Как использовать Big Data & AI для увеличения потока клиентов: кейс с крупным банком

В июне 2023 года мы подвели итоги пилота по видеоаналитике в российском системно значимом банке — который входит в топы динамичных частных компаний по объему выручки и по уровню обслуживания.

Банк розничный, поэтому все происходящее в офлайне значимо для бизнеса: прошел клиент мимо двери или зашел, вышел к нему сотрудник или оставил наедине со своими заботами, находился консультант у банкомата или в глубине зала. Отслеживать происходящее помогают системы видеоаналитики.

Рассмотрим конкретные шаги, по которым мы внедряли видеоаналитику в процессы банка. Кейс будет полезен компаниям из разных сфер, которые планируют использовать видеоаналитику — именно такие этапы вам нужно будет пройти.

Шаг 1. Анализируй в корень

Термин «видеоаналитика» сейчас не так на слуху, как искусственный интеллект, и он тут тоже есть.

Более того, именно тут он и есть. ИИ начинался с когнитивных сервисов, и первые прорывы совершены как раз в области распознавания картинки: сначала статичной, потом потоковой.

В итоге сегодня есть множество вариантов использования видеоаналитики. В нашей практике технология широко применяется производственными компаниями — вот несколько примеров, возможно, среди них и ваш случай: 

• подсчет готовой продукции на ленте, 
• контроль ношения средств индивидуальной защиты, 
• анализ технологических процессов (к примеру, правильности спила бревна), 
• контроль выполнения работ по погрузке на складе согласно регламенту. 

Видеоаналитика используется при проектировании дорожно-транспортной сети и в работе муниципальных служб, например, для обнаружения дыма и огня.

Еще одна обширная сфера — ритейл, включая оценку локаций для открытия магазинов, анализ посетителей торговых точек, контроль рабочего процесса в торговых залах, управление длиной очереди.

Сегодняшний банковский кейс хорош тем, что он по-своему кросс-отраслевой и относится: 

• отчасти к ритейлу, поскольку речь пойдет о работе персонала с клиентом в отделениях, 
• отчасти к производству: говорим о соблюдении регламентов, 
• в малой части — к оценке взаимодействия аудитории с другими объектами (реклама в витрине, банкомат).

Видеоаналитика для заказчика-пользователя — это видеонаблюдение плюс продвинутая математика и дашборд с результатами в компьютере, но ее применение — это чуть больше, чем установка камер и личный кабинет в умном сервисе.

На что обратить внимание

Общая логика внедрения всех технологических решений примерно одинаковая, и этот кейс — не исключение:

• Обсуждение потребностей и задач, подписание NDA;
• Проведение теста/пилота и анализ результатов;
• Согласование и подписание договора;
• Техническая интеграция с сервисом;
• Обучение модели и начало ее использования;
• Развитие проекта, масштабирование.

Шаг 2. Стартовый этап: потребности

Когда внешний подрядчик допускается на внутреннюю кухню, особенно за такой охраняемый периметр, как в банке, первое, что происходит, — это подписание NDA (соглашение о неразглашении).

Без этого обсуждение проекта может нести риски для обеих сторон. Не забывайте об этом, с какой бы стороны переговорного процесса вы ни находились.

В нашем случае заказчик сам осознавал потребности и искал пути достижения поставленных целей. Одна из главных ценностей компании — забота о клиенте, поэтому банку было важно обеспечить клиентам комфорт и эффективность в обслуживании.

RB.RU принимает заявки на RB Digital Awards 2024 — четвертую ежегодную независимую премию для компаний, которые повысили эффективность бизнеса с помощью новых технологий. Премия присуждается за кейсы в области цифровой трансформации. Успейте заявить о себе до 1 декабря.

Узнать подробности и подать заявку

На практике это означает необходимость повысить качество работы операционного зала, включая контроль выполнения сотрудниками служебных регламентов. 

У организации множество филиалов, но со всей сетью, как правило, никто сразу не работает. И вы тоже вряд ли захотите потратить ощутимый бюджет на этапе тестов.

