BY DATA 2024: как AI и аналитика трансформируют бизнес

От одноразовых выгрузок к сквозной аналитике и AI-native

Использование данных может стать как стратегическим активом, так и балластом для компаний. Основная проблема, с которой сталкиваются многие организации, - это отсутствие доверия к данным и недостаточная зрелость процессов их обработки. На ранних этапах развития чаще всего выполняются одноразовые выгрузки для анализа и этот процесс не воспроизводим.

Более зрелые организации внедряют регулярные процессы мониторинга качества данных, создают специализированные роли и департаменты, используют кроссплатформенные решения для анализа. Эксперты признают, что переход к data-driven требует значительных временных и финансовых вложений, и этот путь занимает годы. Поэтому часто компании избегают изменений, в том числе опасаясь неудач или лишней нагрузки на подразделения.

Компании, преодолевшие страхи, получают конкурентное преимущество за счет принятия решений на основе данных, а лидеры рынка идут дальше, прогнозируют будущее, персонализируют cвои предложения и активно внедряют AI во все бизнес-процессы.

Трансформация Альфа Банка с помощью AI

Дмитрий Нагорный, руководитель направления по управлению данными Альфа Банка, поделился видением своей команды:

«Мы убеждены, что все решения, основанные на данных и искусственном интеллекте, направлены на самое важное - сбережение времени жизни человека. Мы стремимся высвобождать это время за счет автоматизации на всех уровнях, начиная от внутренних процессов и заканчивая продуктами и решениями для наших партнеров, сотрудников и, в первую очередь, клиентов.

На горизонте ближайших двух-трех лет наша команда ставит перед собой целью достичь амбициозных результатов: внедрение решений на базе искусственного интеллекта во все сферы деятельности. Например, мы планируем, что более половины процессов банка будут автоматизированы с использованием AI. Подавляющее большинство сотрудников будет использовать различных ассистентов на основе генеративного искусственного интеллекта.

Эти ассистенты будут помогать как в анализе поведения клиентов, так и в консультировании для принятия оптимальных решений в конкретных ситуациях. Продукты, которые мы предлагаем нашим клиентам, будут содержать элементы искусственного интеллекта. В итоге это приведет к тому, что все наши клиенты так или иначе будут соприкасаться с решениями на базе AI.

Данные и AI-технологии во всех процессах бизнеса

Альфа Банк на конференции продемонстрировал шесть кейсов. Среди ключевых выделяется система рекомендаций продуктов, заменившая традиционные подходы на персонифицированные. В результате 70% клиентов получают уникальные персонализированные предложения в InSync и больше 1 000 новых продаж в месяц только через этот канал.

Интеллектуальная система обмена валют позволяет клиентам быстро и выгодно проводить валютные операции через мобильное приложение по индивидуальному курсу. Конверсия таких предложений в сделки более 60%, а скорость выставления индивидуального курса менее чем 5 секунд.

Решение по построению графиков работы сотрудников контакт-центра. Система автоматически формирует оптимальный график, учитывая прогнозы клиентского потока и пожелания сотрудников. С помощью нескольких моделей: прогнозирования обращений, оптимизации перерывов и построения оптимального графика. Внедрение этого решения позволило сэкономить 12 рабочих дней супервайзеров в месяц. Кроме того, удовлетворенность сотрудников контакт-центра значительно возросла, так как система учитывает их предпочтения и помогает лучше распределять перерывы.

Вадим Мустяца, руководитель по развитию информационных технологий и Head of Engineering Альфа Банка (Беларусь), детально рассказал как и для чего были реализованы AI-сервисы ALT-man. Сервисы значительно увеличивают эффективность разработки и тестирования программного обеспечения.

ALT-man.Reviewer сокращает время на ревью кода в 10 раз и позволяет разработчикам оперативно получать отчеты по коду и задачи на исправление в режиме 24/7. Другой важный компонент — ALT-man.TestWriter, автоматизирующий процесс создания тестовой документации и позволяющий QA-инженерам сократить время на формирование тестовых сценариев минимум вдвое. Спикер подчеркнул в своем выступлении: “Важно постоянно пробовать разные открытые модели и тестировать их.

Если вы возьмете одну конкретную модель и будете долго с ней работать, за это время появится три более качественных. Скорость их развития при нынешнем уровне хайпа выше, чем скорость тонкой настройки конкретных версий под текущие задачи. Это наш опыт.”

В рамках конференции также были представлены кейсы работы с данными и AI в таких отраслях телеком, ритейл, фондовый рынок, фармацевтика, промышленность, строительство, гостиничный бизнес, игровая индустрия и медиаисследования. Бизнес-кейсов множество, делимся некоторыми из них.

Предсказание и предотвращение оттока клиентов: опыт компании life:)

Екатерина Романова, начальник отдела управления продуктами и маркетинга роста life:) поделилась результатами внедрения системы предсказания оттока клиентов, основанной на предиктивной модели и поведенческой сегментации. Благодаря созданию моделей и объединению результатов, компания смогла значительно повысить точность предсказания оттока. Система помогает распознавать сигналы оттока и реагировать на них в реалтайм.

В числе наиболее эффективных инструментов удержания, которые увеличивают ретеншн абонентов, - индивидуальные скидки, игровые механики и программа лояльности. В настоящее время компания продолжает работать над развитием модели предсказания и совершенствованием предложений для клиентов.

