Газпромбанк.Тех показал, как ИИ-персонализация взыскания увеличила возврат долгов на 25%

Газпромбанк.Тех рассказал о внедрении Next Best Action для работы с просроченной задолженностью. Команда соединила новую архитектуру данных и uplift-модели, чтобы выбирать для каждого клиента лучший канал связи и быстрее возвращать деньги без лишней нагрузки на колл-центр.

Где терялись дни

До запуска новой схемы банк жил в логике классической платформы данных: источники реплицировались в операционное хранилище, затем проходили через Stage и Core корпоративного хранилища, а после этого попадали в Hadoop-витрины для обучения и скоринга моделей. Такая цепочка была надёжной, но слишком медленной для взыскания. Самая чувствительная информация — сам факт возникновения просрочки — доходила до моделей с лагом до трёх дней.

Клиент уже не заплатил, а персональная реакция банка запускалась только послезавтра. Сверху на это накладывалась и старая логика коммуникаций. Договоры раскладывали по матрице Balance at Risk: чем выше риск и баланс, тем больше контактов получал клиент.

Дальше шёл фиксированный каскад действий — push, SMS, звонок робота, звонок оператора. Такой подход работал на сегментах, но не отвечал на более важный вопрос: какой канал сработает именно для этого клиента сейчас. В результате часть людей беспокоили зря, а колл-центр тратил ресурсы на звонки, которые можно было не делать.

Как собрали NBA

Команда не стала ломать нагруженную бизнес-систему Collection и добавлять в неё ещё один тяжёлый процесс. Вместо этого разработчики нашли уже существующую автоматическую работу, которая запускается в момент появления просрочки, и подключились к ней через ETL Framework. Нужные события помечали тегами и сразу выгружали в Hadoop и Data Factory, минуя лишние задержки.

За счёт этого банк начал узнавать о просрочке практически в момент её появления, не создавая дополнительной нагрузки на основной контур. После этого изменили саму модель принятия решений. Вместо сегментации команда перешла к First Best Action и Next Best Action: система не просто определяет риск, а рекомендует лучший следующий канал связи.

Для пилота тестировали несколько uplift-подходов — solo-модели, независимые и зависимые пары моделей, многоклассовые и multi-treatment варианты. Оценивали их не по одной красивой метрике, а сразу по набору ограничений: Gini, Balance at Risk, Qini, стоимости коммуникаций, бюджету и доступности операторов колл-центра.

«Мы решили, что вообще не будем ничего выбирать, а просто напишем оптимизатор».

В итоге появился оптимизатор, который на каждом этапе просрочки обучает и тюнит набор моделей, а затем выбирает лучший вариант под конкретные бизнес-ограничения. На раннем этапе First Best Action система прямо рекомендует, стоит ли писать клиенту, отправлять push, SMS или переводить кейс на робота либо оператора. Дополнительно банк держит контрольные модели качества, чтобы видеть не только итоговую конверсию, но и то, как uplift-модели ведут себя внутри каждой группы.

Что показал пилот Пилот строили как честный эксперимент.

Около 30% потока направили в тестовый контур, а остальной объём поделили между старой стратегией и новой системой рекомендаций. Данные начали копить в конце 2024 года, затем ушло ещё два месяца на разработку и вывод в промышленную эксплуатацию. По словам команды, проект уложился в обычный жизненный цикл модели, но дал заметный эффект уже на первом этапе взыскания.

• Доля урегулирования выросла на 25% относительно текущей стратегии.
• По отдельным каналам коммуникации эффект дал от 15% до 32% дополнительного профита.
• Число звонков операторов сократилось на 73%, а стоимость коммуникации на клиента — на 10%.
• Отклик клиентов вырос на 5% при звонках оператором и на 11% при звонках роботом.
• Финансовый эффект превысил 3 млрд рублей сохранённых балансов на каждые 20 тысяч договоров всего за один месяц на этапе First Best Action.

Что это значит

Кейс Газпромбанк.Тех показывает, что в чувствительных процессах вроде взыскания выигрывает не самая агрессивная коммуникация, а самая точная. Если убрать лаг данных и выбирать канал контакта под конкретного клиента, ИИ может одновременно поднять возврат денег, снизить расходы и не сжигать лояльность клиентов лишними звонками.