Представьте банк, у которого десятки продуктов: расчётные счета, эквайринг, бухгалтерия, зарплатные проекты, страховки, сейфы. Каждый из них нужно продвигать и выполнять бизнес-показатели. Но есть проблема: все эти продукты нужны одним и тем же клиентам.
Как обычно выглядит процесс продвижения:
Менеджер с аналитиком придумывают гипотезу → выбирают аудиторию по бизнес-фильтрам (например, «клиенты с оборотом больше X рублей») → загружают список в Excel → запускают рассылку.
Проблема в том, что точно так же работают и остальные продуктовые команды.
В результате один и тот же клиент может за неделю получить сразу несколько предложений: подключить эквайринг, оформить бухгалтерию, открыть депозит или воспользоваться новым сервисом для бизнеса. Каждая коммуникация сама по себе выглядит логично, но вместе они начинают восприниматься как спам. Это снижает лояльность клиентов и увеличивает отток.
Например, у Точка Банка в 2025 году было 66 продуктов. Мы посчитали, что если увеличить количество подключений на 1%, то мы:
• получим десятки миллионов рублей дополнительной прибыли;
• сократим ручной труд менеджеров на 10%;
• снизим отток и увеличим LTV клиента.
Для решения этой задачи решили использовать движок Next Best Action (NBA). С помощью аналитики и машинного обучения он определяет, какое следующее действие будет наиболее полезным для клиента. В каждый момент времени система помогает понять:
• Какой продукт сейчас релевантен клиенту?
• Через какой канал с ним лучше коммуницировать?
• Стоит ли вообще сейчас выходить на коммуникацию?
То есть, вместо того, чтобы максимизировать количество рассылок, NBA стремится повысить ценность каждой отдельной коммуникации.
Подробнее о построении ML-модели расскажем в следующих постах.
💜 Этот пост написал Евгений Наговицын, ML-разработчик в Точка Банк