Применение AI-технологий для усиления эффективности команды продаж

Главное о кейсе

Ранжирующая способность ML-модели также подтверждена результатом: у ТOP-500 клиентов интерес к покупке факторинга в 3 раза чаще, чем по всей выборке.
Ранжирующая способность модели позволила в 13 раз увеличить конверсию в сделку по факторингу от контакта с потенциальным клиентом.

Применив метод, основанный на технологии транскрибации с применением AI, нам удалось просмотрели несколько тысяч записей общения с клиентами и провести разметку этих диалогов. Мы применили нейросетевую модель архитектуры BERT, которая по контексту разговора определила, насколько склонен клиент к покупке факторинга. Точность эффекта от метода составила 70%.

По итогам 6 месяцев 2021 года компания занимает 1 место по количеству клиентов на российском рынке. Всего за семь лет работы СберФакторинг выплатил более 2,2 трлн. рублей финансирования компаниям реального сектора экономики.
В 2020 году индекс удовлетворенности клиента (CSI) вырос до показателя 70,9%. Сегодня электронным документооборотом платформы пользуются 95% клиентов СберФакторинг.


We also confirmed the ranking ability of the ML model: TOP 500 clients have an interest in buying factoring three times more often than in the entire sample.

This spring, we carried out painstaking work on a method based on AI transcription technology – we looked through several thousand records of communication with clients and marked up these conversations. We used a neural network model of the BERT architecture, which determined from the context of the conversation how inclined the client is to buy factoring.
The accuracy of the ML model effect was 70%.

The customer satisfaction index (CSI) was 64% in 2019, in 2020 it increased by 10% and amounts to 70.9%. Currently, 95% of SberFactoring customers use the electronic document management platform.

Бизнес-задача и ее решение

Для усиления эффективности команды продаж компании СберФакторинг мы применяем AI-технологии (искусственного интеллекта), главная цель которых - поиск новых клиентов и определение модели ранжированного действия. 2 ключевых проекта, которые мы хотим представить: «транскрибация разговоров контакт-центра банка» и создание ML-моделей.

Над проектом «Лидогенерация» или созданием ML-модели (модель машинного обучения) рекомендации факторинга мы начали работать еще в феврале 2020 года. В 2021 году мы доработали ML-модели для сегмента крупного и среднего бизнеса.

1) Мы построили ML-модель (модель машинного обучения) на основе алгоритма градиентного бустинга, которая прогнозирует вероятность заключения договора факторинга между потенциальным клиентом и компанией СберФакторинг. ML-модель выполняет 2 ключевые задачи: отбор клиентов, склонных к покупке факторинга у нас, оценка вероятности покупки клиентом факторинга и ранжирование по ней.

2) Для увеличения объема продаж факторинга в сегменте малого и микробизнеса мы разработали метод, основанный на технологии транскрибации с применением AI. Все записанные телефонные разговоры переводятся в машиночитаемый текст, после чего анализируются по своему содержанию, поможет ли факторинг клиенту в его бизнесе.

Никто на рынке факторинга в России не использует AI (искусственный интеллект) для поиска новых клиентов в столь значимых масштабах.

До внедрения модели клиентские менеджеры звонили клиентам по своим базам в самостоятельно определяемом порядке и предлагали факторинг. При таком сценарии конвертация звонков в сделки существенным образом зависит от компетенции конкретного клиентского менеджера, а некоторые потенциальные клиенты вообще не попадают в зону внимания. Сегодня искусственный интеллект отбирает и ранжирует клиентов по вероятности интереса к факторингу, что позволяет добиться большей стабильности процесса привлечения клиентов, а также вовлечь в сделку неочевидных с точки зрения опыта клиентов. Цель от внедрения ML-моделей – определение новых потенциальных клиентов, увеличение конвертации лида в сделку и, как следствие, получение дополнительного операционного дохода.

Для создания данных разработок мы использовали Big Data, в которой содержится информация о более чем 100 000 клиентах-юридических лиц и их взаимодействии с контрагентами. Из множества финансовых и других признаков (транзакции, сфера деятельности, регион, отрасль, использование других финансовых продуктов, др.) были отобраны самые значимые для факторинга.

В июле 2020 г. мы передали тестовую базу по потенциальным клиентам для отработки клиентским менеджерам. А в начале 2021 года подвели итоги пилота – проверили корректность работы ML-модели по поиску и ранжированию потенциальных клиентов. В пилотной выборке клиенты покупали факторинг в 13 раз чаще, чем в среднем по выборке активных клиентов менеджером вручную.

В 2021 году мы доработали ML-модели для сегмента крупного и среднего бизнеса. Переобучили модель для разных этапов сделки (создан лид, принято решение, подписан ГДФО, запущено финансирование), актуализировали набор анализируемых атрибутов (фич). Продолжая развитие темы, уже во 2-м квартале мы разработали аналогичную ML-модель для поиска потенциальных дебиторов, которую сейчас и проверяем.

