Центр корпоративных решении (ЦКР) – уникальный для банковской отрасли опыт обслуживания корпоративных клиентов, включает в себя 7 площадок, 7 функциональных направлений, более 4000 сотрудников и собственный институт разработки.

Мы работаем в формате 24/7, осуществляем поддержку 2,7 млн корпоративных клиентов, а также сотрудников банка по вопросам:

·сервисной и технической поддержки

·внешнеэкономической деятельности

·консультирования в сфере комплаенс

·back-офисных функций формирования и сопровождения договорной документации с клиентами

С 2019 года ЦКР активно принимает на поддержку дочерние общества для консультирования клиентов по вопросам продуктовой линейки экосистемы Сбербанка.

Помимо сервисных функций, ЦКР активно занимается продажами для клиентов малого и микро-бизнеса (далее ММБ). Более миллиона корпоративных клиентов Сбербанка имеют персонального дистанционного клиентского менеджера (далее КМ), и почти половина всех продаж в сегменте ММБ на сегодняшний день осуществляют сотрудники ЦКР. Каждый год банк ставит перед собой цели по повышению эффективности дистанционного бизнеса с темпами не менее 8% в год, наибольшее внимание уделяется направлениям в сфере продаж.

Оптимизация процессов дает результаты в целом, но эффективность сотрудников различна. Мы работали с очевидными, стандартными отклонениями, но для дальнейшего улучшения результатов важно было определить, какие конкретные действия сотрудника делают его более успешным.

Каждое действие сотрудника оставляет цифровой след в автоматизированных системах банка. Команда ЦКР увидела возможность сделать качественный прорыв в повышении эффективности процессов через синтез массивов информации.

В 3 квартале 2019 был запущен проект «Повышение эффективности КМ ЦКР на «исходящем» канале с применением AI-технологий».

Целью проекта стало увеличение объема продаж «исходящего» канала направления «Удаленные продажи» за счет повышения эффективности сотрудников.

В качестве критериев оценки эффективности проекта были определены следующие метрики:

·Производительность сервиса «Удаленные продажи» (количество продаж на 1 сотрудника сервиса в 1 рабочий день). Цель: +8 пп 2020 к 2019

·Утилизация рабочего времени сотрудника. Цель: +20 пп с момента запуска пилота

·Продажи на 1 сотрудника пилотной группы. Цель: +3 пп с момента запуска пилота

Для решения поставленной цели все задачи были разделены на блоки:

1.Развитие сотрудника

-выявить ключевые навыки, которые отличают эффективного клиентского менеджера от неэффективного;

-определить действия руководителя для развития данных навыков у неэффективных сотрудников;

-выстроить процесс регулярного обучения через наставничество неэффективных менеджеров с учетом выявленных инсайтов.

2.Повышение дисциплины и утилизации рабочего времени сотрудника

-сформировать целевую карту рабочего времени;

-определить ключевые триггеры соблюдения дисциплины сотрудником;

-выстроить процесс регулярного контроля.

3.Усовершенствование методологии продаж банковских продуктов в режиме дистанса

-оценить равномерность структуры задач между менеджерами;

-выявить релевантное количество предложений клиенту на один контакт;

-определить скрипты и алгоритмы, которые требуют улучшения.

При запуске проекта были определены ключевые стейкхолдеры, заинтересованные в его реализации и сформулированы потребности для каждой роли.

Руководящая бизнес-вертикаль сервиса продаж:

·Повысить эффективность сервиса в части производительности и продаж

·Повысить утилизацию рабочего времени сотрудника

·Снизить издержки на одну продажу

Владельцы продуктов, реализуемых в канале:

·Выявить сильные и слабые стороны методологии продаж

·Повысить объёмы продаж продуктов

Руководители производства на местах:

·Прогнозировать эффективность сотрудника на горизонте 1-2 месяца

·Расширить фактуру информации для проведения наставнических сессий

·Получить набор инструментов для повышения эффективности сотрудника

Сотрудники:

·Получать информацию о своих зонах роста

·Увеличить свой доход

Мы определили понятие эффективного КМ - это сотрудник, стабильно продающий больше среднего за последние 3 квартала, соответственно, неэффективный КМ – меньше среднего.

