Центр продвинутой аналитики: 10 команд Альфа-Банка для работы с данными

Десять команд

ЦПА был создан за счет объединения разных команд, которые работали над моделированием в банке. Это позволило эффективно и прозрачно распределять ресурсы и не дублировать одни и те же функции.

Сейчас в Центре десять самостоятельных команд, в которых работает 250 человек. По сравнению с началом 2021 года количество сотрудников увеличилось более чем в пять раз. При этом некоторые отделы внутри ЦПА не создают самостоятельные финансовые сервисы, но вносят огромный вклад в общую работу, например, без них не могут существовать дата-сайентисты.

Чем занимаются разные подразделения ЦПА Альфа-Банка

MLOps

Одна из самых многочисленных команд в составе ЦПА с миссией превращать передовые AI-технологии в рабочие инструменты для Альфа-Банка.

Команда не просто внедряет модели искусственного интеллекта в работу сервисов банка, а создает инфраструктуру, в которой ИИ постоянно развивается и учится с помощью автоматического машинного обучения (AutoML) и улучшает клиентский опыт.

Команда одной из первых на рынке применила инструмент объединения нескольких моделей в каскад, что в три раза сократило время их внедрения в бизнес-процессы Альфа-Банка.

Источники данных

Направление отвечает за поиск, подготовку и подключение внутренних источников информации Альфа-Банка. Специалисты команды тесно сотрудничают с дата-сайентистами, обеспечивая их необходимыми данными для решения различных бизнес-задач. Например, для улучшения кредитных рисковых моделей, прогнозирования клиентского поведения или разработки персонализированных предложений.

Инжиниринг данных

Управление инжиниринга данных занимается тщательным отбором признаков для обучения и работы моделей ИИ, а также контролирует качество данных. Другая важная функция команды — перенос данных из разных источников в единое хранилище, которое впоследствии используют модели Центра продвинутой аналитики.

Разметка данных

Основная задача команды разметки данных заключается в подготовке данных для обучения и мониторинга моделей. В том числе команда просматривает огромное количество сообщений клиентов и корректно классифицирует их в соответствии со смыслом и категорией запроса. На основе этих данных дата-сайентисты обучают новые и дорабатывают уже существующие в банке нейросети. Работа разметчиков и AI-тренеров помогает совершенствовать и контролировать качество работы ботов и ассистентов. Первые отвечают на вопросы клиентов, вторые — помогают операторам колл-центра быстрее и эффективнее выполнять свою работу. Такой объем задач требует соответствующих ресурсов: команда уже насчитывает почти сто специалистов.

Аналитика качества моделирования

Подразделение состоит из двух команд. Первая отвечает за мониторинг и оценку качества моделей машинного обучения — модели склонны к естественной деградации и нуждаются в постоянном обновлении. Благодаря этому бизнес понимает, что происходит с его моделью, насколько изменения критичны для его текущих задач и нуждается ли модель в перестройке.

Вторая команда занимается A/Б-тестированием, которое помогает оценить ценность моделей для бизнеса в деньгах или других метриках.

Хаб розничного бизнеса

Занимается разработкой моделей машинного обучения и искусственного интеллекта, которые помогают в работе с физлицами. Инструменты команды позволяют всесторонне изучить клиента. Например, чтобы сделать подходящее кредитное предложение, модели могут оценить уровень его постоянного дохода, чтобы подобрать персональный лимит и ставку по кредиту. За 2024 год прогнозная прибыль, которую банк получает от работы моделей, составила более 10 миллиардов рублей.

Хаб юридических лиц

Помогает совершенствовать бизнес-процессы в сегменте обслуживания корпоративных клиентов. Команда хаба повышает качество клиентского опыта, снижает операционные издержки и отвечает за всестороннюю оценку контрагентов. В работе используются транзакционный анализ, поиск закономерностей в больших массивах данных и построение «цифровых портретов» компаний. На их основе специалисты создают:

• модели склонности клиента к продуктам банка — рассчитывают вероятность покупки каждого продукта и определяют оптимальный момент для предложения;
• рекомендательные системы — подбирают наиболее релевантные продукты и их параметры, задавая персональные условия по цене, лимитам и срокам;
• прогнозы рисков и ожидаемой доходности для потенциальных и действующих компаний-клиентов;
• CLTV-модели — прогнозируют пожизненную ценность клиента и помогают ранжировать приоритеты в работе.