Для начала решили запустить пилот по видеоаналитике с нашей командой Big Data & AI на пять отделений, включая самые крупные. 

Что важно на этом этапе:

• принять тот факт, что обсуждение ожиданий — самый долгий этап (около двух месяцев);
• подписать NDA;
• согласовать вопросы безопасности (в банках сегодня это быстрее, чем раньше, но все равно долго). 

Подрядчик общается в основном с бизнес-заказчиком, технические специалисты подтягиваются на этапе реализации.

Шаг 3. Проведение пилота и анализ результатов

Скорее всего, в вашей организации уже есть видеонаблюдение — и, теоретически, его достаточно для мониторинга качества обслуживания.

Но на практике, чтобы использовать видеопоток для анализа ситуации в розничной точке или на производстве, вам потребовалось бы нанять дополнительный персонал и посадить перед экранами. И не факт, что это было бы эффективно.

В рассматриваемом банке видеонаблюдение было, но значимых результатов ранее не получили. Перед началом проекта мы сформулировали задачи, которые пилот должен решить:

1. Отследить поток посетителей и тех, кто не зашел в офис, но обратил на него внимание, чтобы впоследствии оформлять офисы более привлекательно для потенциальных клиентов.
2. Контролировать своевременность обслуживания клиентов и установить метрики вовлеченности персонала.
3. Оценить целесообразность наличия банкомата в зале и необходимость привлечения консультанта.
4. Узнать количество «социальных» посетителей, чтобы спланировать их профилирование, адаптировать маркетинговые материалы и давать более точную адресную рекламу на мониторах.
5. Проследить ежедневную загруженность сотрудников.
6. Проконтролировать выполнение своих обязанностей директором, который должен находиться в операционном зале не менее определенного количества часов.
7. Определить эмоциональное состояние сотрудников и посетителей до и после обслуживания.
8. Определить время нахождения посетителей во входной группе, в зоне банкомата и в электронной очереди. 

Для нового проекта наша команда Big Data & AI предложила банку кастомизированное решение по видеоаналитике (восемь сценариев с использованием восьми камер в каждом из отделений).

На основе алгоритмов обработки изображения и распознавания образов потоковое видео анализировалось без прямого участия человека.

Часть камер в отделении уже была, дооснащение было минимальным, но все равно потребовало нескольких недель.

Часть времени заняло построение математических моделей под сотрудников и посетителей банка и их обучение до того момента, пока точность определения метрик не стала выше, чем если бы сидел человек с пиплметром (напомню, что у человека тоже есть вероятность ошибки, и процент может быть высоким). 

Пилот длился около двух месяцев, в конце подвели итоги.

По теме: Что такое промты для ChatGPT и где взять поставщиков «нейросотрудников»

Банк получил такие данные:

1. Подсчет внешнего трафика (сколько человек прошло мимо офиса);
2. Тепловые карты нахождения сотрудников и посетителей в зале (две независимые карты);
3. Информация про клиентов по результатам распознавания пола и возраста;
4. Определение типа эмоции посетителя при входе в офис и эмоционального состояния сотрудника, «замер улыбок»;
5. Распознавание активности консультантов в зале (количество времени, проведенного совместно с клиентами в зоне); распознавание присутствия директора в зале и т. д.

Точность всех сценариев модели составила до 95-100%.

Для легализации аналитики банк самостоятельно уведомлял посетителей о ведении видеонаблюдения в отделениях и при необходимости собирал согласия сотрудников на обработку данных.

Непосредственно обработка осуществлялась на серверах банка предиктивными ML-моделями, разработанными «Билайн».

В результате мы реализовали интерфейс и систему отчетности по требованиям заказчика, обеспечили одновременную работу двух моделей детекции, создали оповещение о необходимости открыть дополнительное окно обслуживания.

Первым эффектом стало повышение удовлетворенности клиентов, что должно привести к росту оборота банка. 

В аналогичных кейсах по анализу поведения сотрудников из сферы ритейла уже в первую неделю после организационных выводов количество клиентов, оставленных без внимания, снижается на 8%.

