Как искусственный интеллект помогает Альфа-Банку вовремя пополнять банкоматы
И экономить на их обслуживании.
Мы давно привыкли к тому, что за любые товары и услуги можно расплатиться с помощью приложения в смартфоне. Наличные деньги почти перестали попадать к нам в руки напрямую. Но иногда они просто необходимы, и тогда обычно мы ищем ближайший банкомат.
Для самих банков банкомат — это источник и доходов, и расходов. Банкоматы приносят деньги, когда берут комиссии, принимая карты других банков, или выдают наличные с кредитных счетов. При этом, само содержание банкоматов оборачиваются для банков регулярными расходами и потерей заработка. Устройства требуют сопровождения и страхования, они изнашиваются, их перемещение и чистка также требует вложений. Каждый выезд инкассаторов, каждый пересчёт кассет и их загрузка в устройство связаны с тратами. Ко всему прочему, банк не может использовать деньги, которые находятся в банкомате, соответственно, не может на них зарабатывать: средства, залежавшиеся в устройстве, в итоге создают убыток. Список статей расходов у банкомата заметно более внушительный, чем список источников его дохода.
Альфа-Банку удалось обучить искусственный интеллект управлять загрузкой банкоматов наличными деньгами так, чтобы в устройствах всегда было достаточно купюр для клиентов, а у самого банка получалось экономить на их обслуживании. Рассказываем, как это работает.
Как создавали и обучали модель
На протяжении многих лет в банке существовала своя система обслуживания банкоматов: на основе статистических данных вычисляли средний денежный оборот банкомата на каждый из дней недели. Исходя из данных о снятии и внесении денег, опредилялась сумма, которую нужно было заложить в банкомат. После этого в банке готовили кассеты с купюрами, а инкассаторы развозили их по банкоматам.
Перед специалистами аналитического центра Альфа-Банка стояла задача при помощи искусственного интеллекта подобрать оптимальную сумму и время загрузки наличных для каждого банкомата. Эти расчёты, по задумкам разработчиков, должны позволить банку экономить на содержании устройств, при этом не допуская нехватки в них денег.
Для расчётов использовали данные RCL-банкоматов в Москве. Это тип банкоматов, которые работают и на выдачу наличных, и на пополнение. На основе исторических данных о внесении и снятии наличных в банкомате, специалисты создали две модели машинного обучения: модель прогноза сумм снятия и модель прогноза сумм внесения. Получив при помощи моделей машинного обучения эти прогнозы, рассчитываются наилучшие варианты инкассации при помощи оптимизатора. Он учитывает в том числе такие параметры, как остатки в банкоматах к концу дня, стоимость инкассации и пересчёта наличных денег в кассетах.
Для построения качественного прогноза команда перебрала несколько математических моделей, которые работают с предсказаниями временных рядов: Sarima, Arima и Prophet. Они помогают структурировать собранный в разные временные статистический материал о значении параметров.
«У этих моделей минимальный порог входа по данным, и поначалу этого было достаточно. Но их качество нас устраивало не до конца, поэтому мы пошли в генерацию фичей. Из тех данных, которыми мы располагали, мы начали генерировать данные, которые описывают поведение конкретного временного ряда. В основном, это агрегационная статистика: день недели, месяц, праздник или будний день, сколько снимали и вносили в банкомат в тот или иной день на протяжении последних нескольких месяцев. Это стандартные признаки для моделей Time Series»
При помощи этой информации обучили модель CatBoost. Эта модель умеет обучаться на мультирегрессионном таргете, поэтому специалисты могут построить прогноз на 14 дней вперёд.
Далее в дело вступает оптимизация. Этот процесс использует полученные прогнозы по снятию и внесению наличных денег в банкомат и перебирает все возможные варианты, когда в течение 14 дней нужно инкассировать банкомат. Алгоритм в итоге выбирает вариант с наименьшими затратами банка на обслуживание, но обязательно так, чтобы клиенты всегда могли получить наличность в банкомате.
В ходе обработки результатов оптимизации учитывается также множество других условий — график работы банкомата, количество листов, загружаемых в кассету. При обнаружении нарушений производятся дополнительные проверки и ребалансировка.
Оптимизатор просчитывает до 16 000 вариантов инкассации для каждого отдельного банкомата на две недели вперёд. Расчёты для 50 банкоматов занимают около 20 секунд. В результате для каждого банкомата дата-центр получает точный и индивидуальный план по инкассации на одну неделю вперёд.
Прошлым летом специалисты провели пилотный запуск сервиса в естественных условиях, но в ограниченном объёме. За два с половиной месяца только по результатам А/Б-тестирования при помощи модели оптимизации удалось сократить издержки на семь процентов.
«Эффект от применения CatBoost и оптимизатора есть, и он ощутим. Однако контроль со стороны человека всё ещё играет большую роль из-за сложности прогнозов и из-за того, что система пока не работает онлайн. Также мы периодически улучшаем оптимизатор и добавляем новые параметры».
В этом году продолжается тестирование моделей и оптимизатора. Специалисты дата-центра планируют увеличивать количество банкоматов, для которых прогнозы будет составлять искусственный интеллект. Уже сейчас в этом процессе участвуют более 120 банкоматов в Москве.