Альфа-Банк выстроил полностью автоматизированный процесс подписки на оплату счетов, изменив традиционный отбор клиентов, основанный на правилах, на склонностные модели. В результате привлечено 1,2 млн новых плательщиков, база платящих клиентов выросла на 20%. О реализации проекта и его значении для бизнеса рассказывает Кирилл Сократов, руководитель департамента сохранения, онбординга и развития клиентов, Блок по искусственному интеллекту и данным Альфа-Банка и номинант на премию Data Award.

- Почему привлечение клиентов для оплаты счетов важно для Альфа-Банка?

Не секрет, что оплата регулярных счетов (коммунальные услуги, интернет, налоги) – один из главных драйверов роста уровня привязанности к банку. Чем больше клиент использует банк для обязательных платежей, тем выше уровень его привязанности. Это приводит к снижению оттока: увеличение оплат платежей по статистике снижает риск оттока на 1-1,5 процентных пункта в рамках года. В случае сохранения оплат в будущем, клиент снижает этот риск в 3,7 раза.

Другое важное последствие – рост доходности клиента. Оплата платежей мотивирует клиентов чаще пользоваться приложением банка, что создает условия для роста кликабельности рассылок. Это приводит к росту вторичных продаж в цифровых каналах, росту транзакционной активности и остатков, которые клиент заводит в банк, а в дальнейшем – к росту доходности для банка.

Таким образом, проект напрямую повышает финансовую устойчивость банка и его конкурентоспособность.

- В чем была проблема?

Традиционный отбор клиентов, основанный на правилах (по транзакциям в категории «строительные товары»), давал лишь 4,2 % конверсии и стоил довольно дорого – около 530 руб. на привлечение одного клиента. При этом генерировалось большое количество нерелевантных контактов спама.

- Какой подход был выбран для реализации проекта?

Мы заменили фиксированные бизнес-правила на склонностные модели и построили полностью автоматизированный процесс подписки на оплату счетов.

Здесь можно выделить несколько ключевых шагов. Начинаем с идентификации адреса – по цифровому профилю на госуслугах получаем реальный адрес проживания. Далее включаем поиск счетов – по данным адресов клиентов автоматически подтягиваем информацию о счетах ЖКУ для оплаты. Следующий шаг – формирование подписки: клиент автоматически получает уведомление в мобильном приложении роботизированный звонок. Проводим оценку склонности – ML-модель предсказывает вероятность отклика и подбирает оптимальный размер кэшбэка. Важен гибкий прайсинг – кэшбэк подбирается индивидуально, что повышает привлекательность предложения.

- Что представляет собой построенная модель?

При обучении модели отклика (response) использовано более 4 тыс. признаков. В финальную модель вошел 61 признак, отражающий следующую фактуру: транзакционная активность по картам и в онлайне у клиента; инвестиционная активность за прошлый период; мобильная активность клиента в приложении; социально демографические параметры; данные от телеком-оператора; данные о доходности клиента; данных о счетах клиента; история коммуникаций банка с клиентом, а также данные из бюро кредитных историй.

Модель работает в полностью автоматизированном режиме в нашей системе исполнения моделей, получает данные из хранилища признаков (Feature Store) и оснащена автоматическим мониторингом качества.

- В чем уникальность проекта?

Происходит персонализация в реальном времени: кэшбэк и условия подбираются индивидуально на основе текущей склонности клиента, а не по фиксированным сегментам. Реализован бесшовный процесс: работа от поиска счета до уведомления и оплаты происходит без участия клиента, что минимизирует трения. Реализована мультиканальная активация: пуш-уведомления, роботизированный обзвон, СМС – все синхронизировано через единую модель принятия решений. Также можно отметить интеграцию внешних данных: использование открытых реестров и цифровых профилей позволяет находить счета даже у клиентов, которые ранее не взаимодействовали с банком.

- Какие результаты можете отметить?

Стоимость привлечения клиентов сократилась на 10%, чистый отклик вырос в 3,2 раза – с 4,3% до 14,8%. Мы создали эффективный канал активации – автоматизированный процесс привлек 1,2 млн клиентов в якорные продукты, база платящих клиентов выросла на 20%.

Произошло увеличение доли клиентов, считающих наш банк основным – регулярные платежи делают банк центральным финансовым хабом в жизни клиента. Как следствие, отмечается рост доходов: осуществляется больше транзакций, взимаются дополнительные комиссии, происходят кросс продажи – например, кредитные продукты, инвестиции.

Наконец, повышение репутации – клиент получает удобный сервис «один клик», что повышает лояльность и рекомендацию.

- Как оценивается суммарный достигнутый эффект в финансовом выражении?

Финансовый эффект проекта складывается из роста транзакционной активности, снижения стоимости привлечения и увеличения ценности (Lifetime Value, LTV) клиентов. За счет привлечения 1,2 млн новых плательщиков и роста базы на 20% формируется устойчивый прирост комиссионного дохода и частоты использования банка.

Дополнительно, по оценке финансового блока, клиенты с регулярными платежами имеют LTV в среднем примерно на 13 тыс. руб. выше на горизонте трех лет по сравнению с сопоставимыми клиентами без платежей. Это позволяет рассматривать подключение платежей как значимый драйвер долгосрочной ценности клиентской базы.

Таким образом, проект дает как краткосрочный эффект через рост транзакций, так и долгосрочный – через увеличение LTV и снижение оттока.

- А что получает клиент?

Снижение когнитивной нагрузки – клиенту не нужно искать реквизиты, вводить их вручную и помнить даты платежей. Происходит уменьшение количества спама – только релевантные предложения, что повышает доверие к банку. Можно отметить повышение финансовой грамотности – автоматические напоминания и отчеты о расходах помогают лучше планировать бюджет. И поддержка уязвимых групп – предоставление кэшбэка на социально значимые услуги с возможностью оплаты без лишних усилий.

- Каково значение проекта для отрасли?

Мы показали, как данные и машинное обучение могут трансформировать традиционный маркетинг в банковском секторе, переходя от статических правил к персонализированным предложениям. Проект показывает путь к бесшовной цифровой экосистеме, где клиент получает полностью автоматизированный сервис оплаты обязательных счетов. Такой подход повышает эффективность привлечения, снижает издержки и улучшает клиентский опыт, что является новым стандартом для финансовых учреждений, стремящихся удержать клиента в условиях растущей конкуренции со стороны финтех компаний.

- Каковы перспективы развития проекта?

Дальнейшее развитие проекта связано с масштабированием ИИ-подхода на все ключевые клиентские сценарии. В частности, планируется расширить применение модели на рост POS, остатков, бесконтактной оплаты. Перейдем к real-time персонализации и принятию решений, будем и дальше автоматизировать клиентский путь (Next Best Action и бесшовный опыт). В перспективе решение станет частью единой ИИ-платформы, управляющей привлечением, монетизацией и удержанием клиентов.