Машинное обучение: кейсы применения в российских банках

Искусственный интеллект, как принято сейчас называть некоторые методы машинного обучения, за последний год сделал существенный шаг вперед в российских банках. FutureBanking приводит некоторые примеры его применения.

В Сбербанке направление машинного обучения и искусственного интеллекта развивается в рамках Центра технологических инноваций с 2013 года. Как рассказал FutureBanking Алексей Винниченко, директор проектов Центра, главная цель этого направления – создание новых интеллектуальных продуктов и сервисов как для внутреннего, так и для внешнего клиента, а также оптимизация банковских процессов с использованием технологий машинного обучения.

В среднем за год в Сбербанке делается порядка 20 успешных пилотов совместно с функциональными блоками банка. Результатом каждого такого пилота является MVP, дальнейшее развитие которого – промышленный тираж. Кроме этого, завершаются работы по созданию инфраструктуры как части новой банковской платформы Сбербанка, которая позволит упростить вывод решений на базе технологий машинного обучения в промышленный тираж и сократить time to market. Про области примененияискусственного интеллекта в банке совсем недавно рассказывал Герман Греф.

По словам Германа Грефа, к 2020 году ИИ будут использовать во всех корпорациях, и практика это подтверждает – уже сейчас машинное обучение применяется не только в Сбербанке.

Машинное обучение для повышения продаж В Банке «УРАЛСИБ» машинным обучением начали заниматься в середине 2016 года, когда формировали новую команду.

«В настоящее время банки конкурируют в области анализа клиентских данных, стараясь выявить конкретные потребности клиентов. Им нужно максимально оперативно подключить необходимые коммуникации и предложить клиенту конкретный, подходящий именно ему, продукт. Для выявления потребностей используются методы машинного обучения и модели склонности к потреблению того или иного продукта, а для повышения эффективности коммуникаций внедряют специализированные модули кросс-продаж – они позволяют контактировать с клиентом в режиме реального времени», – рассказывает Светлана Шмыкова, руководитель департамента электронных продаж и сервисов Банка «УРАЛСИБ».

Модели склонности к потреблению продукта помогают Банку «УРАЛСИБ» разделить клиентов на группы с точки зрения вероятного отклика на продуктовое предложение, метод классификации – разделить клиентов на определенные классы. Кроме того, банк выполняет мониторинг транзакционной активности клиента. Например, при снижении числа покупок по дебетовым или кредитным картам клиент попадает в класс с высокой вероятностью оттока. При изначально неопределенных классах разделить объекты на кластеры позволяет метод кластеризации. Он заключается в выделении клиентских сегментов с уникальным сочетанием характеристик по набору продуктовых параметров.

Для повышения качества моделей в банке «УРАЛСИБ» используется несколько методов машинного обучения – нейронные сети, случайный лес, градиентный бустинг. Эти методы уже позволили улучшить модели склонности приобретения потребительского кредита и кредитной карты на 10-12% по сравнению с классической логистической регрессией.

Машинное обучение в коллекторской деятельности В Бинбанке решение о внедрении моделей на основе методов машинного обучения было принято в феврале 2017 года. Уже первые результаты пилотного проекта показали существенный прирост качества моделей в сравнении с традиционно используемыми в российской практике моделями на основе логистической регрессии.

«Наиболее существенный эффект от внедрения методов ML мы рассчитываем получить в розничном взыскании. Ограничения, накладываемые законом №230-ФЗ на частоту контактов с заемщиками, создают отличные предпосылки для оптимизации. На начало 2017 года показатели эффективности розничного взыскания Бинбанка, согласно независимому бенчмаркингу, находились на уровне лидеров российского рынка, однако, классические методы сегментации, применяемые в банке, исчерпали свои возможности. Применение ML-моделей позволило нам существенно повысить эффективность. На некоторых ML-моделях мы получили прирост коэффициента gini с 65% до 82%», – говорит Вадим Ковалев, заместитель руководителя блока рисков и комплаенса Бинбанка.

Наилучшие результаты, по данным Бинбанка, показывают ансамбли из моделей, построенных методом градиентного бустинга с оптимизацией гиперпараметров. Построенные модели демонстрируют хорошее качество и стабильность, а организация ансамблей позволяет создавать комбинации некоррелирующих предикторов, например, баллов от различных вендоров. К тому же, применение методов ML позволяет максимально эффективно задействовать объемы данных банка и отказаться от семплирования. Немаловажным преимуществом является самообучаемость моделей, то есть способность перестраиваться с получением новых данных.

Очень интересные результаты показали так называемые uplift-модели, которые не только позволяют выбрать лучшее следующее действие, но и отказаться от отработки до половины клиентов на ранних стадиях без потери эффективности.

«Мы планируем перевод всего цикла разработки и внедрения моделей на машинное обучение. Ожидаемый эффект от внедрения ML-моделей, по нашим расчетам, составляет не менее 1 млрд руб. в течение 2018 года», – заявил Вадим Ковалев.

Машинное обучение в скоринге В ВТБ, как сообщили FutureBanking в пресс-службе банка, ведутся эксперименты с машинным обучением в традиционных приложениях (рисковый скоринг, модели отклика и т.д.). Главные точки роста в разрешающей способности моделей банк видит в утилизации и генерации новых внутренних данных о клиенте. Этот подход уже показал себя очень хорошо: рост по некоторым направлениям составил 5-9 п.п. коэффициента gini.

В Банке «УРАСЛИБ» градиентный бустинг также показал наилучший и стабильный во времени результат по индексу gini – до 85%.

Хотите узнать больше о возможностях машинного обучения для повышения эффективности банка? Приходите 23 ноября на форум FinMachine 2017! Регистрация и программа: http://finmachine.ru

Эта статья была разослана 3610 людям, которые подписались на тему «Инновации»

Чтобы подписаться на «Инновации», просто введите Ваш электронный адрес.