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 ^[1]. 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 ^[2] 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.