Как искусственный интеллект помогает Альфа-Банку вовремя пополнять банкоматы

И экономить на их обслуживании.

Мы давно привыкли к тому, что за любые товары и услуги можно расплатиться с помощью приложения в смартфоне. Наличные деньги почти перестали попадать к нам в руки напрямую. Но иногда они просто необходимы, и тогда обычно мы ищем ближайший банкомат.

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 оборачиваются для банков регулярными расходами и потерей заработка. Устройства требуют сопровождения и страхования, они изнашиваются, их перемещение и чистка также требует вложений. Каждый выезд инкассаторов, каждый пересчёт 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. Рассказываем, как это работает.

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

Для расчётов использовали данные RCL-банкоматов в Москве. Это тип банкоматов, которые работают и на выдачу наличных, и на пополнение. На основе исторических данных о внесении и снятии наличных в банкомате, специалисты создали две модели машинного обучения: модель прогноза сумм снятия и модель прогноза сумм внесения. Получив при помощи моделей машинного обучения эти прогнозы, рассчитываются наилучшие варианты инкассации при помощи оптимизатора. Он учитывает в том числе такие параметры, как остатки в банкоматах к концу дня, стоимость инкассации и пересчёта 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 статистический материал о значении параметров.

При помощи этой информации обучили модель CatBoost. Эта модель умеет обучаться на мультирегрессионном таргете, поэтому специалисты могут построить прогноз на 14 дней вперёд.

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

Прошлым летом специалисты провели пилотный запуск сервиса в естественных условиях, но в ограниченном объёме. За два с половиной месяца только по результатам А/Б-тестирования при помощи модели оптимизации удалось сократить издержки на семь процентов.

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.