Любая страховая компания заинтересована в том, чтобы ее клиенты покупали  продукты самого широкого спектра.  Но  стоит ли страховому агенту тратить время на уговоры,  если владелец полиса ОСАГО  убежден в том,  что КАСКО ему не  нужен? При том, что  другому  клиенту, возможно, есть смысл  предложить не только КАСКО, но и страховку квартиры и  дачи.  Как страховщикам угадать наши с вами предпочтения?

В компании «РЕСО-Гарантия» предпочли не угадывать, а построить математическую  модель, которая позволит выявить  клиентов с высоким уровнем спроса на продукты добровольного страхования среди  владельцев полиса ОСАГО. Это поможет  сделать кросс-продажи в агентской сети более эффективными.

Сергей Алешкин, руководитель по Data Science  страховой компании  «РЕСО-Гарантия» и номинант премии CDO Award, делится деталями проекта.

— Есть ли в компании стратегия работы с данными?

Мы только начинаем цифровизацию,  и  в  ее рамках  идет подготовка регламентов работы с данными. Сейчас взаимодействие организовано неформально, но все знают, кто за что отвечает и какие задачи должен решать. У нас есть ИТ-подразделение, которое обеспечивает стабильность работы систем обработки данных, есть специалисты,  отвечающие  за наполнение этих систем и за качество данных, и  есть  аналитики, которые работают с данными, в том числе строят математические модели.

— Что входит в зону вашей ответственности?

Я отвечаю за построение моделей, их  внедрение  в бизнес-процессы, поддержание их эффективности, мониторинг, переобучение при необходимости.  Мне  приходится  тесно  общаться с коллегами,  обеспечивающими  хранение и качество данных. Мою деятельность курирует заместитель генерального директора, отвечающий в компании за ИТ и аналитику.

— Каким образом вы выявляете задачи для применения машинного обучения?

«РЕСО-Гарантия»  —  коммерческая организация, поэтому во главу угла при выборе проекта ставится получение максимального бизнес-эффекта. На решение той или иной задачи может быть  получен  запрос от  бизнеса,  или  же  мы сами в процессе анализа данных можем обнаружить интересную зависимость и предложить бизнесу реализовать модель на ее основе. Но всегда запуску проекта предшествует анализ его окупаемости. Мы люди  творческие,  нам интересно экспериментировать с данными,  но, приоритезируя проекты, мы исходим  из того, что получит компания от внедрения конкретной модели.

— Как возникла идея проекта в области кросс-продаж?

Наиболее массовый продукт на рынке страхования  —  полис обязательного автострахования ОСАГО. Например, среди клиентов РЕСО порядка 15 млн человек покупают  такие полисы.  Но страховой компании нужно продавать и продукты добровольного страхования  —  полисы  КАСКО,  страхования имущества и др. Поэтому  была поставлена  задача  увеличить кросс-продажи  клиентам ОСАГО. Однако далеко не все  они  расположены покупать другие полисы.

Мы  стали работать  над выявлением кластеров  клиентов с потенциально наибольшим спросом  на продукты добровольного страхования. Значительная часть продаж компании идет через агентскую сеть. В процессе общения страховой агент может пропустить того самого  покупателя,  которому  стоит  предложить полис добровольного страхования, или сделать предложение формально и в результате упустить потенциального клиента.

Мы задумались над тем, чтобы создать модель, которая выявляла бы не просто  клиентов ОСАГО  с высоким спросом на продукты добровольного страхования, а именно  тех из них, кто,  скорее  всего,  еще не получал предложения от конкретного  агента. То  есть  модель может  сделать «работу над ошибками».  Среди агентов есть  новички, которые еще не научились  всем тонкостям общения. Но  и опытные агенты с большими портфелями тоже нуждаются в помощи, потому что им физически сложно уделить должное внимание всем своим клиентам. В зависимости от характеристик агента модель определяет, каких клиентов с высоким спросом на продукты добровольного страхования он мог пропустить, и передает ему  полученную информацию. Анализируются  около десятка параметров по каждому агенту: социально-демографические признаки (возраст, пол и  т. д.),  опыт и предпочтения по продажам страховых продуктов (срок работы в компании, история продаж по типам продуктов и  т. д.). 

В результате  увеличиваются  продажи,  растут доходы  агентов и их лояльность компании, а также  доходы  компании и лояльность  клиентов,  потому что  они получают  качественный страховой продукт, действительно  необходимый  в данный момент. Проект  приносит  выгоду всем сторонам.

— Тот самый случай, когда искусственный интеллект помогает сотрудникам, но не заменяет их?

Совершенно верно. Страховая компания работает через агентскую сеть, и наши клиенты, будучи лояльны бренду РЕСО, в значительной степени  лояльны  страховому агенту  —  конкретному человеку, с которым они взаимодействуют на протяжении долгого  времени и которому доверяют.  Поэтому задача заменить агента здесь не  стоит —  ему надо оказать эффективную помощь в поиске тех клиентов, которые купят продукты добровольного страхования.

  Агенты,  среди которых много людей в возрасте, отлично знают страховые продукты и умеют с ними работать, но при этом с недоверием относятся к ИТ. Поэтому поначалу проект был воспринят  ими  скептически, но, по мере работы,  они  оценили результативность такого подхода и  попросили расширить возможности  модели. Мы начинали с выявления потенциальных клиентов страхования имущества, затем добавили КАСКО.

