Зачем Сбербанк советует клиентам, как  жить

The Village разобрался, как крупнейший банк страны создал финансового консультанта на базе искусственного интеллекта

Перед 8 Марта некоторые мужчины, которые пользуются «Сбербанк Онлайн», получили от приложения такую рекомендацию: «Если вы не знаете, что подарить девушке, то скажите ей, что уже купили подарок, и попросите угадать какой, тогда она перечислит все то, что реально хочет получить». За этим советом — девять месяцев работы команды из 12 человек и инвестиции. Стоимость разработки конкретной функции неизвестна, но бюджет IT-дочки Сбербанка — компании «Сбертех» — составил 29,7 миллиарда рублей на 2017 год.

«Советы» — не первый проект банка на базе искусственного интеллекта. Еще в прошлом году роботы-юристы научились составлять иски к физическим лицам, недавно нейронная сеть Сбербанка начала писать стихи, а через два-три года (если все пойдет по плану) клиентов в офисах будут опознавать по голосу и внешности. С помощью этих технологий компания намерена повысить персонализацию работы с клиентами и их лояльность.

Теперь, заходя в мобильное приложение, пользователь видит разноцветные карточки: лайфхаки, рекомендации по банковским продуктам и советы по личному бюджету. Все они пока очевидные, но в будущем этот инструмент хотят сделать реальным финансовым помощником, который способен давать релевантные советы, исходя из профиля трат пользователя и предсказания его покупок. The Village разобрался, как это работает и при чем здесь искусственный интеллект.

Фотографии

ИВАН Анисимов

Год назад Герман Греф вернулся из Силиконовой долины и рассказал собравшимся в Сколково, что увидел там такое, отчего у него побежали мурашки. Председателя правления Сбербанка взволновало то, что правительство Норвегии изучает agile. «Когда я вернулся, то сказал: „Ребята, надо что-то со всем этим делать. Если мы дальше будем отставать, то это отставание будет уже, к сожалению, мало сопряжено с возможностью выжить в этом глобальном мире“», — говорил Греф. Agile — гибкая методология разработки, которая может быть применена к любому продукту — будь то мобильное приложение или управление государством. Она постановляет, что простота необходима, работающий продукт — основной показатель прогресса, а непосредственное общение — наиболее практичный способ обмена информацией. Еще одна гибкая методология — scrum. Ее принципы позволяют быстро создать работающий продукт, а потом обновлять его и при необходимости корректировать курс: работа ведется в небольших командах короткими двухнедельными циклами, в результате которых каждый раз появляется новая версия.

Департамент «Банк XXI» — подразделение, которое отвечает за разработку мобильного приложения «Сбербанк Онлайн», начало работать по agile в 2013 году, чтобы уменьшить time to market — время от рождения идеи до выхода продукта. «При подходе к созданию продукта по так называемой каскадной модели процесс разработки строился так: составлялось подробное ТЗ, потом дизайнер два месяца рисовал, разработчики кодили, и продукт получался, скажем, через год, — рассказывают в подразделении. — Но к тому времени все сдвинулось, компания поменялась, функции нужны другие. Продукт оказался не нужен». Теперь работа ведется по scrum: маленькие команды работают над идеей, которая сначала воплощается в прототипе, а потом сразу тестируется — и так снова и снова. В команде, которая занимается «Советами», работают 12 человек. За весь продукт отвечает product owner  — он ведет работу над сервисом, соблюдая баланс между интересами бизнеса и пользой для клиентов. Также он отвечает за backlog — список идей по конкретному проекту, который отсортирован по значимости. «Мы делим набор задач по приоритетам и всегда работаем над самыми важными. Этот список не прибит гвоздями. В этом и есть некоторая гибкость: можно получить обратную связь сразу и уйти в другую сторону, развивая тот же самый продукт», — говорит product owner «Советов» Сергей Комаров.

