FX и CFD-брокеры используют ИИ для прогнозирования ценности клиента, вовлечённости и оттока, поскольку растущие затраты на привлечение и регуляторное давление подталкивают отрасль к уходу от онбординга на основе объёма в сторону квалификации клиентов по поведению. Прокаш Бхудия, Chief Growth Officer в Deriv, и Иван Кунянкин, руководитель команды Data Science в Devexperts, рассказали Finance Feeds, что брокеры теперь приоритизируют ранние сигналы намерения — включая скорость пополнения, использование демо-счёта и завершение первой сделки — вместо традиционных метрик вроде стоимости лида и первых депозитов. Этот сдвиг отражает растущее понимание того, что меньший по размеру, но квалифицированный поток клиентов превосходит высокообъёмные воронки, создающие операционную нагрузку, ухудшающие удержание и повышающие риски комплаенса. Deriv автоматизировала 97,4% выводов средств клиентов к июню 2026 года и использует ИИ-модель на 90 дней, которая выявляет 68% будущих клиентов с высокой ценностью, тогда как Devexperts предупреждает, что статическая сегментация по географии или уровню депозита не позволяет надёжно отделить серьёзных трейдеров от случайных пользователей. Руководители отрасли утверждают, что привлечение стало скорее первым шагом, чем всей стратегией: поведение после онбординга теперь формирует продуктовые и маркетинговые решения на платформах розничной торговли.
Deriv смещает фокус с объёма на поведение после онбординга
Прокаш Бхудия, Chief Growth Officer в Deriv, сообщил Finance Feeds, что брокеры отслеживают стоимость лида и метрики первого депозита, но считают пост-онбординговую активность более показательным индикатором отношений с клиентом. Бхудия отметил, что компания анализирует, возвращаются ли клиенты без дополнительных стимулов, и выглядят ли торговые паттерны устойчивыми, а не поведением после одного депозита. Deriv группирует клиентов в категории active, at-risk, dormant или churned и реагирует на каждую группу по-разному. Бхудия назвал стабильные первые выводы важным фактором доверия для новых клиентов, отметив, что Deriv автоматизировала 97,4% выводов средств к июню 2026 года. Он добавил, что пожизненная ценность — приоритет внутреннего планирования роста, а не ретроспективная метрика. Бхудия описал привлечение как первый шаг, при котором активность после регистрации формирует продуктовые и маркетинговые решения.
Раннее пополнение и использование демо-счёта — сигналы клиентского намерения
Бхудия отметил, что первые дни после регистрации отделяют намерение от любопытства. Он назвал скорость и объём пополнения самыми сильными ранними сигналами, заявив, что клиенты, которые быстро переходят от регистрации к внесению значимых сумм, гораздо вероятнее станут клиентами с высокой ценностью. Активность на демо-счёте до выхода в реальный режим — следующий по силе сигнал: клиенты, практикующиеся до внесения средств, удерживаются лучше тех, кто пропускает демо. Завершение первой сделки — критический индикатор, поскольку клиенты, торгующие хотя бы раз, гораздо чаще формируют устойчивые привычки, чем те, кто пополняет, но не торгует. Deriv запускает модель на 90 дней, которая с помощью этих сигналов выявляет 68% будущих клиентов с высокой ценностью. Компания наращивает более насыщенные поведенческие данные, включая активность в приложении, использование функций и время на платформе, чтобы улучшать модель. Бхудия подчеркнул, что скорость — главный индикатор намерения против любопытства.
Поведенческая сегментация заменяет статические уровни
Бхудия отметил, что сегментация вышла за рамки географии и размера депозита: он охарактеризовал это как демографию, «одетую» под сегментацию. Подход Deriv изучает паттерны вовлечённости, ответы на обучение и связь активности с промо-акциями. ИИ-движок для «выращивания» клиентов (nurture) и агент AI-персона обрабатывают клиентов по актуальным профилям поведения, а не по статическим уровням, зависящим от суммы депозита. Бхудия предупредил, что не стоит слишком быстро списывать клиентов, пришедших за бонусами: некоторые из них становятся топ-трейдерами спустя восемнадцать месяцев. Он отметил, что размер депозита показывает возможности, но не намерение, и эти вещи часто ошибочно воспринимают как одно и то же. Бхудия подвёл итог: крупный первый депозит показывает, на что человек способен, но не то, что он будет делать.
Внедрение ИИ требует переработки процессов
Бхудия признал, что ИИ помогает некоторым брокерам улучшать качество воронки, но большинство отрасли опирается на статическую сегментацию по географии, уровню депозита и каналу привлечения. Он отметил, что передовые брокеры используют ИИ для обслуживания клиентов в реальном времени, а не только для маркировки. Персонализационный слой Deriv создаёт AI-персонализированные письма, которые работают в 2–2,5 раза лучше, чем универсальные кампании. Поддерживающий агент Amy обрабатывает значительную часть взаимодействий с клиентами по всему миру после того, как Deriv перестроила её рабочий процесс с нуля, а не просто автоматизировала старые скрипты. Бхудия отметил, что добиться этого было сложно, потому что то, что работает на бумаге, может не сработать на практике. Он заявил: технология есть, но разрыв в том, смогут ли компании перестроить процессы под возможности ИИ, а не просто добавить ИИ поверх существующих систем до эпохи ИИ.
Devexperts связывает качество клиента с удержанием, а не с объёмом привлечения
Иван Кунянкин, руководитель команды Data Science в Devexperts, рассказал Finance Feeds, что брокеры всегда фокусировались на привлечении и удержании трейдеров, но конкуренция усилилась. Он отметил, что пандемия увеличила время, проводимое дома, и расширила розничный сегмент трейдинга, а развитие технологий и ИИ усложнило для традиционных брокеров конкуренцию с новыми предложениями. Кунянкин добавил, что эти факторы привели к заметному сдвигу в сторону построения более долгосрочных отношений и удержания сильной базы клиентов с высокой ценностью. Он объяснил, что инструменты с ИИ, такие как профилирование пользователей DXtrade от Devexperts, используют реальные данные для определения информации о клиенте относительно скоро после присоединения. Сроки зависят от объёма торговой активности, а не от календарного времени: системы могут начать формировать профили после определённого числа сделок. Образ поведения можно начать «лепить» уже после нескольких сделок, хотя более длительные периоды наблюдения повышают точность прогнозов.
Внезапные изменения активности указывают на риск оттока
Кунянкин отметил, что разные брокеры по-разному определяют предсказываемое поведение клиентов в зависимости от продуктов, целей, географии и регуляторных требований. Devexperts обнаружила, что быстрые изменения поведения — сильный индикатор оттока. Он привёл пример: спящий трейдер внезапно становится очень активным, часто заходит в аккаунт и продаёт позиции — это вероятные сигналы намерения уйти. Он отметил, что стабильная, последовательная торговля или взвешенное поведение с самого начала чаще предсказывают долгосрочную ценность. Кунянкин подчеркнул, что статические фильтры и эвристики не могут точно отделить перспективных клиентов с высоким намерением от случайных или «бонусных» пользователей, предостерегая от чрезмерной оценки ранних депозитных действий. Он добавил, что брокерам нужны продвинутые решения, использующие поведенческие данные для точных и тонких оценок на ранних этапах. Кунянкин отметил, что AI-фреймворки, анализирующие большие объёмы данных трейдеров, могут быть крайне эффективными для прогнозирования исходов.
