Знакомства на основе данных: как мы запустили корпоративный дейтинг-сервис в Сбере

Привет, меня зовут Андрей Кузьминых. Я технологический предприниматель, запускаю ИИ-стартапы и внедряю искусственный интеллект в компаниях. Некоторое время назад я работал в Сбере в роли директора по данным и ИИ, где мы с командой анализировали огромные массивы данных, строили ML-модели, создавали управленческие дашборды и рекомендательные сервисы. Но одним из самых интересных и нестандартных проектов стало создание первого в России корпоративного приложения для знакомств среди сотрудников – SberDating. Идея родилась из стремления помочь людям найти тех, с кем можно установить нечто большее, чем просто деловые отношения, – друзей, собеседников, а возможно, и любимого человека. Но чтобы понять, как мы к этому пришли, нужно вернуться на пять лет назад.

Если вам интересна тема ИИ, мои кейсы и опыт, подписывайтесь на мой телеграм-канал, где я делюсь инсайтами, практическими советами и последними новостями из мира искусственного интеллекта.

Давайте поможем дата-инженерам найти счастье

В 2019 году я возглавил команду дата-инженеров в Сбере. Начав знакомиться с командой, я заметил, что ребята выглядят… уставшими.  Конечно, все они были профессионалами, их стаж в компании был больше моего, но в их глазах читалась некоторая потерянность. Когда я пообщался с ними чуть дольше, стало ясно, что им просто одиноко. У кого-то не хватает времени на личную жизнь, а кто-то уже забыл, что такое знакомство вне рабочих чатов и совещаний. Люди вокруг получали зарплату, выполняли задачи, но не были по-настоящему счастливы.Был у меня в команде один коллега, назовем его Лёша. Парень умный, преподавал в университете, любил театр, но была у него проблема: с личной жизнью как-то не складывалось. Он пробовал знакомиться в Tinder, и, по его словам, потратил более 30 тысяч рублей за неделю на свидания с девушками. Впрочем, особого успеха он не имел. К тому же он был очень занят: работа, подготовка лекций — лишнего времени у него почти не оставалось. Как-то он высказал мысль, что ему помог бы сервис, способный подобрать не просто случайных людей, а тех, кто разделяет его интересы и ценности. 

Так уж вышло, что мы с командой занимались задачами анализа данных в стратегическом департаменте, используя HR-данные. Поэтому у нас были подробные сведения обо всех сотрудниках банка: общая информация, образование, результаты психологических тестов, финансовые и социально-демографические данные, а также цифровой след сотрудников из различных корпоративных систем. Мы использовали эту информацию для управленческих дашбордов, проведения ad-hoc аналитики, выдачи рекомендаций для принятия стратегических решений руководством компании, и для разработки ML-моделей для оценки эффективности команд и прогнозирования оттока персонала.

Скучно? Возможно, снаружи так и казалось. Но у меня всё больше укреплялась мысль: эти данные — настоящий клад, позволяющий персонализировать опыт каждого сотрудника. Не только сделать HR-процессы эффективнее, но и помочь людям в чём-то более личном.

После многочисленных бесед с коллегами на тему одиночества, непонятности и прочего у меня возникла идея пет-проджекта: я решил попробовать применить машинное обучение для организации знакомств внутри компании. Не секрет, что в больших корпорациях люди часто остаются в своём «пузыре»: они общаются с определенным кругом лиц, редко заводят новые знакомства, хотя совсем рядом могут быть десятки, а то и сотни людей, близких им по духу. Фактически я решил построить дейтинг на ML. 

Идея корпоративного дейтинг-сервиса

В «Записках «ботаника», или почему у меня нет девушки» преподаватель кафедры бизнес-аналитики НИУ ВШЭ Армен Бекларян применил аналогию с уравнением Дрейка, чтобы оценить вероятность встречи «второй половинки». Проанализировав демографические показатели, уровень образования и субъективные параметры привлекательности, он оценил возможность найти идеальную пару в Москве «всего» в 6 раз вероятнее, чем встретить инопланетянина на просторах Млечного Пути. Подобные расчеты иллюстрируют ограниченность математических моделей в вопросах человеческих отношений. Понятно, что задача сложная, но возможно ли как-то повысить эту вероятность?

Мы с моим коллегой, full stack-разработчиком, подались в корпоративный акселератор SberUp с этой идеей. Нас отобрали среди 1500 других команд. Мы представили проект под названием VanLav, в котором планировали использовать алгоритмы машинного обучения, чтобы подбирать «идеального партнера». Мы решили дополнительно собрать данные о совместимости: начали формировать анкеты, проводить личностные тесты, выяснять ценности и интересы участников. Ключевой посыл состоял в том, чтобы подобрать человека, с которым вы говорите «на одном языке», с кем хочется пообщаться вживую, сходить на кофе, а может, и сразу отправиться в ЗАГС.

Внутри акселератора мы прошли через несколько отсевов, каждый из которых становился для нас вызовом. Нас научили анализировать рынок, правильно формировать ценностное предложение, считать unit-экономику, а также уверенно презентовать продукт перед инвесторами и топ-менеджментом банка. 

Первоначально VanLav был ориентирован на внешний рынок, но у нас зародилась мысль: а почему бы не протестировать наши алгоритмы прямо внутри Сбера? Мы решили обкатать MVP на сотрудниках банка, прежде чем выходить на открытый рынок. Так появилась идея SberDating – корпоративного дейтинг-приложения, которое стало отдельным продуктом, первым подобным решением в России.

