"Росгосстрах": ИИ-технологии позволили вдвое увеличить продажи каско

Об эксперименте по целевым кросс-продажам каско с применением технологий машинного обучения РИА Новости рассказала директор по трансформации ПАО СК "Росгосстрах" Татьяна Куликова.

- В августе "Росгосстрах" завершил пилотный эксперимент по кросс-продажам каско с таргетированием на основе технологий машинного обучения. Какое место занимает эта система в прямом общении менеджер-клиент или агент-клиент?

- Кампании кросс-продаж шли в две волны общим сроком три месяца. Одним клиентам делали предложения каско на основе рекомендаций модели, а другим – на основе экспертных правил, существовавших ранее. Изучив собранную статистику по продажам, участники проекта пришли к выводу, что при использовании машинного обучения для таргетирования предложений каско продажи растут и в агентской, и офисной сетях. По итогам пилота продажи каско в целевой группе в отдельных регионах увеличились более, чем вдвое. Роль сыграли два фактора. Во-первых, кросс-предложения стали делать большему числу клиентов из традиционных сегментов со сформированной потребностью в каско. А во-вторых, с помощью математической модели выявили новые перспективные сегменты клиентов.

- Для пилотного проекта вы воспользовались услугами компании SAS. По каким критериям был выбран подрядчик, какие задачи вы ставили перед ним?

- Помимо формальных обязательных характеристик, которым должен соответствовать любой партнер "Росгосстраха" (платежеспособность, объем бизнеса, количественный опыт работы на рынке и так далее), мы оценивали качественный опыт работы поставщиков именно в области внедрения математических моделей в продажах, опыт в разработке и оценке CRM кампаний и опыт работы именно со страховщиками. Также для нас был важен состав и профессионализм проектной команды.

- Как проходила работа, с какими трудностями вы столкнулись?

- На первой стадии на выборке клиентов по ОСАГО была построена модель, которая с высокой точностью определяла сегмент клиентской базы, у которого должен быть интерес к покупке каско.

Далее нужно было встроить технически точную модель машинного обучения в текущие процессы продаж в офисах и агентской сети "Росгосстраха" в регионах, отобранных для участия в пилотном проекте. Причем на этом этапе нужно было также преодолеть опасения со стороны сотрудников офисов и агентов. Ведь с точки зрения продающих подразделений всегда есть риск, что модель не принесет значимого прироста в продажах. На третьей стадии пилота для выбранных регионов в агентской и офисной сети "Росгосстраха", команда запустила кампании кросс-продаж каско с таргетированием на основе технологий машинного обучения.

- На каких группах клиентов вы тестировали новое решение?

- Это клиенты с активным договором ОСАГО, который они оформили через страховых агентов или в офисах компании. Разделили их на группы в зависимости от тог, у кого в месяце проведения кампании была пролонгация договора ОСАГО, и у кого не было. Сегмент из математической модели сравнивали с сегментом из контрольной группы, выбранным случайным образом со стандартными отсечениями по бизнес-правилам. Мы тестировали решение в разных регионах по всей России. Так, например, в проекте участвовали Тюмень с ХМАО и ЯНАО, Волгоградская, Астраханская, Тульская, Вологодская, Новосибирская и Нижегородская области, Башкортостан, Татарстан, Удмуртия, Чувашия, Пермский край, а также Москва, Санкт-Петербург с областью и Красноярск.

- Каким образом алгоритм предвосхищает потребности клиента? Как подбираются наиболее оптимальные предложения по опциям, которые его бы удовлетворили? При настройке алгоритма какую информацию вы решили принимать во внимание, а какую нет?

- Обычно агенты и сотрудники офисов делают это интуитивно, опираясь на данные о доходах и страховую историю клиента. Более прогрессивный подход, давно взятый на вооружение банками, ритейлом, операторами связи, – это выявление потребностей клиентов, персонализация предложений и определение оптимального момента для коммуникации на основе технологий машинного обучения.

Для этого было проведено масштабное исследование данных страховой компании и построена витрина данных на основании 500 факторов. В их числе - пол, возраст, регион, история по договорам, количество пролонгаций, общая сумма страховых премий, выплаченных страхователем, сумма премий по каждому риску/продукту/договору, количество различных продуктов, продукт с самой высокой страховой премией, сумма страховых выплат, количество страховых выплат, преобладающий класс транспортного средства, доля ТС иностранного производства и другие. Витрина всесторонне описывала контекст заключения договора ОСАГО. Для повышения информативности содержащихся в ней данных команда пилота провела фильтрацию выбросов, интеллектуальный биннинг, устранение скоррелированных факторов и другие операции. Затем витрина была использована для тренировки более, чем 10 различных алгоритмов машинного обучения, из которых был выбран наилучший – дающий на тестовой выборке клиентов наиболее точные и стабильные прогнозы.

- Было ли сопротивление со стороны персонала при внедрении ИИ? Опасались ли ваши сотрудники, что "роботы их оставят без работы"?

- Сопротивления не было, был скепсис, что модель работать не будет. Страхи были нивелированы: сотрудникам подготовили обучающие материалы, провели семинары, где объясняли, по какой логике математическая модель принимает решения, за счет чего возникают дополнительные продажи и как использование модели поменяет процесс разговора с клиентом.

- Удовлетворены ли вы итогами пилота? Планирует ли "Росгосстрах" продолжить работу по внедрению ИТ-решений в свою работу?

- Да, мы на практике убедились, что современные технологии и математический подход – это хорошее подспорье для повышения эффективности продаж в страховании. Поэтому мы планируем развивать это направление, создавать математические модели для таргетирования предложений по всем добровольным видам страхования и разработать систему рекомендаций Next best offer. Эти инструменты помогут продавцам точнее и быстрее выявлять потребности клиентов и лучше подбирать предложения. В конечном итоге это повысит лояльность клиентов.