С ним работают бэкенд- и мобильные разработчики, дизайнеры и аналитики. В команде, занимающейся «Советами», есть две необычные специальности — data-аналитик, который работает с данными, выявляет зависимости и составляет алгоритмы, и data-инженеры, которые занимаются поддержкой инфраструктуры, где хранятся данные. Команде помогают специалисты предметной области — например, UX-тестировщики. Особенная роль в команде — scrum-мастер. Он отвечает за соблюдение всех процедур и устраняет блокеры — препятствия для эффективной работы команды.

Раньше Сергей Сизинцев работал в стартапе в «Сколково», который делал ПО для промышленных предприятий. В 2011 году узнал о scrum. «Я был поражен тем, что scrum решал те вопросы, которые приводили к провалу проекта. Обычно разработка ПО начинается с этапа аналитики — здесь нужно по максимуму заложить образ продукта. Затем идут проектирование, разработка, тестирование и внедрение. В итоге продукт получается далеким от цели пользователя. Scrum мини-итерациями от недели до месяца решает эту проблему: готовый продукт сразу показываешь, в итоге приходишь ближе к ожиданию пользователей и существенно быстрее», — говорит он. Сизинцеву так понравился scrum, что он решил  углубиться в изучение методологии и освоить новую профессию: теперь работает scrum-мастером в команде «Советов» Сбербанка.

Единица рабочего времени маленькой команды — спринт, который длится от двух недель до месяца. Команда, зная свою скорость и приоритеты работы, берет из бэклога значимые задачи, над которыми будет работать следующий спринт. В конце спринта всегда получается что-то, что можно показать или протестировать. Результаты команды по итогам спринта демонстрируются на «демо» — это одна из обязательных для scrum церемоний.

Другая церемония — «ретро», на ней команда обсуждает итоги предыдущего спринта и анализирует ошибки. Каждый день начинается со «стендапа» — пятнадцатиминутной встречи команды, на которой каждый участник рассказывает, что он делал вчера, что планирует сделать сегодня и есть ли какие-то проблемы, которые мешают в работе. Это позволяет избегать ситуаций, когда кто-то не знает, чем заняты все остальные, или два человека делают одно и то же.

До того как прийти в Сбербанк, Петр Трихин проектировал микропроцессоры. Потом поменял занятие — из инженера превратился в программиста, потому что это «реально круто, интересно и платят хорошо». Теперь Трихин — android-разработчик в команде «Советов». «Scrum изменил мою работу: у меня появилось больше свободы и больше общения с людьми. Раньше как все происходило? Нам давали какую-то задачу, была четкая документация, мы брали и пилили код. Сейчас все сильно поменялось: можно общаться, задавать вопросы аналитикам, что-то менять, предлагать свое. Работать стало гораздо интереснее. Если нужно доработать какую-то фичу, мы собираемся всей толпой — аналитики, дизайнеры, разработчики — и начинаем обсуждать, что и как лучше сделать. После этого появляется четкий план, которому мы следуем в будущем», — говорит Петр.

Разработкой инструментов PFM (personal finance management) в Сбербанке занялись два года назад. После того как пользователи увидели в приложении, на что тратят деньги, и получили возможность ставить финансовые цели, например накопить на покупку машины, разработчики решили научить людей, «как это делать правильно». Так появилась идея умных советов. «Если раньше пользователь должен был войти в анализ расходов, увидеть разбитые по категориям траты и сделать выводы, то теперь мы сделали это за него: умный помощник сам анализирует его расходы и намечает дальнейшие шаги», — говорит product owner команды «Советов» Сергей Комаров. Его слова пока опережают реальный процесс.

PFM-сервисы есть у нескольких российских банков, но Сбербанк первым решил сделать своего помощника: год назад у Apple и Google были свои разработки, а результаты качественных исследований показали, что такой сервис найдет отклик у аудитории. «За появлением идеи следует ее детальное описание и пользовательские исследования — мы не примем ее, если нет доказательств, что пользователям это действительно нужно», — объясняет Комаров.

