Как Росбанк использует искусственный интеллект для розничной сети

    10 апреля

Уровень ожиданий клиентов, как настоящих, так и потенциальных, сейчас настолько высок, что развитие розничной сети без внедрения принципиально новых технологий просто невозможно, считает первый заместитель председателя правления Росбанка Арно Дени. В колонке для FutureBanking он рассказывает, как банк внедрил машинное обучение для выбора оптимального расположения отделений.

Задачи по открытию новых отделений и оценке эффективности расположения существующих офисов требуют совершенно нового, современного подхода. Мы в Росбанке это отчетливо осознаем, поэтому приняли решение об оптимизации процесса открытия и релокации отделений, вследствие чего мы обратились к специализирующейся на геомаркетинге компании Marketing Logic. Специалисты предложили нам большое количество переменных, использование которых позволяет на выходе получить максимально точный результат, а также обширную экспертизу, позволившую начать применение искусственного интеллекта для решения широкого круга наших задач.

Мы внедрили систему искусственного интеллекта с использованием современных методик машинного обучения, которая способна накапливать опыт и самообучаться на основании регулярно поступающих бизнес-данных. Собрав определенный массив информации и накопив опыт, система начинает предлагать для развития бизнеса более совершенные варианты и, что принципиально важно для нас, аргументирует их. С помощью таких технологий мы рассчитываем добиться увеличения эффективности работы офисов на новых локациях, а также значительного прироста клиентской базы.

С технической точки зрения, модель оценки потенциала локаций построена при помощи машинного обучения, алгоритм – Gradient Boosting. Всего при первоначальной настройке системы было доступно более 250 влияющих на конечный результат переменных, которые можно разбить на 3 основные группы:

1) Гео, или характеристики, отвечающие за местоположение, к которым можно отнести: расстояние до центра, расстояние до ближайшего метро, цена за квадратный метр и другие. Данные характеристики позволяют модели различать рабочие и жилые зоны и понимать ориентацию относительно соседних точек.

2) Трафик – дополняет первую группу и дает модели понимание динамики трафика в данной точке. Это позволяет более четко разделять точки внутри кластера (например, на окраинах города). В модели учитываются количество маршрутов наземного транспорта в разных радиусах от локации (100 метров, 1000 метров и т.д.).

3) Объекты – эта группа характеристик позволяет модели оценивать локацию с точки зрения наличия в радиусе от неё определенных объектов и конкурентов. Самыми важными из них являются: торговые центры, бизнес-центры, дома, банки.

Среди всех переменных мы выбрали наиболее значимые для нас, характеризующие население, его благосостояние и различные виды трафика (общий, деловой, целевой). Значимость параметров обусловлена историческими и текущими показателями банка на уровне каждого отделения.

Для тестирования модели было сделано разделение на обучающую и тестовую выборки (методом кросс-валидации с 4-мя разбиениями). Традиционно тестовую выборку модель не видела, а после обучения на этой выборке делались прогнозы. Критерием качества была выбрана метрика r2 (R-квадрат, коэффициент детерминации), который можно интерпретировать как соответствие модели данным. На результатах теста модель показала r2=0.86, что является хорошим показателем.

Благодаря внедрению новой системы оценки потенциала локаций, анализа гео-данных, учета текущего проникновения и гравитационной модели конкурентов уже в ближайшие несколько лет мы планируем значительный прирост финансовых показателей работы сети отделений. За счет открытия офисов в локациях с наибольшим потенциалом мы также ожидаем прирост клиентской базы массового и премиум сегментов.

 

Источник: FutureBanking

Подписка на новости