ML-модель в поисках ЛПР

Завязка

Давайте рассмотрим вымышленную компанию «Орионик Групп» — холдинг, который объединяет несколько компаний, обеспечивающих полный производственный цикл и продажи.

В головную компанию — «Орионик Групп» — входят:

• «Орионик Девелопмент» (девелоперский бизнес): управляет коммерческой и жилой недвижимостью. Генеральный директор: Артем Сергеевский.

• «Орионик Логистика» (транспорт и складские услуги): контрактная логистика, транспортные перевозки. Генеральный директор: Марина Маринина.

• «Орионик Трейд» (оптовая торговля): импорт и дистрибуция товаров. Генеральный директор: Николай Сафоновский.

• «Орионик Капитал» (финансовые услуги): венчурные инвестиции, корпоративное кредитование. Генеральный директор: Андрей Климов.

Банк хочет предложить компании корпоративное кредитование. Но кто здесь «лицо, принимающее решения»? Ведь решения о финансировании принимаются не в одной конкретной компании, а на разных уровнях:

• Для «Орионик Девелопмент» кредитные решения одобряет финансовый директор головной компании.

• В «Орионик Логистика» — совет директоров холдинга, где влияние оказывает главный акционер.

• В «Орионик Трейд» — генеральный директор, но с одобрения владельца холдинга.

• В «Орионик Капитал» решения принимает исполнительный директор вместе с инвестиционным комитетом.

На кого должна быть рассчитана маркетинговая кампания банка? Если менеджер просто позвонит по номеру, указанному на сайте головной компании, то, скорее всего, попадёт на опытного секретаря, и дальнейшая судьба звонка предрешена. А на кого рассылать предложения по почте? Кому показывать баннер в приложении?

Для решения этой проблемы мы разработали ML-модель. На основе данных, среди которых структура собственности, связи топ-менеджеров, исторические данные по одобренным сделкам или решения прошлых лет, модель предсказывает наиболее вероятного ЛПР в зависимости от типа услуги и структуры компании.

Расскажем, как работает и как появилась.

Необходимость в модели

В банке есть модели, которые сегментируют клиентов по размерам, регионам, отраслям. Есть модели, которые оценивают склонность к тому или иному продукту банка. Например, компании Х вероятнее всего нужны деньги, чтобы заполнить кассовый разрыв. Модель работает по клиентам с большей достоверностью, по потенциальным клиентам — с меньшей достоверностью.

Собирая большой пласт информации, мы понимаем предпочтения компании и готовность использовать наш продукт, то есть оцениваем её склонность к продукту. Если компания только что взяла новый кредит, то ещё один ей сейчас, скорее всего, не нужен. Но если мы понимаем, что договор лизинга на экскаватор подходит к концу, то компания его может выкупить и использовать как предмет залога под новый кредит — предложение будет релевантным.

На первый взгляд, задача проста: найти человека, который обладает полномочиями и ответственностью за ключевые решения в компании. Казалось бы, достаточно просто заглянуть в выписку из налоговой, чтобы установить владельца бизнеса или генерального директора. Это справедливо для мелкого и среднего бизнеса, где решения принимает собственник или первое лицо компании. Но у крупного бизнеса решение «проваливается» на несколько этажей ниже, и нам уже нужен директор по развитию бизнеса, финансовый или ИТ-директор, руководитель департамента или вовсе коллегиальный орган, например, совет директоров. Вот здесь вопрос о поиске лица, принимающего решения, встаёт во весь рост.

Модели склонности появились раньше модели поиска ЛПР, о которой идёт речь. И когда начали проводить маркетинговые кампании, то сталкивались с неактуальным номером телефона, колл-центром, не теми людьми. В малом и среднем бизнесе операторы попадают на секретаря, а секретари научены отшивать эти звонки, в крупном — на колл-центр.

Ситуация осложняется тем, что в открытых источниках нет сведений о сотрудниках компаний, нет справочников ответственных по разным вопросам лиц. Ранее известные нам контакты могут устаревать или содержать ошибки. Причиной этого может быть несколько факторов, включая изменения в структуре компании, перетасовки в управлении, просто ошибки в регистрационных данных.