Эти решения уже дают ощутимый экономический эффект: на хаб приходится до 15% совокупной выручки блока «Малый и микробизнес» Альфа-Банка — и это лишь результаты, которые поддаются точному измерению.

Хаб «Риски»

Команда обеспечивает Дирекцию рисков инструментами для принятия решения о выдаче кредита и определения его параметров: сумма, срок, ставка. Среди них модели для оценки вероятности дефолта клиента, прогнозирования баланса на определенную дату и даже предсказания суммы, которую банк сможет получить, если кредит не будет возвращен полностью.

Модели рисков используются для расчета резервов и капитала банка. Модели настолько точны, что Альфа-Банк после проверки Банка России стал одним из трех первых банков в стране, которым разрешили рассчитывать капитал не по стандартным нормативам, а на основе собственных прогнозов. Благодаря этому банк сэкономил десятки миллиардов рублей капитала.

Хаб «Общекорпоративные функции»

Работает над оптимизацией внутренних процессов Альфа-Банка и интегрирует машинное обучение в HR, маркетинг, цифровой бизнес, комплаенс, кибербезопасность.

Например, модели машинного обучения помогают в процессах найма и удержания сотрудников, оптимизации рабочих графиков, распределения нагрузки на колл-центр и повышения удобства банковских сервисов. Одна из моделей позволила оптимизировать доставку банковских продуктов клиентам, благодаря чему удалось отказаться от стороннего решения.

Лаборатория машинного обучения

Команда, главная задача которой — применять наиболее передовые методы моделирования в различных банковских процессах. Это позволяет улучшать качество банковских сервисов и услуг, упрощать и ускорять работу сотрудников Альфа-Банка, уменьшая объем рутинных операций.

Нейросети, разработанные Лабораторией, анализируют последовательные данные, например, платежи по картам, кредитные истории и клики в приложениях. Все это позволяет прогнозировать события — от вероятности дефолта до следующей покупки клиента — и дает бизнесу возможность принимать более эффективные решения.

В 2023 году внутри Лаборатории было создано отдельное подразделение с фокусом на обработку естественного языка (NLP). С помощью созданных им лингвистических моделей удалось существенно улучшить процессы работы с текстом в чат-ботах и других задачах, где важно понимать и быстро отвечать на запросы клиентов, как внешних, так и внутренних.

Над чем команды работают вместе

Для некоторых продуктов банка требуется совместная работа всех команд Центра продвинутой аналитики. Таким, например, стал проект автоматизированного машинного обучения (AutoML).

Со временем способности моделей машинного обучения и искусственного интеллекта ухудшаются. Их требуется обучать заново, что трудно и дорого из-за активного вовлечения аналитиков данных. В Альфа-Банке решили автоматизировать этот процесс и создали первую в России систему переобучения внедренных в эксплуатацию моделей — Retrainable AutoML Framework.

Система повысила среднегодовое качество моделей на 19% и сэкономила почти миллиард рублей на переобучении.

Кроме того, ЦПА удалось высвободить время аналитиков данных и инженеров машинного обучения, а также избавить от этих задач больше половины дата-сайентистов. А это, в свою очередь, помогло ускорить многие процессы и расширить число и спектр решаемых ими задач.

«Российский финтех — лучший в мире, и мы рады, что наши разработки в области искусственного интеллекта позволяют делать опыт клиентов Альфа-Банка комфортнее, полезнее и безопаснее. Вместе с нашими бизнес-подразделениями продолжаем создавать будущее», — уверен Алексей Каширин, директор Центра продвинутой аналитики Альфа-Банка.