Описали процесс и сформировали перечень систем с цифровыми следами сотрудника:

-телефония – детализация звонков и аудиозаписи;

-речевая аналитика – транскрибированные тексты диалогов;

-экранная аналитика – логирование действий сотрудника;

-CRM – история взаимодействия с клиентом, структура задач менеджера;

-WFM – расписание.

На первом этапе в ручном режиме сформировали более 40 гипотез потенциально некорректных действий сотрудника, проанализировали их на предмет «массовости» и влияния на бизнес-процесс.

Выявили у отдельных КМ большое количество нерезультативных исходящих звонков, многократное дублирование звонка на один телефон.

Речевая аналитика таких звонков выявила нерациональное поведение сотрудников: операторы звонили, но вместо диалога была тишина или обсуждались темы, не связанные с продажами. Схема позволяла оператору завышать свои показатели производительности и утилизации рабочего времени.

Первые звонки зафиксированы в 1Q2018 года, их количество ежеквартально увеличивалось в 1,5 раза. По данным за 3Q19-1Q20 выявлено около 45 тыс. таких звонков.

В целях исключения «фродовой» схемы:

-настроен алгоритм поиска неуспешных попыток дозвона и поддержания базы «фродовых» номеров;

-выстроен процесс регулярного контроля и оперативной отработки отклонений.

На втором этапе мы провели сравнение КМ между собой с применением технологии искусственного интеллекта. Для построения модели использовали AutoML (разработка AI-лаборатории Сбербанка).

Глубокий анализ действий КМ позволил построить модель высокого уровня точности:

-GINI – 83,9%;

-ROC-AUC – 91,9%;

-F1-score – 88%.

Ключевой проблемой управления продажами является отложенный эффект закрытия сделки, который не позволяет в моменте оценить производительность менеджера.

ML-модель выявила 621 значимых триггеров, которые показывают отличия эффективных и неэффективных КМ, что позволяет в моменте предсказывать эффективность КМ на горизонте 2 месяцев.

Третьим этапом стала валидация бизнес-смыла выявленных триггеров и внедрение в текущий процесс полученных инсайтов.

Разработанная модель стала алгоритмом для интеллектуальной системы управления (ИСУ). 22 триггера из числа выявленных легли в основу управленческой задачи руководителя.

ИСУ – это разработанный Сбербанком инструмент выявления отклонений в процессах/работе сотрудников, выставления задачи руководителю и контроля исполнения с помощью автоматизированных алгоритмов.

Алгоритм еженедельно прогнозирует потенциальную неэффективность КМ по итогам прошедшего периода и формирует руководителю задачу о необходимости скорректировать текущую деятельность сотрудника и содержит:

развернутую фактуру о работе сотрудника (блоки: дисциплина, производительность, эффективность ведения диалога, качество отработки задач, структура комплекта задач);

набор действий для устранения отклонений;

информацию о текущей конвертации и прогнозе продаж по активностям прошедшей недели.

Сопоставление диалогов эффективных и неэффективных КМ позволило:

-сформировать словари продающих/не продающих выражений и фраз;

-выявить слабые зоны в методологических материалах для дальнейшей корректировки; было пересмотрено более 40 скриптов;

-подтвердить гипотезу об эффективности презентации клиенту нескольких продуктовых предложений (но не более 3-х) в рамках одного контакта.

На четвертом этапе запущено пилотирование выставление отклонений в ИСУ на 2-х группах (33 сотрудника и 2 руководителя), период пилотирования - окт19 – янв20.

При подведении итогов пилота стало очевидно, что сотрудники пилотной группы показали стабильно высокие результаты:

-увеличение времени работы в целевых системах – в 1,6 раза;

-увеличение времени в диалоге с клиентом – в 1,5 раза;

-темп роста продаж – на 5% выше темпа системы в целом.

Модельный расчет эффективности проекта по результатам пилота составил 189 млн. рублей в год.

Было принято решение о тираже пилотного проекта на всех сотрудников «исходящей линии», а также адаптации модели для запуска пилотов на других линиях удаленных продаж Сбербанка.