Но даже если открытые источники найдены, ЛПР — это не всегда руководители, значащиеся в официальных документах (вроде генеральных директоров), а те, кто фактически контролирует процессы принятия решений, будь то акционеры, учредители или финансовые директора. И обычно это — две большие разницы.

Менеджеры банка или бизнеса, пытаясь найти лицо, принимающее решения, часто вынуждены анализировать не только официальные документы, но и заниматься глубоким исследованием компании, включая изучение корпоративных сайтов и других неочевидных источников информации. Такой подход требует много времени и усилий, а также высокой квалификации для правильной интерпретации данных.

Но зачем это делать, если мы можем обучить модель?

Принципы работы модели

Принцип такой: AI-модель учитывает множество внутренних и внешних признаков компании и человека, делает выводы о похожести или непохожести рассматриваемого человека на типичный портрет ЛПР, на основании анализируемых признаков, и выбирает из всего списка людей наиболее вероятных кандидатов на роль ЛПР для компании.

Используя множество открытых данных, мы собираем информацию о том, кто представляет компанию в разных вопросах, например, на выставках, какие могут быть потенциальные сферы влияния, после чего проводим «скоринг» каждого представителя компании на «ЛПРность».

Для обучения модели нам нужна тестовая выборка. Допустим, что такая выборка у нас есть. Разделим её на 2 части: эталонная выборка, на которой мы будем обучать модель, и дополнительная, которую используем для проверки качества работы модели (верификации).

Также для построения модели нам нужны источники данных, которые обогащают выборку признаками, на основании которых и будет происходить выбор ЛПР. Источники, которые дадут наиболее сильные признаки, будут использоваться для работы модели в боевом процессе.

Если выборки у нас нет или её качество не позволяет провести качественное обучение, то мы привлекаем помощь группы разметки. Коллеги проводят анализ, можно ли отнести к ЛПРам то или иное лицо, и проводят ручную разметку данных. Это сильно улучшает качество обучения модели и позволяет построить модель с лучшей разделяющей способностью.

Примечание. Статья об организации процесса разметки.

На начальном этапе разработки мы применяли упрощённый алгоритм из бинарных признаков для анализа, поскольку объём разметки был ограничен.

Признаки (триггеры) ЛПР — признаки, присущие преимущественно лицам, отвечающим или влияющим на принятие решений в организации. К основным признакам ЛПР можно отнести сведения в выписке ЕГРЮЛ, где человек указан собственником или генеральным директором компании, повышенные представительские расходы, инвестиционные операции и получение дивидендов и др.

Также признаками ЛПР могут служить численные показатели, значение которых косвенно свидетельствует о занимаемом положении в организации/холдинге, например, доля в управляющей компании холдинга.

Признаков, используемых в модели, — 12. Они разбиты на четыре ключевые категории: признаки, отражающие юридическую связь; признаки, отражающие уровень полномочий; холдинговые признаки и косвенные признаки. По ним мы, соответственно, определяем «кандидатов» — людей, которые потенциально могут быть лицами, принимающими решения (ЛПРами), — и оцениваем их полномочия и влияние.

С помощью этих признаков мы оценивали вероятность того, что кандидат окажется реальным ЛПР. Чтобы получить скор для каждого кандидата в ЛПР, мы складываем веса срабатывающих триггеров по каждому кандидату в ЛПР, а также проводим калибровку min-max для приведения скоров к интервалу от 0 до 1.

Например у кандидата сработало 3 признака: участник А-клуба + получает дивиденды + флаг подписан да по кредитным сделкам. Тогда сырой скор будет равен 0,53 + 0,41 + 0,21 = 1,13. сырой скор калибруется в масштаб от 0 до 1 и получаем финальный скор.

С увеличением разметки и добавлением данных, например, по транзакциям и доходности, появилась возможность обучить полноценные ML-модели, которые позволяют глубже анализировать данные и учитывать большее количество факторов.

Мы разработали две модели для разных групп пользователей:

• Клиенты банка: модель использует расширенный набор данных и обеспечивает максимальную точность.