После того как идею одобрили и на проект выделили финансирование, сформировалась команда: некоторые люди пришли из других команд компании, а другие — на появившиеся вакансии. До Сбербанка у Сергея Комарова был свой стартап в области онлайн-кино и телевидения. Стартап не пошел, и, чтобы научиться выстраивать процессы, он пришел в Сбербанк. «Масштаб Сбербанка подкупал. Небольшая команда, наверное, и может запустить такой сервис, как „Советы“, но аудиторию в 20 миллионов человек будет набирать очень долго. Нам эта аудитория очень помогает. Мы быстро собираем обратную связь и быстро принимаем решения», — рассказывает он.

Чтобы не советовать пользователям везде по чуть-чуть, разработчики строят логические деревья, где каждая ветка — конкретная жизненная траектория пользователей, рассказывает Комаров. Пример такой ветки — путешествие, конкретная ситуация — клиент взял машину напрокат в Италии. В Сбербанке подсчитали, что за жизнь человек проживает 3 тысячи непохожих друг на друга ситуаций, и к каждой из них можно сделать совет. Начать решили с путешествий и финансовой грамотности. Так, пользователю, арендовавшему машину в другой стране, посоветуют заправляться на второстепенных трассах, потому что это на 7 % дешевле. А людям, которые недавно совершили крупную покупку недвижимости или оплатили образование, посоветуют оформить налоговый вычет.

Увидев советы в приложении, пользователи могут дать обратную связь: лайкнуть, дизлайкнуть или отметить, что совет уже неактуален. По лайкам лидируют лайфхаки. «За тучными временами, когда резко повышаются доходы, всегда следуют тощие времена. И раз уж ваши доходы повысились, то в этот момент надо больше откладывать, — приводит пример лайфхака Комаров. — В тот момент, когда мы не продаем банковский продукт, мы продаем пользовательское поведение — предлагаем вести себя так, а не иначе».

Некоторые советы имеют широкий охват, их можно адресовать всем пользователям. Но идея финансового помощника заключается в том, чтобы давать не очевидные рекомендации, а персонализированные советы, актуальные в конкретный момент жизни определенного человека.

Чтобы советы лучше воспринимались разной аудиторией, всех пользователей разделили на кластеры. На основании возраста получились, например, «вылетевшие из гнезда» — молодые люди, которые недавно перестали жить с родителями. На основании отношения к деньгам появились «беззаботные» — те, кто не считает свои расходы (либо потому что не имеет привычки, либо потому что не имеет необходимости), «балансирующие», часть расходов которых структурирована (к примеру, ежемесячная выплата ипотеки), и «системные» люди, занимающиеся анализом расходов и планированием. «Мы начинаем по-разному общаться с этими людьми, — говорит Комаров. — Если это системный человек, мы будем доносить информацию досконально. Взрослые люди готовы подробно изучать продукты, а молодежь не готова читать длинные тексты: для них мы делаем советы намного короче». Копирайтеры могут подготовить несколько вариантов текста одного и того же совета — так он будет лучше воспринят каждой из групп.

Пока копирайтеры учатся общаться с аудиторией, искусственный интеллект учится прогнозировать финансовое поведение пользователей.

Для персонализации умных советов используют методы машинного обучения — подраздела искусственного интеллекта, который изучает построение обучающихся алгоритмов. «Как тот или иной алгоритм может выявить, что пользователь собрался в путешествие? Он берет пользователей, которые точно ездили в путешествие (в какой-то момент они начали оплачивать покупки по карте в другой стране), смотрит, какие покупки они совершали до этого, выявляет шаблоны, потом наслаивает их на всю остальную аудиторию. Если другой пользователь ходит в те же самые торговые точки, например, чтобы купить плавательный костюм, крем для загара или что-то еще, системе становится понятно, что он тоже собирается в путешествие. Тогда мы можем начинать давать советы по подготовке к отпуску», — объясняет Сергей. Он отмечает, что с помощью таких алгоритмов можно выявить более неочевидные зависимости — например, банк знает: если пользователь совершил две транзакции в баре, то он с большой вероятностью совершит и третью. А вот между третьей и четвертой уже не такая сильная зависимость.

