество работы банкоматов, специалистов прямых продаж, осуществляющих обслуживание клиентов вне отделений, консультантов по банковским продуктам, операций мобильного банка, а также направляемых клиентам персональных предложений.
Сбербанк уделяет особое внимание тому, чтобы ни один отзыв не остался незамеченным. Полученные низкие оценки передаются в профильные подразделения банка для системной отработки отклонений и устранения корневых причин недовольства клиентов. У клиентов имеется возможность сообщить банку, что считают свой вопрос нерешенным, – все подобные случаи возвращаются в работу. Благодаря мерам, принятым для устранения корневых причин, наблюдается положительная динамика по CSI.
Всего за 2017 год было направлено около 113 млн СМС-сообщений для опроса удовлетворенности клиентов и получено более 9 млн ответов клиентов.
В 2017 году банк существенно пересмотрел работу с обращениями по ключевым темам. Так, по банковским картам предложен ряд решений для выявления и устранения проблем до того, как клиент обратится в банк. Важным достижением стала автоматизация обработки обращений и внедрение конвейера в топ-тематиках.
Банку удалось в течение года повысить долю обращений, которые решаются частично или полностью автоматически, с 2% до 33%, а также повысить производительность на 47%. При этом важно отметить, что удовлетворенность клиентов процессом работы с обращениями повысилась с 6,4 баллов в январе до 6,7 баллов в декабре 2017 года (CSI, максимальный балл 10).
Средний срок рассмотрения обращений за год сократился с 14 до 5 дней
Доля обращений, рассмотренных за 10 дней, повысилась с 63% до 88%, а доля обращений, закрытых за 5 дней, выросла с 42% до 70%
В рамках работы с корневыми причинами проблем в процессах банка, вызывающих обращения клиентов, реализовано 104 мероприятия
Топ 5 тем обращений клиентов в 2017 году
Кроме того, в 2018 году банк планирует внедрить новый инструмент опроса клиентов – расширенную веб-анкету в СМС/e-mail/push. При этом будет расширен перечень событий, по которым производится опрос.
С целью обеспечения комфортного для розничного клиента диалога с банком была разработана Коммуникационная политика. С помощью принципов и правил, лежащих в ее основе, все сервисные коммуникации последовательно приводятся к единой тональности. Например, внедренный в начале 2017 года подход к формированию ответов на обращения клиентов позволил снизить долю низких оценок CSI по причине «Ответ не понятен клиенту» за год с 22% до 14%. Дополнительно создается автоматизированный модуль по настройке коммуникаций с клиентами.
Сбербанк активно применяет специальные проекты для мотивации сотрудников и повышения степени их вовлеченности в клиентоцентричную модель. Так, мотивационная программа «I like Сбербанк» объединяет команды Адвокатов бренда – сотрудников Сбербанка, которые активно пользуются продуктами и услугами банка, хорошо в них разбираются и рекомендуют их своим друзьям и знакомым. Более 25 тыс. новых участников зарегистрировались для участия в программе в 2017 году, при этом общее количество Адвокатов бренда превысило 83 тыс. человек.
В целях развития культуры клиентоориентированности Сбербанк ежемесячно проводит федеральный конкурс клиентских историй «Мы создаем лучший клиентский опыт». За 2017 год наши сотрудники разместили на площадке банка почти 33 тыс. историй о неравнодушном отношении к клиентам и получили за них 1,6 млн «лайков» от своих коллег. Мы гордимся тем, что в апреле 2017 года конкурс клиентских историй получил награду как Лучший социальный проект России в категории «Корпоративные проекты». Более 1 800 сотрудников приняли участие в обучении в формате Диалога с экспертом на тему «Все для клиента или что такое клиентоцентричная модель».
Для поощрения и продвижения клиентоориентированного обслуживания также реализуется программа нематериальной мотивации сотрудников фронт-офисаПодразделения, отвечающие за непосредственную работу с клиентами. , о работе которых клиенты оставляют положительные отзывы в социальных сетях за сервис, превосходящий их ожидания. За 2017 год сотрудникам фронт- офиса, продемонстрировавшим высочайший уровень облуживания клиентов, были вручены 274 благодарственных письма.