• Не клиенты банка: модель адаптирована к более ограниченному объёму данных.

В рамках проекта используются два алгоритма построения моделей: бустинг и AutoWoe.

Основной моделью является бустинг, который обеспечивает высокую точность и эффективность в определении целевых клиентов. 

Модель AutoWoe применяется для бизнес-анализа, предоставляя возможность использовать скоринг-карты в качестве инструмента интерпретации. Это позволяет более глубоко понимать факторы, влияющие на принятие решений, и улучшает прозрачность модели для бизнес заказчика. У нас расписана вся структура владения в компаниях среднего бизнеса, и мы можем сказать, кто в любой из этих компаний наиболее вероятный ЛПР. Даже там, где у нас нет никаких косвенных признаков, всё равно можно сделать определённые выводы.

Результаты внедрения

После проведения пилотного проекта в нескольких регионах, где была запущена новая модель, точность определения ЛПР достигла 80%. Это значительно выше прежнего уровня, что позволило существенно улучшить качество маркетинговых кампаний и эффективность работы с клиентами. Менеджеры, участвовавшие в верификации  модели, отметили, что в 80% случаев они согласны с выводами системы о том, кто является настоящим лицом, принимающим решение в компании.

Также внедрение данной инновации не только улучшило взаимодействие с клиентами, но и способствовало росту продаж. По результатам внедрения модели в процессы цифровых продаж мы получили следующий прирост показателей в 2023 году.

• Рост операционной прибыли до 1.5 млрд. руб. (x5 vs 2022).

• Рост доли продаж «в цифре» c 1% до 4%.

• Рост количества продуктов на клиента x1.7.

Прямое обращение к реальным ЛПР позволяет банку более точно нацеливать свои предложения, повышая лояльность клиентов и достигая высоких бизнес-результатов. Это, в свою очередь, помогает избежать ситуаций, когда банк пытается работать с руководителями, которые не обладают реальными полномочиями.

Будущие перспективы

В будущем система будет совершенствоваться и адаптироваться под более сложные корпоративные структуры, что особенно важно для работы с клиентами из крупного бизнеса. Ожидается, что дальнейшее развитие модели позволит ещё точнее выявлять этих ключевых фигурантов, учитывая их роль в холдингах, а также их влияние на дочерние и аффилированные компании. Это поможет банку более эффективно взаимодействовать с руководителями, которые обладают решающими полномочиями и могут принять важные бизнес-решения.

Также в перспективе планируется интеграция дополнительных источников данных. Эти данные позволят более глубоко анализировать взаимодействие сотрудников на различных уровнях и выявлять связи, которые могут указывать на реальных ЛПР. Например, можно будет учитывать корпоративные взаимоотношения или участие в профессиональных сообществах.

Кроме того, в будущем планируется внедрение более сложных алгоритмов машинного обучения, а также нейросетей, которые будут учитывать динамичные изменения в корпоративной среде. Например, кадровые перестановки, изменения в уставных документах или структуре владения посредством мониторинга новостей, профильных профессиональных изданиях и событий в профессиональных социальных сетях. Это позволит модели адаптироваться к быстро меняющимся условиям и точно определять ЛПР даже в случае изменений внутри компаний. Также планируется развивать подходы к выявлению ЛПР по конкретным продуктам, и внедрение подхода в другие сегменты бизнеса.

В целом с развитием системы и интеграцией новых данных банк сможет не только улучшить процесс поиска ЛПР, но и создать гибкую, эффективную платформу для взаимодействия с клиентами, что даст долгосрочные преимущества в конкурентной борьбе.

Над статьёй работали:

• Астанина Ксения: специалист по интеллектуальному анализу данных. Департамент продвинутой аналитики.

• Федотов Максим: руководитель направления развития данных по юридическим лицам. Управление развития источников данных.

Подписывайтесь на Телеграм-канал Alfa Digital — там мы постим новости, опросы, видео с митапов, краткие выжимки из статей, иногда шутим.

Реализованными проектами, новостями, вакансиями также делимся в канале команды Центра продвинутой аналитики Alfa Advanced Analytics.