Рекомендательная платформа 2.0: ИИ-персонализация предложений в Банке

Цель проекта — перейти от классического кампейна к персональным ИИ-рекомендациям в мобильном приложении банка. В классическом подходе аналитики ищут оптимальный сегмент для каждой пары «продукт — канал», а дизайнеры вручную готовят креативы. Это работает при небольшом числе пар, но в ДБО банка сейчас 8 каналов с 66 плейсментами и 28 продуктов: на таких объёмах качественно проводить аналитику и наполнять все каналы контентом вручную невозможно.

Проект решает три бизнес-задачи: автоматическая генерация контента предложений, сегментация клиентов с помощью ML-моделей и персональный подбор предложения в каждом канале. Приоритизация строится на экономике продукта и плане продаж, чтобы максимизировать ценность клиента и операционную прибыль банка от коммуникаций. Единый сервис заменяет разрозненные процессы заведения кампаний, офферов и правил доступности.

2026

• Рост продаж в цифровых каналах Банка на 45% по сравнению с предыдущим подходом к формированию рекомендаций.

• +86% бизнес-ценности кликов по баннерам по сравнению со старым подходом (1–18 сентября, сумма бизнес-ценности кликов на 1 000 показов по всем продуктам).

• 3 млн пользователей мобильного приложения получают персональные предложения.

• Под управлением платформы — 8 каналов ДБО, 66 плейсментов, 28 продуктов.

• Качество ML-моделей склонности по Gini — от 0,72 до 0,85.

• Расширено покрытие продуктового каталога на клиента; учёт кросс-взаимодействия каналов снижает навязчивость коммуникаций.

• Коммуникации запускаются без ручного поиска сегмента и ручного дизайна креатива.

• РАИСА — промышленная платформа РСХБ.Цифрадля продвинутой аналитики и ИИ: исследование данных, обучение, внедрение и мониторинг моделей в защищённом контуре банка

• CatBoost — ML-модели склонности и аплифта

• Генеративные и языковые модели в контуре банка — мультиагентная фабрика контента

• Фичестор банка и платформа онлайн-данных (NRT-профиль поведения клиента)

• АРМ заведения предложений, сервисы оценки предложений и управления каналами

• Мобильное приложение АО «Россельхозбанк»: 8 каналов, 66 плейсментов

В проекте не используются решения из каталога Global CIO

реализации?

• Масштаб расчёта: расчет скора для каждой тройки «оффер — канал — клиент» на 5 млн уникальных цифровых пользователей, 28 продуктов и 66 плейсментов и переранжировать офферы в режиме, близком к реальному времени.

• Баланс интересов: в одной формуле совмещены вероятность оформления, персональный прогноз дохода, отклик на конкретном канале, выполнение плана продаж и защита клиента от повторных показов.

• Оценка эффекта коммуникации: для выбора канала понадобились модели аплифта, которые измеряют прирост целевого действия именно от показа, а не только склонность клиента.

• Генерация контента в банковской среде: креативы фабрики должны соответствовать бренду, тональности и требованиям банка, поэтому в цепочку встроен отдельный агент проверки.

• Работа только на отечественном стеке внутри защищённого контура банка.

• Поэтапный перевод действующих каналов приложения на новую систему без остановки текущих коммуникаций.

Исходная ситуация

Продажи финансовых продуктов в мобильном приложении строились по модели классического кампейна: для каждой пары «продукт — канал» аналитик подбирал сегмент, дизайнер и редактор готовили креатив, коммуникация заводилась вручную, эффект замерялся на контрольной группе. Офферы в пушах, сторис, баннерах и других каналах жили раздельно, приоритизация шла по сегментам без учёта экономики продукта и кросс-влияния каналов, и клиент мог получать одно и то же предложение в разных местах. С ростом ДБО до 8 каналов, 66 плейсментов и 28 продуктов такой процесс перестал масштабироваться.

Реализованное решение

Создана рекомендательная платформа из нескольких ИИ-сервисов:

— АРМ заведения предложений: единый интерфейс для оффера, правил доступности, условий и статистики;

— сервис оценки предложений: рассчитывает оптимальные офферы для каждого клиента и канала с учётом кросс-взаимодействия каналов;

— сервис управления каналами: переранжируетофферы в режиме, близком к реальному времени, по частотности и поведению клиента;

— платформа онлайн-данных: NRT-профиль поведения клиента;

— мультиагентная фабрика контента: текст, визуал, проверка на соответствие бренду, сборка креатива под формат канала.

ML-модели склонности и аплифта построены на CatBoost, обучаются на фичесторе банка (качество по Gini — 0,72–0,85) и непрерывно дообучаются на новых данных о взаимодействии клиентов с каналами и продуктами.

Изменения после внедрения

Запуск коммуникации свёлся к заведению предложения в одном интерфейсе: модель решает, что показывать конкретному пользователю, контент генерирует фабрика, ИИ прогнозирует трафик контента, рекомендации автоматически загружаются во все каналы. Бизнес-подразделениям больше не нужно вручную подбирать сегменты и отрисовыватькреативы под каждый плейсмент. Клиент видит в плейсменте своё предложение, а не общее для сегмента, и не получает навязчивых повторов. Баннеры уже показываются через новую систему, фабрика генерирует сторис для Смотрёшки и журнала; следующие на очереди — сторис, блокирующие экраны и пуши.

Россия — все регионы присутствия АО «Россельхозбанк», пользователи мобильного приложения банка