#кейсы #ML

ML System Design учит что начинать желательно с какого-н бейзлайна
Часто внедрение такого бейзлайна требует определенной наглости

Например, cамая простая стратегия ценообразования:

1. Поднимаешь цены всем клиенты (на дельту с небольшой окрестностью)
2. Возвращаешь нормальные тем кто жалуется / встал на лыжи
3. Обучаешь модель определения «нечувствительных к цене» (далекий предок эластичности — кривой-то у нас нет)
4. В дальнейшем повышаешь только им

А теперь наглость — как такой подход выглядит в отчете аудиторам:

Проблема: Ежедневный пересчет депозитных ставок по формуле (ETC - ФОР - АСВ - Opex - EVA) создает естественную волатильность, к которой клиенты уже адаптировались. Проведенный анализ клиентского поведения выявил сегмент, демонстрирующий низкую чувствительность к колебаниям процентных ставок. Для таких клиентов возможно применение пониженных ставок относительно рекомендованного казначейством уровня без риска оттока. При этом сохраняется возможность оперативной корректировки условий в случае изменения рыночной конъюнктуры. Данный подход позволяет оптимизировать стоимость фондирования, создавая дополнительный маржинальный доход, в то время как клиенты, для которых ставка остается ключевым фактором, продолжают получать конкурентные условия. Важно отметить, что подобная практика требует регулярного мониторинга клиентской реакции и своевременной адаптации параметров предложения.

Задача: снизить эффективную ставку по привлечению не допустив оттока клиентов и просадок в ликвидности.

Решение: На первом этапе был проведен эксперимент по сбору данных, в рамках которого выборочно предлагалась пониженная депозитная ставка для части клиентов. Это позволило сегментировать клиентскую базу на две группы: нечувствительных к изменению ставки (согласившихся на пониженные условия) и чувствительных (отказавшихся от предложения). На основе этих данных была построена Look-a-Like модель, которая выявляет клиентов с характеристиками, аналогичными нечувствительной группе. Для таких клиентов впоследствии применялась ставка ниже рекомендованной казначейством, что позволило оптимизировать стоимость привлечения ресурсов без потери клиентской базы. При этом сохранялся принцип прозрачности - клиенты заранее информировались о возможных колебаниях ставки, а сама модель регулярно пересматривалась с учетом новых данных о поведении клиентов. Такой подход создает баланс между доходностью для банка и приемлемыми условиями для лояльных клиентов, демонстрирующих низкую чувствительность к изменениям процентных ставок.

Деньги: удалось стат. значимо снизить эффективную ставку привлечения на 0.02%

На оборотах крупного банка за год — это сотни миллионов рублей