Персональный робот: как искусственный интеллект меняет банковские услуги
Вскоре банки получат систему, которая сможет в любой момент оценить клиента по тысячам параметров и понять, какие у него проблемы, как на них реагировать и что ему сейчас предложить
Часто можно услышать тревожные прогнозы, что искусственный интеллект отберет работу у людей. Но в реальности мы видим, как сложные алгоритмы машинного обучения уже делают нашу жизнь лучше, удобнее и, что очень важно, дешевле. В частности, с помощью технологий искусственного интеллекта и машинного обучения можно создавать новые более удобные инвестиционные продукты.
Диалоговые и разговорные интерфейсы
Люди готовы общаться с роботами. Согласно результатам исследования Global Consumer Pulse Research, в котором приняло участие более 25 000 человек, 42% россиян пользуются цифровыми помощниками. И подавляющее большинство пользователей (88%) в целом удовлетворены этим опытом. Сейчас есть реальные примеры финансовых компаний (к их числу собираемся присоединиться и мы), которые выстраивают системы поддержки клиентов через виртуальных консультантов, способных по телефону и через чат ответить на вопросы и выполнить конкретные поручения, например, отправить выписку, заблокировать карту и перевести деньги. Такой консультант поможет решить две очень важные задачи: обеспечить стабильно высокое качество клиентской поддержки и снизить стоимость обслуживания для конечного клиента.
Научить алгоритм понимать вопрос клиента и формулировать релевантный ответ — задача не самая сложная. На рынке доступны решения speech to text и text to speech. Клиент произносит вопрос, система переводит его в текст, текст разбирается на смыслы, в результате чего определяется тема и подбирается ответ, который переводится из текста в голос. Сложнее заставить алгоритм учиться и адаптироваться к изменениям клиентских запросов, но это тоже стало возможным благодаря машинному обучению.
В определенной мере научить алгоритм обслуживать клиентов даже проще, чем обеспечивать непрерывный процесс обучения и контроля качества в колл-центре, для которого характерна текучка кадров. Человек получает ответ практически мгновенно, независимо от того, сколько всего клиентов сейчас на линии — десять или десять тысяч. Ответы на вопросы избавлены от неизбежных ошибок «человеческого фактора» или плохого настроения сотрудника. Для компании затраты на поддержку клиентов становятся относительно постоянными, вне зависимости от количества клиентов и их активности. Робот знает и учитывает при каждом взаимодействии кратно больше информации о клиенте, чем простой сотрудник, у которого во время звонка открыта «карточка CRM», и ему важно, чтобы диалог был лаконичным. Конечно, робот не сможет поддержать беседу на отвлеченную тему. Но согласно заложенному сценарию он уточнит, правильно ли понял вопрос, и после подтверждения, что проблема решена, сможет, например, рассказать о новой услуге банка.
Системы персонализации
Согласно уже упомянутому исследованию, 45% опрошенных считают полезными сервисы, которые постоянно изучают их потребности для персонализации продуктов, услуг или рекомендаций. Более половины потребителей в России (57%) с высокой вероятностью будут делать покупки у таких компаний.
Заходя в онлайн-кинотеатр, вы сразу получаете подборку фильмов, интересных именно вам. Если ваши интересы не будут правильно учтены, вы просто не заплатите, а для онлайн-кинотеатра в этом состоит суть бизнеса. То же самое можно сказать и про ленты социальных сетей — вы видите «свою» ленту, но даже у близкого вам человека она может быть совершенно другой. Над этим работают сложные алгоритмы, учитывающие огромные массивы данных.
Мы работаем над тем, чтобы клиенты получали актуальные именно для них предложения об инвестициях. Сейчас это в какой-то степени достижимо для состоятельных клиентов, с которыми работают персональные менеджеры, знающие все о конкретном человеке. Но остальные тоже заслуживают высокого качества обслуживания. Важно учитывать не только продукт для конкретного клиента, но и канал и способ доставки, форму подачи и даже время суток для отправки.
Например, часть клиентов предпочитает получить от компании одно предложение, поэтому если им сказать про 10 или 50 различных способов инвестировать, то они не смогут сделать выбор и с высокой вероятностью откажутся от покупки. Другие, наоборот, хотят получать несколько вариантов, а всего лишь одно предложение, даже самое подходящее, не вызовет у них интереса.
Другой пример. Некоторые пользователи предпочитают получить релевантное предложение по электронной почте, чтобы спокойно его изучить и принять взвешенное решение. Другим лучше обсудить этот вопрос в телефонном разговоре с менеджером, а на e-mail они вряд ли среагируют.
Это только два примера бинарной классификации по одному параметру, а таких важных переменных для клиента может быть сотни и тысячи. И каждый раз, когда вы что-то не учитываете, конкретный клиент становится менее довольным.
Пока мы работаем с простыми моделями, стараясь постепенно добавлять все большее число переменных и учитывать их влияние друг на друга. Банки, и ВТБ не исключение, знают о клиенте очень много, эта статистика накапливается, и использовать «внешние данные» мы пока не планируем. В целевой модели мы разрабатываем систему, которая в любой момент может оценить клиента по значительному набору параметров. Она должна «знать», что ему сейчас предложить, какие у него могут быть проблемы и как на них реагировать, чтобы при обращении в компанию все эти вопросы решались эффективно.
Казалось бы, при чем тут искусственный интеллект? Кто-то увидит здесь решения, которые уже применяются в рамках автоматизации маркетинга (campaign management) и CRM-систем. Да, без машинного обучения можно обойтись, если работать не с клиентом, а с сегментом, а оптимизацию предложений производить раз в квартал. Но только машинное обучение и математика позволят нам в реальном времени использовать каждое событие, связанное с клиентом, и каждый отклик на направленные предложения. Так мы сможем добиться максимальной «персональности» для наших клиентов.
Управление активами
Еще одно направление, для применения машинного обучения, — формирование оптимального инвестиционного портфеля для клиента. Конкретный клиент, со своими целями и средствами, сможет получить от банка рекомендованный портфель ценных бумаг с учетом всех его персональных особенностей. Важно понять, что это не задача оптимизации функции риск/доходность, а именно персонализация портфеля.
В мире уже не первый год происходит бум так называемых робоэдвайзеров. Все больше людей предпочитают передать управление своими сбережениями роботу вместо профессионального портфельного управляющего. Крупнейшие мировые компании в сфере управления активами представили свои версии робоэдвайзеров и, судя по прогнозам, средства под управлением достигнут $8-$13 трлн в ближайшие годы.
Безусловно, сервисный искусственный интеллект в финансовой сфере будет развиваться и дальше. С другой стороны, мы наблюдаем тенденцию, когда финансовая компания уходит от массового обслуживания в персональное, ведь чем больше задач мы отдаем на откуп ИИ, тем больше времени появляется у нас на работу с каждым клиентом индивидуально. Только теперь все сервисы можно получить в собственном кресле, в машине или даже на отдыхе — там и тогда, где это удобно самому клиенту.
Об авторах
Владимир Потапов
главный исполнительный директор (СЕО) "ВТБ Капитал Инвестиции"
Точка зрения авторов, статьи которых публикуются в разделе «Мнения», может не совпадать с мнением редакции.
