Система рекомендаций банковских продуктов работает на основе алгоритмов, которые анализируют интересы пользователей и предлагают персональные решения. 3

Например, в «Сбере» рекомендательная система помогает отобрать те банковские услуги, которые заинтересуют клиента и которые он купит с большей вероятностью. 1 Для этого используют формулу: вероятность покупки × доход от продажи продукта = ожидаемый доход от каждого продукта. 1 Она решает две задачи: 1

1. Показывает, какой доход банк получит от продажи конкретного продукта. 1
2. Помогает отсортировать продукты по потенциальному доходу и определить топ предложений для каждого клиента. 1

В «Альфа-Банке» модель рекомендаций категорийного кешбэка работает с помощью нескольких алгоритмов машинного обучения: 3

1. Прогнозируют общие траты. 3 Модель анализирует траты за предыдущие месяцы и прогнозирует, сколько клиент может потратить в следующих. 3 Для обучения модели используют данные клиента, его кредитную историю, поведение в банке. 3
2. Прогнозируют траты в категории. 3 Целевой переменной выступают траты клиента в конкретной категории для прогноза базы начислений кешбэка. 3
3. Оптимизатор перебирает все возможные комбинации категорий и отсеивает те наборы, которые не соответствуют заданным критериям программы лояльности. 3
4. Выбирается наиболее привлекательный для клиента сет. 3 Здесь подключается модель интереса, которая рассчитывает совокупный интерес сета и оставляет один максимально интересный. 3

Существуют и другие подходы к работе рекомендательных систем, например, основанные на содержании, знаниях, демографических данных. 2