При управлении длиной очереди увеличиваются конверсия на покупателя на 5% и NPS на 7%. И это не считая дополнительной информации, которую получает HR-отдел.

Что важно на этом этапе:

• Формулирование целей пилота обязательно — без этого невозможно оценить его результаты,
• Необходимо закладывать на технические процессы не меньше месяца. Даже если у вас уже есть инфраструктура, все равно возникнут вопросы согласования дополнительных камер и т. п.,
• Данные начинают поступать с первого дня, но репрезентативные результаты и аналитика формируются по итогам первого месяца,
• Через два месяца происходит очередная оптимизация моделей.

Шаг 4. Начало использования 

Пилот — это не просто тест. По его итогам уже построена система, благодаря которой банк может понимать картину в каждой точке продаж в течение дня по всей сети отделений.

Еще важнее то, что можно принимать решения о дальнейших шагах на основе информации, включая:

• возможность конвертации трафика, идущего мимо розничной точки,
• эффективность оформления витрин (начало продаж еще до входа клиента в отделение), целесообразность внедрения цифровых технологий оформления, 
• направления работы с персоналом над регламентами. 

Следующим шагом становится масштабирование — раскатка решения на все отделения. Сроки зависят от технической оснащенности и нужных доработок, которые начинаются после согласования и подписания договора.

С точки зрения ИТ и технической интеграции система уже готова, хотя порой может требоваться оптимизация моделей. Обычно разработчик дает доступ в свой личный кабинет или решение по API интегрируется в личный кабинет ответственных сотрудников банка. 

Помимо экстенсивного развития возможно и интенсивное, то есть добавление новых сценариев использования аналитики. Они развивают то, что уже достигнуто.

Анализ трафика может применяться и при открытии новых точек, хотя здесь задействуются другие ИИ-технологии. Если строить серьезную модель для оптимизации большой розничной сети, привлекается геоаналитика.

Кроме реакции на витрины можно анализировать, какие рекламные материалы и точки их расположения внутри отделения наиболее эффективны (бывает так, что плакат висит, но на него никто не смотрит) — это путь оптимизации расходов на маркетинговые материалы.

Дальнейшая оптимизация работы сотрудников может включать новые параметры: наличие на месте, наличие клиента в офисе при оформлении продукта (антифрод), соответствие посетителя и клиента и т. п.

Что важно на этом этапе:

• Серьезная видеоаналитика — это пока не решение «из коробки», оно требует установки и обучения;
• В 2023 году тренд внедрения ИИ-решений ушел из столицы в города-миллионники и далее в регионы, включая локальные компании, не представленные в центре;
• Приведенные в этом тексте сроки могут увеличиваться по разным причинам, но результат стоит того, чтобы подождать, потому что возврат на инвестиции может исчисляться десятками процентов.

По теме: Growth Hacking: ключ к кратному росту ключевых метрик бизнеса. Как сделать х3, х5 или х10?

Итог. Пять важных нюансов в реализации проекта по видеоаналитике

1. Отталкивайтесь от направления бизнеса. Определитесь, зачем вы хотите внедрить технологии, какого экономического эффекта хотите достигнуть.
2. Будьте готовы, что от начала переговоров до первых инсайтов по результатам пилота пройдет около полугода.
3. Название «видеоаналитика» не должно обманывать: картинка — не единственные входящие данные, которые потребуются ИИ-системе, в зависимости от задач будут нужны регламенты, скрипты и т. п.
4. Систему нужно будет донастроить. В этот момент бывает нужна оперативная реакция со стороны заказчика. Хорошо бы выделить в команде отдельного человека, который будет отвечать за коммуникацию на протяжении проекта, а не поставит ТЗ и отойдет в сторону.
5. Если вам пришла в голову идея получить инсайты от видеоаналитики и вы выделили на это ресурсы, сразу подумайте о том, что и как вы будете делать с полученной информацией.

Фото на обложке: many wisteria/Shutterstock