Вторая задача: ранее при разговорах с клиентом оператор колл-центра не всегда может правильно понять потребность клиента и предложить ему нужный продукт. Мы решили изучить диалоги, выявить контекст, где возможен интерес клиента к факторингу. Не всегда клиент сам точно понимает, что этот финансовый продукт будет ему полезен, поэтому необходимо анализировать смысл записанных диалогов, а не просто произнесенные им «стандартные» слова.

Мы решили изучить диалоги и выявить контекст, где возможен интерес клиента к факторингу. Первым шагом стала транскрибация – все записанные телефонные разговоры КМ Банка с клиентами перевели в машиночитаемый текст. Далее мы определили слова-маркеры и фразы, характеризующие факторинг. Такие, например, как «отсрочка платежа», «поставляю продукцию», «дебиторская задолженность» и прочие. Далее на основе успешных кейсов мы подготовили обучающую выборку. Запустили тест и получили пул транскрибированных диалогов, уже содержащих ключевые фразы по факторингу.

To enhance the efficiency of the SberFactoring sales team, we use AI technologies (artificial intelligence) aimed at finding new clients and determining the ranked action model. Two key projects that we would like to present: "transcribing conversations of the bank's contact center" and creating ML models.

We started working on the "Lead Generation" project or creating the ML model (machine learning model) for factoring recommendations back in February 2020. In 2021, we have finalized ML models for the segment of large and medium-sized enterprises.

1) We have built the ML model (machine learning model) based on the gradient boosting algorithm, which predicts the probability of concluding a factoring contract between a potential client and SberFactoring Ltd. The ML model performs two key tasks: selecting clients who are inclined to buy factoring from us, evaluating the probability of a client buying factoring, and ranking it.

2) To increase the sales of factoring in the segment of small and micro enterprises, we have developed a method based on transcription technology using AI. All recorded telephone conversations are translated into machine-readable text and then analyzed according to their content on whether factoring will help the client in their business.

No one in the factoring market in Russia uses AI (artificial intelligence) to find new clients on such a significant scale.

Describe the features, functions, and advantages of the product or service.

Before the model implementation, client managers called clients on their databases in a self-determined order and offered factoring. In this scenario, the conversion of calls into transactions significantly depends on the competence of a particular client manager, and some potential clients do not fall into the spotlight at all. Today, artificial intelligence selects and ranks clients according to the probability of interest in factoring, which allows us to achieve greater stability in the process of attracting clients, as well as to involve clients who are not obvious from the point of view of experience in the transaction. The goal of implementing ML models is to identify new potential clients, increase the conversion of the lead into a transaction and, as a result, receive additional operating income.

To achieve this goal, we used Big Data containing information about more than 100,000 clients-legal entities and their interaction with counterparties. We selected the most significant financial and other characteristics (transactions, field of activity, region, industry, use of other financial products, etc.) for factoring.

In July 2020, we handed over the test database for potential clients to our client managers for testing. And at the beginning of 2021, we summed up the results of the pilot project – we checked the correctness of the ML model for searching and ranking potential clients. In the pilot sample, clients bought factoring 13 times more often than the average for the sample of active clients by the manager manually.

In 2021, we have finalized ML models for the segment of large and medium-sized enterprises. We retrained the model for different stages of the transaction (a lead was created, a decision was made, a general factoring service agreement was signed, financing was begun), updated the set of analyzed attributes (features). Already in the 2nd quarter, we developed a similar ML model for searching potential debtors that we are now checking.

The second task: earlier, when talking with a client, the call center operator could not always correctly understand the client's need and offer them the right product. We decided to study the conversations to identify the context of the client's interest in factoring. The client does not always understand exactly that this financial product will be useful to them, so it is necessary to analyze the meaning of recorded conversations and not just the "standard" words.

We decided to study the conversations to identify the context of the client's interest in factoring. The first step was transcription – all recorded telephone conversations of bank client managers with clients were translated into machine-readable text. Then we defined marker words and phrases that characterize factoring. For example, "deferred payment", "supply products", "accounts receivable", etc. We prepared a training sample based on successful cases. We ran the test and got a pool of transcribed conversations that already contain factoring keywords.

Прочая информация о кейсе

СберФакторинг предоставляет услуги по финансированию и управлению дебиторской и кредиторской задолженностью для компаний, работающих на условиях отсрочки платежа. Компания финансирует сделки крупного, среднего и малого бизнеса из различных отраслей экономики.

SberFactoring is one of the largest Russian factoring companies. The company has been providing a range of services for enterprises conducting trading activities on deferred payment terms since 2014. SberFactoring provides the following services:

• financing of accounts receivable (factoring with regression, factoring without regression);
• administrative management of accounts receivable (payment collection service for suppliers);
• financing of the buyer’s accounts payable (premium agency factoring);
• financing of export and import supplies (international factoring).

SberFactoring is a member of the largest international factoring association Factors Chain International (FCI), which unites leading factoring companies around the world and allows Russian exporters to supply products to more than 90 countries around the world.