Применение больших языковых моделей в отделе поддержки

Елена Мартьянова, руководитель отдела продаж Invento Labs рассказала об опыте внедрения больших языковых моделей в телекоммуникационной компании Азии. Основной задачей клиента было оптимизировать работу колл-центра и службы поддержки. Компания столкнулась с проблемами больших объемов данных, сложностью обучения сотрудников и низкой скоростью обслуживания. Был реализован чат-бот, который обучал и предоставлял всю необходимую информацию для сотрудников по их запросу.

В результате, компании удалось сократить время обучения новых сотрудников с трёх месяцев до одного, повысить качество обслуживания и уменьшить текучку кадров. Особенно интересным оказался факт, что внедрение чат-бота позволило снизить затраты на привлечение и удержание специалистов за счет снижения требований к квалификации сотрудников на 15% и сократить время решения инцидентов на 2-3%, что привело к существенной оптимизации операционных процессов.

Команда разработчиков предложила развернуть языковую модель на закрытом контуре, что обеспечивало максимальную безопасность данных, но при этом требовало больших затрат на внедрение. В отличие от более доступных открытых решений, таких как ChatGPT, интеграция модели на закрытом контуре позволила избежать рисков утечки конфиденциальной информации. К тому же, несмотря на более высокие первоначальные затраты, долгосрочные расходы на использование открытых решений могут значительно возрасти из-за модели токенизации и постоянных расходов на общение с ботом.

Монетизация данных как новый источник прибыли

Сергей Хавронин, CPO Департамента монетизации данных, X5Retail Group поделился опытом монетизации данных, который может стать ориентиром для компаний, стремящихся извлечь максимум из своих данных. Ключевым продуктом является платформа Insights, предоставляющая ритейлерам аналитику о покупательском поведении: что клиенты покупают, как часто, в каких комбинациях, и как они переходят от одного бренда к другому.

Дополнительные решения включают Logistics - для отслеживания эффективности цепочек поставок и предотвращения недопродаж, Targeting - для запуска и отслеживания эффективности рекламных кампаний на основе данных о покупках, Customer Profiling -для глубокой аналитики клиентской базы и обогащения данных партнёров, а также Test&Learn — для проведения A/B-тестирования в офлайн-ритейле, позволяющего проверять, как различные факторы, такие как изменение упаковки или расположение товаров на полках, влияют на потребительское поведение.

От централизованного управления данными к распределенной модели

В прошлом году спикеры BY DATA делились опытом создания централизованных офисов данных, где объединялись все ключевые компетенции - от хранилищ данных и BI-анализа до платформ для разработки и эксплуатации моделей. Однако, как показала практика, для успешного внедрения data-driven подходов в бизнесе этого недостаточно.

В этом году Дмитрий Нагорный, руководитель направления по управлению данными Альфа Банка отметил положительный опыт перехода на распределённое управление данными. Эта модель предполагает перенос ключевых ролей, таких как CDO (Chief Data Officer) и data scientist, в отдельные бизнес-направления. Это позволяет снизить барьеры между разработкой моделей и их внедрением в продукты. Централизованный офис данных по-прежнему сохраняет свою роль в управлении методологией, инструментарием и инфраструктурой, но теперь его компетенции дополнены локальными командами в каждой бизнес-линии, что делает процесс более гибким и эффективным.

Стратегии внедрения AI: сверху-вниз и снизу-вверх

Другой взгляд на процесс внедрения AI в организации предложил Павел Сварник, исполнительный директор по технологической стратегии, МТС Банк. Как и в случае с любой другой трансформацией, существует два основных подхода к внедрению AI-решений -"сверху-вниз" и "снизу-вверх".

В первом случае стратегические решения принимаются на уровне руководства организации, где ресурсы позволяют реализовать инициативы без значительных ограничений. Такой метод часто применялся для цифровой трансформации компаний и остается актуальным для масштабных проектов с использованием AI. В рамках подхода "сверху-вниз" можно использовать карту местности для банковского сектора, например, стандарт BIAN. Павел Сварник представил аналитику, показывающую, как и где можно применять искусственный интеллект в соответствии с доменами BIAN.

"Сверху-вниз" предполагает, что стратегические решения принимаются руководством, когда ресурсы позволяют реализовывать проекты без ограничений. Такой подход часто используется для крупных инициатив, включая цифровую трансформацию. В рамках такого подхода в качестве “карты местности” в банковском секторе можно использовать стандарт BIAN, а в других отраслях - опираться на собственные стандарты, описывающие ключевые сервисы компаний.

"Снизу-вверх", напротив, ориентирован на организации с ограниченными бюджетами, где каждая инициатива должна быть экономически обоснована. Этот метод требует наличия заинтересованных команд, которые инициируют проекты. В МТС Банке используется именно такой подход: в начале собираются бизнес-кейсы, фокусируя внимание на решении задач, а выбор технологий становится вторичным.

Процесс состоит из следующих этапов:

1. Сбор бизнес-кейсов с возможным применением технологий, опираясь на рыночные референсы и внутреннюю экспертизу.
2. Экспертная оценка для определения наиболее подходящих решений, учитывающая рыночные условия и цели.
3. Пилотирование: тестирование выбранных решений, чтобы убедиться в их работоспособности на практике.

По итогам формируется целевая модель с приоритетными кейсами и потенциальными технологиями. Важнейший критерий - бизнес-результат, а технология - лишь инструмент для его достижения.

Организатор конференции: DiGital Line (ООО “Диджитал Лайн”). Генеральный партнер - Альфа Банк, Партнер - Invento Labs.

Редакция Myfin.by

Редакция

Оцените статью:

0Нравится

0Смешно

0Удивлен

0Грустно

0Возмутительно