Модель пополнения: как ИИ помогает Альфа-Банку эффективно обслуживать свои банкоматы

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 оборачивается для банков регулярными расходами и потерей заработка. Устройства требуют сопровождения и страхования, они изнашиваются, их перемещение и чистка также требуют вложений. Каждый выезд инкассаторов, каждый пересчет 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.

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, определялась сумма, которую нужно было заложить в банкомат. После этого 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 расчеты, по задумкам разработчиков, должны были позволить банку экономить на содержании устройств, при этом не допуская нехватки в них денег.

Для расчетов использовали данные RCL-банкоматов в Москве. Это тип банкоматов, которые работают и на выдачу наличных, и на пополнение. Основываясь на исторических данных о внесении и снятии наличных в банкомате, специалисты создали две модели машинного обучения: модель прогноза сумм снятия и модель прогноза сумм внесения. Полученные прогнозы позволяют рассчитать наилучшие варианты инкассации при помощи оптимизатора. Он учитывает в том числе такие параметры, как остатки в банкоматах к концу дня, стоимость инкассации и пересчета 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 ряды 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, — рассказывает Евгений Гаврилин, руководитель направления интеллектуального анализа данных банка. — 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»

При помощи этой информации обучили модель CatBoost, настроенную на мультирегрессионный таргет — работу с несколькими разнородными переменными, благодаря чему специалисты могут построить прогноз на 14 дней вперед.

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 вперед. Расчеты для 50 банкоматов занимают около 20 секунд. В результате для каждого банкомата дата-центр получает точный и индивидуальный план по инкассации на одну неделю вперед.

Прошлым летом специалисты провели пилотный запуск сервиса в естественных условиях, но в ограниченном объеме. За 2,5 месяца только по результатам А/Б-тестирования при помощи модели оптимизации удалось сократить издержки на 7%.

«Эффект от применения CatBoost и оптимизатора есть, и он ощутим, — отмечает Мария Степанова, специалист по интеллектуальному анализу данных банка. — Однако контроль со стороны человека все еще 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.