Как банк ранжирует свои продукты под клиента — канон
Разбор агента «Раздуть» (legends/demo/work/product-ranking/). Повод: в легенде Алекса Чена ранкер — LLM.
| Компания | Что делают | Модель | Как доказывают |
|---|---|---|---|
| Monzo | какой продукт предложить клиенту | uplift-модель на продукт (T/S-learner, CausalML): насколько отклик с предложением лучше, чем без него; поверх — правило выбора между продуктами | три группы: случайное назначение, оптимизированное, контроль без сообщений |
| Т-Банк | офферы (кэшбэк), внедряют в продукты | единое представление клиента из всех событий: трансформер / HSTU по последовательности транзакций → эмбеддинг клиента → голова ранжирования; фреймворк Perseus | — ; отмечают: на хороших табличных признаках бустинг сильнее |
| Gojek | кросс-селл 20+ продуктов | матричная факторизация (ALS) клиент × продукт → скор склонности | полевой тест против случайной группы |
Канон
- Продуктов десятки — отдельный отбор кандидатов не нужен: скорят все пары клиент–продукт и сортируют.
- Главный вход — история поведения: транзакции, продукты, отклики на прошлые предложения.
- Модель: склонность (бустинг / факторизация) или uplift (прирост от предложения); тренд — единый эмбеддинг клиента.
- Поверх — слой решения: пороги, лимит коммуникаций, баланс продуктов.
- Доказательство — онлайн-эксперимент со случайным контролем, не только офлайн-метрики.
LLM как ранкер в разборах нет ни у кого. Для легенды: если оставлять LLM-ранкер, защищать сравнением с бустингом в A/B; канонично — бустинг или uplift.