— Как строится взаимодействие агентов с системой? Не  возникают ли проблемы  у не очень восприимчивых к ИТ сотрудников?

Вначале мы реализовали подсказку в момент продажи полиса о том, что данный клиент склонен к покупке определенного дополнительного продукта. Но потом поняли, что большинство агентов хотели бы заранее получать списки таких клиентов, чтобы спланировать свой визит или разговор с клиентом по телефону. Теперь мы готовим эти списки и передаем их агентам через руководителей агентской сети.

Агенты получают рекомендации искусственного интеллекта в CRM-модуле. Опытный  специалист  работает на страховом рынке несколько десятков лет, знает лично многих своих клиентов, и для него непривычен формат работы, когда ему рекомендуют, к кому обратиться в первую очередь. Для того чтобы пользоваться такой системой, агент должен убедиться на  практике в том,  что рекомендации действительно эффективны.

В адаптации агентов к работе с новым проектом очень помог опыт Школы РЕСО. У нашей компании одна из сильнейших агентских школ России, и мы задействовали ее потенциал. Все агенты проходят обучение кросс-продажам с помощью современных технологий.

Один из важных компонентов любого внедрения машинного обучения  —  постоянный мониторинг метрик модели. Если возникает существенное отклонение в качестве, модель необходимо переобучать. Помимо  прочего,  этот мониторинг позволил нам выявлять агентов,  испытывающих  трудности в работе с новой схемой взаимодействия с клиентами, и для них было организовано дополнительное обучение.

— На каких данных реализован  проект? Какая  технологическая инфраструктура используется?

Это полностью наша  разработка. Данные  собираются в базе данных Oracle, модель разрабатывается с  использованием  Python. Из методов машинного обучения  используется ансамбль  моделей, построенных с помощью логистической регрессии и XGboost.

Модель обучалась на данных около 5 млн  клиентов. Учитывались  социально-демографические данные, характеристики потребительских предпочтений (что страхуют, когда, как часто) и др. Использовалась вся  клиентская информация,  до которой может «дотянуться» страховая компания. Конечно, у нас меньше  сведений,  чем, скажем, у банка или телекома, но их было  достаточно для того,  чтобы обеспечить хорошую точность модели для кросс-продаж.

Сейчас модель еженедельно анализирует порядка миллиона клиентов.

— Какие проблемы  возникли  в ходе реализации проекта, как удалось с ними справиться?

Нельзя сказать, что мы построили сложную  модель. Пожалуй,  самое трудное и интересное связано с внедрением. Надо было убедить нашу агентскую  сеть в том,  что это действительно полезный инструмент, и настроить обратную связь от конечных пользователей. РЕСО регулярно проводит большие встречи руководителей агентских подразделений, съезды агентов. На всех этих мероприятиях мы презентовали модель, лично  общались  с агентами и их руководителями,  рассказывали им о преимуществах  системы, отвечали на вопросы. В ходе этого общения мы узнали о ряде важных показателей работы  агентов. Их анализ позволил  вывести интересные зависимости, в том числе увеличить точность модели.

— Насколько уникален такой сервис для страховой отрасли?

Уникальность нашего подхода  —  не в модели, а в процессе взаимодействия агентов с моделью. Строить модели, которые ищут клиентов с высоким спросом на те или иные продукты для кросс-продаж, пытаются большинство страховых компаний, но обычно ставка делается на роботизацию процесса. Наш проект отличает высокая степень вовлеченности людей  —  агентов и их  руководителей. Не менее важна  и постоянная обратная связь, которая позволяет, с одной стороны, совершенствовать модель, а с  другой —  делать более эффективной работу сотрудников.

— Как долго система находится в продуктиве? Каких финансовых преимуществ и качественных улучшений  удалось добиться  за это время?

Система активно применяется с середины 2019 года в 200 филиалах в 70 регионах России,  ею  пользуются около 3,5 тыс. страховых агентов.

По нашим данным, за это время в 10 раз выросла эффективность кросс-продаж благодаря снижению трудозатрат агентов и повышению результативности их работы. Декабрь и январь показали существенный рост продаж продуктов добровольного страхования. По прогнозам на 2020 год, 18% дополнительных сборов по страховым продуктам,  к которым  применяется модель, будут получены именно благодаря  ее использованию. 

Мы построили комплексное решение на базе машинного обучения, которое, с одной стороны, хорошо интегрируется в существующую технологию продаж, а с  другой —  создает новую ценность для компании с точки зрения расширения возможностей кросс-продаж и повышения эффективности агентской сети.

—  Каковы  планы по развитию системы?

Мы получаем очень много заявок на расширение перечня страховых продуктов, охваченных моделью, и планируем развивать аналогичные проекты для кросс-продаж по другим направлениям работы компании.

Сейчас также  разрабатывается проект на базе машинного обучения для Школы РЕСО. Очень важно оценить потенциал человека в роли страхового агента на этапе рекрутинга, чтобы можно было сосредоточить усилия на обучении наиболее талантливых сотрудников, удерживать их у себя и развивать. Мы делаем модель, которая будет искать таких кандидатов, а также выявлять их  среди претендентов, которые  к  нам уже обратились.