Модели, которые предсказывают поведение клиентов, разрабатывают другие подразделения Сбербанка — команда «Массовая персонализация» и блок «Риски». Специалисты уже научились выявлять некоторые паттерны, изменения финансового поведения пользователей за какой-то период. «После того как человек сделал крупное приобретение, система это фиксирует. И дальше, исходя из покупки (будь то автомобиль, ювелирное украшение, недвижимость), генерируются советы», — объясняет Дмитрий Берестнев (блок «Риски»). Советы нужны и тогда, когда крупной покупки еще не совершено, а человек только готовится купить, например автомобиль. На этот случай в Сбербанке разработали двухуровневую модель, проанализировав 30 миллиардов транзакций клиентов за три года. В первой части модель предсказывает, что человеку предстоит крупная покупка, во второй — определять, к какой категории она относится.

Применение современных технологий визуализации данных — Модель LargeVis — и схожий с ней метод LDA позволяют интерпретировать поведение клиентов, выделять категории пользователей с похожим поведением и определять главное направление их трат — турагентства, мебель, рестораны или одежду. «На двумерном пространстве каждая точка — это конкретный клиент, и система может понять, что ему интересно — шопинг, автомобили или продукты. Если мы видим, что клиент тратит много денег на мебель и электронику, предположительно он делает ремонт», — рассказывает Берестнев. Попытка поделить людей на категории — не единственная цель для разработчиков алгоритмов: «Сейчас мы ведем работу, которая позволит спрогнозировать будущие транзакции клиентов».

Важно и то, что алгоритмы способны обучаться. «Когда мы получим от клиента обратную связь и используем в моделях, то сможем не просто генерить советы, но еще и реагировать на них, исходя из мнения клиента. Мы сможем точнее и лучше адаптироваться под него, учитывать его мнение и советовать то, что нужно конкретному человеку», — отмечает Берестнев. Если совет, старгетированный на определенную аудиторию, соберет много дизлайков, система учтет это при следующем таргетировании. «Например, мы показали совет 100 тысячам пользователей и видим отрицательную реакцию только у женщин — значит, совет предназначался мужчинам. Но этим параметром может быть не только пол. Любители фастфуда могут дизлайкнуть совет про здоровое питание, система это учтет и не будет показывать им подобное в дальнейшем. Примерно так это работает», — объясняют в компании.

Пока общая база советов небольшая, их всего 100, и почти все они очевидные — сейчас они не могут подсказать пользователю, как действовать в необычной ситуации. «Мой помощник проанализировал бюджет и говорит, что я его превысил. Личный кэп в кармане. Довольно удобно, жду совета — просыпайтесь утром, вечером засыпайте», — говорит один из пользователей. Но в перспективе в системе может появиться больше советов по делу, к их составлению Сбербанк планирует привлечь другие департаменты банка, финансовых консультантов и коммерческие компании, которые будут продвигать свои услуги прямо в приложении. Например, турагентство сможет дать совет по путешествию в Европу и тут же предложить тур. Не будет разве что рекомендаций по схемам лечения: цена ошибки тут слишком высока. В компании рассчитывают монетизировать «Советы» и через повышение продаж собственных банковских продуктов, и через увеличение оборота по картам и накоплений на счетах.

Разработчики функции «Советов» рассчитывают, что скоро помощник научится задавать вопросы и сможет уточнить, куда пользователь собрался в путешествие. Или самостоятельно узнать об этом, используя геокоординаты. Сбербанк планирует не только анализировать наши покупки, но и продавать услуги, основываясь на аналитике транзакций: «Мы хотим не просто дать пользователю совет, а провести его за руку по всему сценарию до момента совершения покупки или другого целевого действия», — говорят в компании. Уже сейчас в приложении можно последовать совету и оформить налоговый вычет.