На первый взгляд может показаться, что создавать дейтинг-приложение внутри корпорации – странная задумка. Но если подумать глубже, всё встаёт на свои места. Работа – это место, где мы проводим львиную долю своего времени. Здесь уже существует базовый культурный и ценностный фильтр, ведь сотрудников отбирают не только по профессиональным навыкам, но и по соответствию корпоративной культуре. Это означает, что вероятность встретить человека близкого по духу внутри компании может быть выше, чем где-то «в городе», где фильтров практически нет.

Найди и удали

Мы работали над проектом после основной работы. Поэтому, часто засиживались по ночам: я отвечал за базу данных и алгоритмы, а мой коллега разрабатывал бэкенд и фронтенд (python + react). SberDating отличался от массовых дейтинг-сервисов тем, что мы применили целый ансамбль из десяти ИИ-моделей. Зачем так много? Для повышения разнообразия мэтчей и увеличения вероятности успешного совпадения. Мы подбирали людей, учитывая сходство интересов, психотип и другие факторы.

Мы старались абстрагироваться от формальных параметров: должность, география или подразделение банка – все это отходило на второй план. Главное – характер, интересы, ценности, жизненный подход. Такое смещение фокуса на «внутренний мир» человека позволило найти те сочетания, которые в обычной рабочей обстановке могли бы никогда не всплыть на поверхность.

Особенно важным элементом стала личностная типология. Мы опирались на модель «Большой пятёрки», известную в HR-практиках по всему миру. В результате появилась интеллектуальная система подбора, которая не просто сводила похожих людей, но и учитывала нюансы их личностей. К примеру, интроверт и экстраверт могут быть интересны друг другу при ряде условий, а два человека с близким ценностным профилем имеют повышенные шансы на развитие осознанных знакомств.

В отличие от массовых дейтинг-приложений, где пользователь бесконечно свайпает, SberDating был построен вокруг идеи «осознанного дейтинга». Мы ввели ограничение в 10 лайков в день. Психологи подсказывают, что человек способен адекватно воспринять и оценить примерно десяток потенциальных вариантов за определенный период. Благодаря этому ограничению пользователь не «проваливается» в бесконечный поток анкет, а вдумчиво изучает каждую, оценивает интересы, читает описание, смотрит фото. 

Цель проста: «Найди и удали». Мы хотим, чтобы человек нашел «своего» человека и вышел из приложения в реальную жизнь, где уже можно сходить на кофе, обсудить общие хобби или заняться совместным проектом. На этом фоне SberDating стал не просто дейтинг-сервисом, а своеобразным социальным экспериментом по осознанным знакомствам внутри компании.

Успешный запуск: 6000 регистраций за день

Несмотря на усталость, мы выложились по полной, успели в заданные сроки и смогли запустить наш продукт. апуск был приурочен ко Дню всех влюблённых – 14 февраля. Этот маркетинговый ход оказался весьма символичным и эффективным: в первый же день в приложении зарегистрировалось около 6000 человек. Нам даже пришлось экстренно докупать расширенный пакет писем для рассылочного сервиса, так как мы ожидали максимум тысячу человек. 

Среди историй успеха встречались самые неожиданные сценарии. Один сотрудник обнаружил в SberDating свою давнюю знакомую из детского сада, с которой не виделся много лет. Другой установил приложение, забыл о нём, а спустя некоторое время получил сообщение от коллеги – так завязалось общение, переросшее в настоящую дружбу. Ну а наш Леша в первый же день нашел спутницу для похода в театр. 

На демо-дне я вышел с питчем, в котором рассказывал историю Лёши. Я показал его путь: от бессмысленных трат в Tinder до использования нашего приложения, где он смог встретить девушку, с которой общался долго и с удовольствием. На этой эмоциональной истории все поняли, что проблема реальна и мы действительно можем что-то изменить. История Лёши «зацепила» и продемонстрировала, что наш продукт — не абстрактная идея, а конкретное решение реальных болей сотрудников. Мы победили в акселераторе и нам предложили инвестиции в 2 млн рублей (которые я в итоге не взял).

Что дальше?

Важно отметить, что исходно наше решение могло работать только на сотрудниках. Именно наличие внутренних данных о персонале, цифрового следа, профилей и результатов тестов позволило нам сделать столь точную и интересную систему рекомендаций. Однако мне очень хотелось выйти за пределы корпорации и попробовать что-то во внешнем мире.

Я запустил VanLav – телеграм-бот с анонимными голосовыми знакомствами, который решал ту же проблему: соединять людей на основе их интересов, характеров, голосовых сообщений. Обратная связь от пользователей была позитивной, но я быстро столкнулся с вопросом монетизации. Мне казалось, что такой формат либо должен быть изначально платным, либо встроенным в функционал уже существующей крупной социальной сети, где есть обширная база пользователей. Сам по себе маленький бот не давал достаточно возможностей для заработка, а привлекать пользователей было сложно. В итоге я не понял, как на этом сделать масштабный бизнес.

После этих экспериментов и завершения проекта с ИИ-трансформацией Сбера я принял решение покинуть компанию и стать техническим директором венчурной студии, которая создает стартапы на базе искусственного интеллекта. Это новый этап моей карьеры, о котором я планирую рассказать в следующей статье. 

История SberDating – это пример того, как данные и машинное обучение могут быть не только инструментом оптимизации бизнес-процессов, но и средством, помогающим быть счастливее. Мы начали с команды дата-инженеров, которые были погружены в рутину, и через несколько лет месяцев к созданию продукта, который реально повлиял на жизни людей. Среди историй, что я услышал позже, – благодарности тех, кто благодаря нашему приложению обрёл спутника (или спутницу) жизни. Это не может не вдохновлять.