В статье рассказывается об опыте применения методов интеллектуального анализа данных в российской компании Сбербанк. Большое внимание уделяется таким вопросам, как повышение эффективности бизнес-процессов, улучшение качества обслуживания клиентов и снижение рисков. Приведены реальные примеры применения технологий машинного обучения и искусственного интеллекта для выявления мошенничества, персонализации маркетинга и прогнозирования жизненного цикла клиентов. Описаны современные технологии, внедренные в Сбербанке: GigaChat и модели нейронных сетей ruGPT-3.5 13B.
Ключевые слова: интеллектуальный анализ данных, машинное обучение, искусственный интеллект, Сбербанк, нейросети, GigaChat.
В современном мире объем информации растет с невероятной скоростью, и умелое управление этими данными становится критически важным для компаний всех отраслей, особенно в сфере банковского дела. Сбербанк активно применяет методы интеллектуального анализа данных (Data Mining), чтобы повысить эффективность и конкурентоспособность своих бизнес-процессов.
Интеллектуальный анализ данных — это процесс обработки больших объемов информации с целью выявления скрытых закономерностей и тенденций, которые могут существенно повлиять на принятие управленческих решений. Главная цель этой технологии заключается в поиске моделей и решений, которые сложно обнаружить с помощью традиционных методов. Среди наиболее распространенных моделей Data Mining можно выделить деревья решений, нейронные сети и системы визуализации данных.
Применение Data Mining в банковской сфере решает множество задач [2]:
– Повышение прибыльности: Анализ данных помогает найти самых прибыльных клиентов и сегменты рынка, а также улучшить продуктовые предложения.
– Определение потребностей клиентов : Предиктивные модели предсказывают желания и потребности клиентов, что улучшает персонализацию услуг.
– Выявление мошенничества : Машинное обучение эффективно обнаруживает и предотвращает мошенничество, снижая риски и потери.
– Оценка кредитных рисков : Анализ данных о клиентах позволяет точнее оценить кредитные риски и принимать обоснованные решения.
– Сегментация клиентов : Разделение клиентской базы на сегменты помогает точнее таргетировать маркетинговые кампании и улучшать обслуживание.
Мошенничество в банковской сфере остается одной из самых серьезных проблем. Применение технологий машинного обучения помогает Сбербанку быстро выявлять подозрительные действия и предотвращать мошеннические операции. Чем быстрее банк обнаруживает мошенничество, тем скорее он может принять меры для защиты клиентов и уменьшения потерь.
С ростом популярности онлайн-банкинга объем данных о клиентах увеличивается. Data Science помогает выделять нужные данные и анализировать поведение клиентов для создания новых источников дохода и улучшения клиентского опыта [1].
Анализ данных позволяет Сбербанку создавать персонализированные предложения для клиентов, соответствующие их индивидуальным потребностям и предпочтениям. Это повышает эффективность маркетинговых кампаний и способствует увеличению лояльности клиентов.
Прогнозирование жизненного цикла клиентов (Customer Lifetime Value, CLV) помогает банку строить и поддерживать долгосрочные отношения с клиентами, что увеличивает их ценность и способствует росту бизнеса. Использование алгоритмов машинного обучения для прогнозирования CLV позволяет банку принимать стратегические решения на основе точных данных.
Применение алгоритмов машинного обучения и методов Data Science значительно улучшает стратегию развития банка, так как каждая банковская операция связана с анализом данных. С ростом доступности и разнообразия информации аналитика становится более сложной и точной, что позволяет банку быстро реагировать на изменения и принимать обоснованные решения [3].
Сбербанк активно внедряет искусственный интеллект в свои бизнес-процессы. В 2023 году объем ежегодных инвестиций в разработки в сфере искусственного интеллекта составил 350 млрд рублей.
В этом же году Сбербанк заключил с девелопером жилья сделку проектного финансирования с автоматически принятым решением. Это стало возможным благодаря технологии искусственного интеллекта. Раньше рассмотрение банком заявки на проектное финансирование занимало один-два месяца, теперь по некоторым сделкам процесс занимает до шести дней, а концу 2024 года это станет возможно для более чем половины сделок.
Кардинально ускорить процесс удалось благодаря разработанным в Сбере ML- моделям и алгоритмам. Они прогнозируют цены и темпы продаж, позволяя алгоритмизировать строительную и другие виды экспертиз и оперативно принять решение по сделке.
По состоянию на март 2024 года Сбербанк в 100 % случаев принимает кредитные решения в отношении физических лиц с использованием искусственного интеллекта. По юридическим лицам до конца 2024 года 70 % решений будут приниматься таким образом.
Примерами технологий искусственного интеллекта, внедряемого Сбербанком, являются [4]:
– GigaChat : Нейросетевые модели, такие как GigaChat, обучаются на больших данных и показывают отличные результаты в разных областях, включая сдачу медицинских экзаменов.
За время развития модели возможности её интеграции в различные процессы значительно выросли: запуск GigaChat на умных колонках SberBoom; возможность встраивания GigaChat в сторонние приложения; доступность GigaChat API для создания некоммерческих проектов; интеграция с экосистемой «МойОфис»; использование для автоматического подведения итогов видео встреч в SberJazz.
– ruGPT-3.5 13B : Модель генерации текста для русского языка, доступная в открытом доступе, используется в различных процессах Сбербанка.
– Kandinsky : Нейросеть для работы с изображениями, обеспечивающая высокое качество создания материалов. Kandinsky понимает запросы из широкого списка более чем на 100 языках, а пользователи могут создавать фотореалистичные изображения в неограниченном количестве, применяя самые разные стили.
Использование методов анализа данных и искусственного интеллекта позволяет ПАО Сбербанк России эффективно управлять информацией, улучшать обслуживание клиентов, повышать прибыльность и снижать риски. Внедрение новых технологий помогает банку оставаться конкурентоспособным и лидером на рынке финансовых услуг.
Литература:
- Васильев, В. В. Современные методы и алгоритмы интеллектуального анализа данных для совершенствования обслуживания работы банка / В. В. Васильев, О. А. Новикова, Р. В. Файзуллин // Вестник Академии управления и производства. — 2023. — № 4. — С. 25–31. — EDN WWXRCH. URL: https://www.elibrary.ru/item.asp?id=55886589 (дата обращения: 19.04.2024)
- Солдатов, М. А. Анализ методов интеллектуального анализа данных / М. А. Солдатов, Т. С. Таратухина // Теория и практика экономики и предпринимательства: XVII Всероссийская с международным участием научно-практическая конференция, Симферополь-Гурзуф, 23–25 апреля 2020 года / Крымский федеральный университет имени В. И. Вернадского. — Симферополь: ИП Зуева Т. В., 2020. — С. 224–226. — EDN QCLMOR. URL: https://www.elibrary.ru/item.asp?id=42762455 (дата обращения: 18.04.2024)
- Искусственный интеллект в банковском секторе [Электронный ресурс] // RAEX (РАЭКСАналитика): [https://raexpert.ru/]. URL: https://raex-a.ru/research_files/2018_bank_ai.pdf (дата обращения: 21.04.2024).
- Искусственный интеллект в Сбербанке [Электронный ресурс] // TADVISER: [https://www.tadviser.ru/]. URL: https://www.tadviser.ru/a/513192 (дата обращения: 24.04.2024).