В промышленную эксплуатацию выставление отклонений через ИСУ запущено с июля 2020 года. За квартал было сформировано более 200 задач руководителям для отработки с сотрудниками, что позволило получить дополнительные продажи на сумму 92 млн. рублей.

В ходе развития модели проведено 18 анализов, на основании которых было внедрено 22 глубинных изменения в методологию продаж – скорректированы скрипты и справочные материалы.

Нерезультативные звонки клиентам за март-апрель 2020 года сократились на 95%, что позволило получить прибыль в размере 71 млн. рублей в год за счет сокращения затрат на неэффективную деятельность, трафик и упущенные продажи.

Несмотря на сложную эпидемиологическую ситуацию в текущем году, сервис «Удаленные продажи» ЦКР показал повышение производительности на 115 % в 3Q20 по отношению к 3Q19 при целевых 108%.

Применение лучших практик и оперативное устранение ошибок приводит к повышению качества консультаций. Клиенты получают именно то, что им необходимо, понимая условия и важные детали. Это дало положительный эффект: сократились жалобы от клиентов на удобство и качество обслуживания. За 2020 год, в среднем, количество жалоб сократились на 13%. Это совокупный результат мероприятий по повышению качества обслуживания, и, в том числе, от внедрения ML-модели по повышению эффективности КМ. Руководители производства получили инструмент для детального анализа работы сотрудника, который позволяет легко выявлять отклонения даже в том, что раньше в огромном потоке информации просто ускользало от их внимания.

Внутри подразделений происходит развитие и поддержание риск-культуры за счет укрепления нормы соблюдения дисциплины при исполнении служебных обязанностей. Сотрудники понимают, что их действия мониторят и стараются придерживаться принятых норм.

Подход, отработанный в рамках данного проекта, стал основой для разработки типового метода решения бизнес-задач в ЦКР, который включает в себя следующие стадии:

-формулировка бизнес-задачи и определение критериев «хорошо/плохо»

-разметка фактуры сущностей (сущность – сотрудники/обращения/звонки/чаты/прочее) согласно определенным критериям

-агрегация цифровых следов, связанных с анализируемыми сущностями

-построение ML-модели, выявление значимых триггеров

-валидация бизнес-смысла выявленных триггеров

-встраивание выявленных инсайтов в регулярную деятельность через инструмент ИСУ

В настоящее время инструмент применяется в проектах:

-повышение эффективности КМ на каналах «входящий» и «партнерский» (пилот)

-повышение эффективности менеджеров направления «Внешнеэкономическая деятельность» разработка отклонения для ИСУ)

-увеличение количества вопросов клиентов, решенных на первом звонке (построение ML-модели).

Разработка метода стала значимым звеном в реализации стратегических целей развития ЦКР. Внедренные в ЦКР технологии являются одними из передовых на рынке. Они генерируют глобальные массивы данных. Мы смогли соединить разные системы и выявить потенциальные зоны роста, которые были недоступны ранее.

Нам удалось сформировать алгоритм, который подходит к анализу информации комплексно и превращает его результаты в производственную эффективность и оптимизацию процессов, и, как следствие, в прибыль для банка, экономию ресурсов и сокращение затрат.

Оценив наши возможности, владельцы банковских продуктов стали обращаться к нам для анализа обращений клиентов по своим продуктам. Мы научились определять не только общие тематики, но и анализировать, а также систематизировать конкретные вопросы клиентов, выявлять сложности, с которыми они сталкиваются. Такой анализ позволяет совершенствовать продукты на основе обратной связи клиента. С мая по октябрь 2020 года проведен анализ 28 продуктов, сформировано 64 предложения по оптимизации.

Мы затронули и ряд других процессов:

·оперативно выявляем звонки, в которых происходит разъединение с клиентом без логического завершения;

·находим резонансные и экстремальные диалоги;

·выявляем звонки с некорректным поведением сотрудников

Мы научились слышать сразу всех и каждого в отдельности, детально анализировать, выделять самое главное, быстро фокусироваться на узких местах и оптимизировать свои процессы за счет регулярной отработки выявляемых отклонений.

Наша технология наполняет цифры смыслом, помогает клиентам получать лучший сервис, а банку прибыль и новых клиентов.