Через пять лет Сбербанк и вовсе сможет принимать 80 % всех решений с помощью искусственного интеллекта, обещает Греф. В том, что система собирает обезличенные траты и накопления пользователей, учится сравнивать их с другими, выделять общее и давать рекомендации, product owner Сергей Комаров не видит ничего того, что могло бы доставить дискомфорт пользователям: «Mногие сервисы используют данные о клиентах. Например, мобильные операторы знают, кому я звонил и где нахожусь. Хотя недавно я включил телевизор, зацепился за футбольный матч, а Facebook посоветовал рассказать об этом друзьям. Откуда он узнал? Я никому об этом не писал. В этот момент я подумал, что система знает про меня слишком много».

Анатолий Орлов

руководитель лаборатории больших данных ФРИИ

Методы машинного обучения могут использоваться во всех продуктах, где человек принимает какие-то простые повторяемые решения и их можно автоматизировать (например, работу клерков). Бухгалтеров уже почти заменил 1С, диспетчеров такси — «Яндекс» и другие агрегаторы, надеюсь, до журналистов доберутся не скоро. Например, в портфеле ФРИИ есть компания Promobot, которая заменят роботами маркетинговый персонал (в конце 2016 года Сбербанк подписал договор на поставку Promobot. — Прим. ред). Существует ряд прогнозов, которые говорят о том, что благодаря технологиям многие люди будут заменены машинами, некоторые профессии исчезнут. Экономический эффект таких изменений оценивается в 2–5 триллиона долларов.

Вообще, машинное обучение уже достаточно давно и успешно применяется —например, в маркетинге.  На основе анализа данных пользователю показывается специальная таргетированная реклама, в результате чего повышается вероятность покупки.

Есть широко известный кейс американского ретейла, компании Target, которая анализировала данные о покупках и высылала купоны со скидками на основе анализа. Однажды Target отправил клиенту подборку продуктов для беременной молодой девушки, что вызвало огромный скандал. Отец семейства уверял, что его дочь не беременна, но в итоге оказался не прав. По изменению модели потребления продуктов и look-a-like анализу Target узнал информацию раньше, чем сам покупатель.

Два самых популярных в мире алгоритма машинного обучения — это нейронные сети и gradient boosted trees. Первое на слуху у всех, второе — незаслуженно обделено прессой, хотя про него знают все программисты. У data scientists даже есть поговорка «When in Doubt, Use Xgboost».

Сбербанку нравятся те же алгоритмы, что и 90 % data scientists всего мира. То, что они делают, сложно назвать ярким и свежим продуктом. Сам алгоритм очень простой, но в масштабах такой компании, как Сбербанк, для него очень сложно собирать данные, героизм именно в этом. Не стоит думать, что в конкретно этой сфере (фича для интернет-банка) произойдет большой прорыв. Для предсказаний типа «из тех миллионов человек, что в 2015 и 2016 годах ездили в отпуск в августе, вероятность того, что они поедут и в 2017-м в августе равна 78 %» не нужен супералгоритм: это можно предположить, глядя на историю поездок. Все нейронные сети будут бороться за остальные 22 % точности. Кардинального же улучшения не произойдет.

Если рассуждать про прорыв в целом, то, как говорил Марк Андриссен, «скоро останется только два типа работы: говорить компьютерам, что делать, и выполнять указания компьютеров».

© 2017 The Village. Новости Москвы, Санкт-Петербурга, Киева. Люди, места, события. Использование материалов The Village разрешено только с предварительного согласия правообладателей. Все права на картинки и тексты в разделе Новости принадлежат их авторам.
Прогноз погоды предоставлен OpenWeatherMap

Источник: www.the-village.ru

Комментарии: