“Сокол” — AutoML-система кассового процессинга в точках продаж и банкоматах банка

Создать инструмент, который позволит эффективно:

• прогнозировать поток и остатки наличных в точках продаж и банкоматах

• оптимизировать суммарные затраты на обеспечение наличными деньгами точек продаж и банкоматов

2024

В результате перехода на решение «Сокол» появилось больше возможностей для кастомизации решений для банка, а также повысилась точность прогноза.

Сейчас решение находится на этапе масштабирования на все банкоматы ВТБ, которых насчитывается более 15 тыс., на 1,5 тыс. точек продаж, а также присоединенных банков («Открытие» и др.).

Да

1.   Jupiter Notebook,

2.  open-source библиотеки:

• Numpy

• Sklearn

• Pandas

В проекте не используются решения из каталога Global CIO

Решение позволяет учесть индивидуальные особенности каждой точки продаж и банкомата, его тестирование еще по результатам пилотного проекта продемонстрировало высокую точность прогнозирования и лучшие по сравнению с предыдущим поколением решений результаты работы.

Главная сложность решения заключается в том, что каждый банкомат обучается на собственных данных. Для этого недостаточно одной разработанной модели, но при этом использование ансамбля моделей позволяет быть уверенным в адекватности прогнозов.

Разработанное решение позволяет учитывать нетипичные случаи без добавления дополнительных статических «фичей» для каждого отдельного банкомата.

AutoML-система “Сокол” автоматизирует прогнозы на горизонте 2-х недель на исторических данных, позволяя избежать ситуаций с нехваткой или избытком наличности в точках продаж и банкоматах.

Моделирование состоит из двух частей:

1.   Прогнозирование объема денежных средств, которые внесут и снимут клиента банка за ближайшие 2 недели, а также расчет максимальной «просадки» в течение дня

2.  Анализ покупюрного строения наличной денежной массы в банкоматах

Кроме того, в моделировании учитывается тип банкомата, контрактные обязательства (например, по выплате денежных средств в рамках масштабного зарплатного проекта) и календарные особенности.

Следующий этап — оптимизация. Промышленный оптимизатор — технологическое решение для оценки эффективности и оптимизации бизнес-процессов, который позволяет выстраивать оптимальные стратегии на основе анализа больших данных. Алгоритм оптимизации для банкоматов был написан в партнерстве с МФТИ и способен выдерживать высокие нагрузки.

Сейчас решение находится на этапе масштабирования на все банкоматы ВТБ, которых насчитывается более 15 тыс., на 1,5 тыс. точек продаж, а также присоединенных банков («Открытие» и др.).

 Под капотом

В ансамбле — десятки тысяч моделей, в которых применяется случайный лес для регрессии.  Такой подход позволяет учесть индивидуальные особенности каждого банкомата в модели, а также не допустить переобучение. Модели дообучаются каждые две недели, а каждые два месяца происходит подбор новых гиперпараметров, например, количество деревьев в случайном лесу.

Кроме того, происходит детрендирование данных, при котором они приводятся к текущему уровню инфляции, а также учитывается тенденция клиентов к снятию большего количества денежных средств, чем, например, три года назад. Это позволяет точнее предсказывать спрос и определять актуальные клиентские потребности. 

А также ежедневно проводится детекция аномалий. Для новых или для тех банкоматов, которые поменяли свое местоположение, используется алгоритм «холодного старта»: происходит переподбор выборки для обучения алгоритмов.

С переходом на решение «Сокол» появилось больше возможностей для кастомизации решений для банка, а также повысилась точность прогноза.

РФ