罗斯天然气工业银行副总裁兼数据分析与建模部主管 Maria Kosareva 向我们讲述了她如何使用内部开发的 ML 模型将应用程序成本降低 21%。
— 现有广告活动的缺点是什么？是什么促使您开发自己的 ML 模型？
标准的效果营销包括通过上下文广告工具、社交媒体营销 (SMM) 和其他渠道与已有需求的受众合作。例如，银行会付费，以便当您搜索“我想贷款”时，搜索引擎中会显示指向其网站的第一个链接。或者，他们会在您访问的几乎每个网站上放置“追赶式”横幅广告，让您眼角余光都能看到。
这种定位的原理众所周知——在 Yandex，这些通常是自动策略，旨在最大化网站访问量或横幅广告点击量。同时，Yandex 并不了解银行的内部运作方式——也就是漏斗的后续阶段——它的最大任务就是将算法认为是目标的用户引导到网站。
该工具价格昂贵，使用回报却很小——大多数情况下，要么人们拒绝该产品，要么银行不批准该申请。
此外，银行还必须为不相关的查询或 电话号码收集 不合适的受众付费——搜索引擎会将我们的广告展示给那些对我们银行服务不感兴趣的用户，反之亦然，展示给那些最终不会获得贷款批准的用户。输入此类数据很难优化贷款审批率和发放率。
因此，我们决定与承包商合作开发自己的 ML 模型，以提高上下文广告设置的准确性——关注那些不仅出于纯粹的好奇心点击横幅，而且还会经历所有审批阶段并更有可能获得贷款的人。
— 与承包商的互动方案是什么样的？
— 使用承包商的像素，我们收集有关访问我们银行网站的客户的几种类型的信息：他们的兴趣、有关他们使用的设备的数据以及浏览器历史记录。
承包商利用这些信息创建客户档案并将其发送给银行。我们则利用访问过我们网站的用户数据来训练模型，将申请和初步批准作为目标操作，并将其发送给承包商。输出结果如下：具有特定兴趣、使用特定设备、访问特定网站的人最有可能成功完成整个信贷流程。