запуск проекта: Спасение клиентов — проект года в номинации ML в Т-Банк (ex. Тинькофф)
запуск проекта
·
сентябрь 2025
Друзья, держите историю моего главного карьерного достижения 2024 — спасения провального проекта и победы в корпоративной премии GLORY.
Апрель 2024. Команда сбоку работает над проектом с кодовым названием Решалы. Задача — разработать защитный алгоритм. Он должен алертить плохое обслуживание и подключать экспертов для персональной помощи. Звучит просто? Но два года ребята не могли сдвинуться с места.
Мне предложили возглавить направление и я с радостью согласился. Почему?
Во-первых, я понимал основные сущности в процессе и какие данные где лежат.
Во-вторых, это шанс разобраться в ML, в котором я ничего не шарю.
В-третьих, идеальный полигон для роста моих аналитиков — Кости, который грезил ML и был силен в матане, и Кати, которая хотела масштабную задачу и была сильна в бизнес-аналитике.
Лето 2024. Мы сфокусировались на главном — формализовали «целевую проблему». Описали алгоритм покраски и разметили много данных.
Дальше нащупали нужные параметры, и обучили модели детерминировано под тематики. Это сдвинуло проект с мертвой точки, научились системно находить пострадавших клиентов 🔥
А вокруг операционки выстроили аналитику и сервисы для комфортной работы.
Сентябрь 2024 — новый вызов: модели начали деградировать, а Костя уехал учиться в Мексику. Другие участники команды теряли мотивацию из-за неочевидного бизнес-результата.
Стало ясно — нужно быть ближе к людям.
Обсуждаю с женой переезд в Москву: «Хочу быть ближе к командам, шарить за актуальные изменения. С топами обсуждать тренды и цели. Я уверен, рядом смогу лучше реализовать свой потенцаил, и даже выиграть GLORY”
Мы решаемся! Я начинаю работать бок о бок в офисе с людьми, и это меняет всё. Загораюсь проектом еще сильнее, отмечаю крутость наших решений. Усиливаемся инженером, и достигаем перформа:
- Точность моделей на пике
- стабильная массовость, эксперты отлично решают боли клиентов
- клиенты счастливы, отличный результат!
Я номинирую команду на внутреннюю премию GLORY — аналог «Оскара» в Т-Банке. Вся Т-команда голосует за лучшие проекты уходящего 24 года. Финалисты и победители в центре внимания, с призами и легендарными статуэтками 😇
Подготовка заявки сплотила нас. Мы вышли из рутины, почувствовали азарт и драйв. Заряда хватило на недели вперед. Дальше подкрепляю мотивацию кружкой пива в баре. Затем дозревают цифры) И вот мы в победителях номинации «Технопионер» 🏆, суть которой в нестандартном применении ML на благо бизнеса.
Почему это важно?
Победа в GLORY — не просто статуэтка, а важная отметка в карьере. Это доказательство релевантного опыта через результат, который ты привносишь в этот мир. И который признан всей компанией.
А если интересно больше узнать о проекте и решениях, то велком в пост сетки. В нем делюсь инсайтами 😉
Пишите в комменты что бы вы еще улучшили и попробовали? Как разовьете идею дальше?) Облегчите жизнь будущему продакту, которого ищу на проект)))
· 28.09
Отличный проект. Даже на первичном обмысливании структур, уже виднеется ряд вопросов без ответа. Круто)
ответить
коммент удалён
· 28.09
Рома, привет! Спасибо за реакцию
Не понял про «вопросы без ответа», уточнишь ?
ответить
ответ удалён
· 28.09
Имею ввиду, что появляются вопросы, на которые быстро, ответ не найти: - Как понять что обслуживание "плохое"? - В какой момент оно стало "плохим"? - В какой момент подключать "эксперта"? И т.д
ответить
ответ удалён
· 30.09
Рома, привет! Завтра отвечу на вопросы 😉
ответить
ответ удалён
· 01.10
Рома, привет еще раз!
Наша задача - подключаться когда стандартный процесс не решает проблему клиента. На самом деле в 99% все идет как надо. Но наша ответственность - тот самый 1% сложных проблем.
С помощь совокупности метрик мы понимаем, что: а) проблема не решилась и клиент обращается много раз б) сотрудник, который сейчас работают с обращением, стопориться и начинает хаотично открывать системы/информацию в) проблема зависает на этапе, когда ожидаем информацию от партнеров или между отделов.
Самое главное — мы должны удостовериться, что проблема действительно застопорилась (здесь нас помогает валидироваться ручная разметка). И действия, которые предпринимает поддержка, не ведут к решению. И это зачастую связано с тем, что в таких нестандартных ситуациях просто нет выверенных регламентов. Сотрудник может такой кейс встретить раз за свой опыт и поплыть.
И на основе аналитических следов и ML-моделей нам удается находить такие ситуации. И замыкать их на сотрудниках, которые работают без регламентов и процедур с большим опытом и возможностью разбираться в кейсе детально и до конца.
ответить
ответ удалён