Цифровой двойник клиента ВЭД

Главное о кейсе

После ограничения доступа к данным ФТС Сбер потерял возможность видеть значительную часть внешнеэкономической активности клиентов за пределами банка. Это осложнило поиск потенциальных ВЭД-клиентов и своевременное формирование предложений.

Мы разработали F-профиль — интеллектуальную систему, которая восстанавливает картину международного бизнеса по косвенным цифровым сигналам и прогнозирует будущие потребности.

Решение объединяет внутренние данные, ансамбль ML-моделей, AI-обогащение с учетом внешних факторов (санкций, страновых и валютных рисков) и рекомендательный механизм.

В итоге мы получили два сценария предиктивной работы:

Скрытый ВЭД: выявить компании, уже ведущие международную деятельность через другие банки, и предложить им решения Сбера.

Будущий ВЭД: определить потенциальную потребность до первой международной операции и первым выйти к клиенту с релевантным предложением.

Для клиента: более своевременные предложения с учетом специфики бизнеса и актуальных ограничений. Для менеджера: готовый аналитический профиль и рекомендации вместо ручного поиска информации.

Точность моделей прогнозирования наличия ВЭД достигает 72%. Определение направления платежа (импорт/экспорт) - 83%, страны и валюты платежа - 67%. Медианная ошибка прогноза объема платежа - 16 млн руб. (при средней ошибке 98 млн руб.).

Как проект изменил жизнь пользователей

F-профиль меняет саму логику взаимодействия бизнеса с банком: вместо реакции на уже возникший запрос банк получает возможность предлагать клиенту решение в момент формирования потребности.

Раньше компаниям, ведущим ВЭД, приходилось самостоятельно инициировать поиск подходящих способов международных расчетов, оценивать доступность валютных маршрутов и обращаться в банк за альтернативами. В условиях санкционных ограничений, изменения платежных коридоров и роста неопределенности это усложняло принятие решений и увеличивало время подготовки международных операций.

Но прямым пользователем продукта является все-таки клиентский менеджер, который теперь вместо ручного поиска и сопоставления разрозненной информации получает обогащенный профиль компании, прогноз ее ВЭД-потребностей и рекомендации по следующему действию. Согласно оценке проекта, автоматизация сокращает трудозатраты на подготовку лидов более чем на 80%.

Бизнес-задача и ее решение

Задача проекта — восстановить утраченную после ограничения доступа к данным ФТС видимость внешнеэкономической деятельности клиентов и повысить эффективность привлечения бизнеса на международное обслуживание.

Мы взяли все имеющиеся в нашем распоряжении сигналы бизнеса (основной профиль клиента, финансовые показатели, внутрибанковские транзакции, взаимодействия с контрагентами, внешний контекст) и создали ансамбль из 5 ML-моделей, который оценивает ВЭД-потенциал клиента и формирует задачу для клиентского менеджера с персональным продуктовым предложением, учитывая историю рекомендаций и актуальный продуктовый каталог ВЭД.

Эффект проекта: сокращение трудозатрат на подготовку лидов более чем на 80% (8 минут vs 45 минут), рост конверсии в сделки на 7 п.п. до 25% (относительно менеджеров, не использующих F-профиль), увеличение доходности от клиента на 6% и снижение оттока клиентов на 2-3%.

Крафт (мастерство), реализация, технические детали

F-профиль — многоступенчатая система принятия решений с проверкой достоверности прогнозов, AI-агентами и обратной связью от бизнеса.

Вместо одной универсальной модели разработан каскад специализированных алгоритмов:

ML1 определяет вероятность ВЭД. В зависимости от уверенности прогноза клиент проходит отсев, дополнительные rule-based проверки или направляется на дальнейшее моделирование.

ML2 формирует многомерный ВЭД-профиль: импорт/экспорт, вероятную страну, объем и валюту операций. Для разных задач используются бинарная классификация, вероятностные модели, регрессия с доверительными интервалами и multiclass-классификация.

AI-агент на базе GigaChat обогащает и корректирует прогнозы, сопоставляя внутренние данные с внешними событиями и новостями. Корректировки сопровождаются ссылками на источники.

Агент-маршрутизатор связывает прогноз с каталогом ВЭД-продуктов и историей рекомендаций, формируя персонализированный сценарий взаимодействия с клиентом.

Отдельная инженерная находка — управляемая достоверность результата: SHAP переводит объяснение модели на язык бизнеса, Human-in-the-loop направляет спорные прогнозы на проверку человеку, а Feedback Store сохраняет обратную связь менеджеров.

Таким образом, мы создали ансамбль ML-моделей, который умеет по-разному обращаться с результатами в зависимости от их достоверности, самообучаясь и сверяясь с человеком и с внешними данными.

Инсайты, гипотезы, процесс создания и взаимодействия с заказчиком

Одним из самых сложных вызовов проекта стало разграничение реальной потребности в ВЭД и ложноположительных сигналов модели.

Проверить способность модели выявлять клиентов, уже ведущих ВЭД за пределами банка, относительно просто: для этого можно использовать исторические данные с известными результатами. Гораздо сложнее оценить, насколько точно система предсказывает потребность, которая еще не возникла. Как отличить ошибочный прогноз от раннего сигнала, который подтвердится только в будущем?

Для решения этой задачи мы разработали каскадную архитектуру с многоуровневой системой проверок. ML-модели оценивают вероятность ВЭД и прогнозируют параметры операций, rule-based алгоритмы уточняют неоднозначные результаты, а AI-агент сопоставляет прогнозы с внешним контекстом и при необходимости корректирует их.

Отдельной инженерной задачей стала настройка порогов уверенности модели, при которых запускаются дополнительные проверки. Чем ниже порог, тем больше потенциально перспективных клиентов проходит углубленный анализ, но тем выше затраты на обработку и риск ложных срабатываний. Чем выше порог, тем больше вероятность пропустить ранний сигнал будущей потребности.

Сложность заключалась и в ретроспективном тестировании: проверить, какие внешние обстоятельства влияли на компанию в прошлом, значительно труднее, чем оценить ее текущий контекст. Поэтому при настройке системы необходимо было учитывать не только качество прогнозов, но и ограничения исторической проверки, стоимость дополнительного анализа и баланс между точностью и полнотой выявления потенциальных клиентов.

Прочая информация о кейсе

1

Текущая доступность работы

1

Скриншоты