Предиктивная аналитика на базе ИИ: прогнозы и рекомендации для бизнеса

По мере быстрого накопления данных и развития машинного обучения экспоненциально растут возможности применения инструментов предиктивной аналитики для бизнеса. Сегодня предсказательные модели на базе искусственного интеллекта используются для увеличения продаж, управления рисками, оптимизации производства или борьбы с мошенничеством. О том, как создаются и работают предиктивные модели, расскажут эксперты группы компаний ЛАНИТ, а также других игроков рынка.

"Предиктивный анализ – это наши попытки предвидеть различные ситуации, в частности – предсказать поведение клиента в будущем, чтобы правильно адаптировать свои бизнес-решения. Раньше это делалось с помощью алгоритмов и методов, основанных на простых правилах и статистике, но сейчас на помощь пришли модели машинного обучения, которые стали более совершенными и доступными", – говорит исполнительный директор компании CleverData (входит в ИТ-холдинг LANSOFT) Дмитрий Изместьев.

Руководитель лаборатории инноваций компании "НОРБИТ" (группа ЛАНИТ) Дмитрий Демидов отмечает, что использование моделей предиктивной аналитики возможно практически во всех отраслях: все зависит от наличия данных и финансовых возможностей.

"Самые продвинутые в этой области - банки, ритейлеры, телеком, промышленный сектор. Государственное управление, здравоохранение тоже все больше начинают использовать предиктивные модели. Это те, кто научился собирать данные и у кого есть средства для проведения экспериментов и запуска такого рода проектов", – отмечает эксперт.

Финансовый сектор

Лидерами в использовании обучаемых алгоритмов стали банки, которые еще 10-15 лет назад с помощью таких моделей начали решать задачи кредитного скоринга (система оценки кредитоспособности) и выявления мошеннических операций. Помимо этого, в банках и страховых компаниях предиктивные модели сегодня занимаются маркетинговым и клиентским анализом, а также оптимизацией различных внутренних процессов. Модели замечают то, что может упустить человек и способны лучше улавливать особенное поведение клиентов.

Кредитный рейтинг

Классическая задача в банке – определение кредитного рейтинга заемщика. Аналитические инструменты собирают и анализируют историю каждого клиента, проводят скоринг и на основе этих данных оценивают риски, способность человека или организации своевременно вносить платежи.

Ранее, чтобы понять, насколько клиент кредитоспособен, банки задавали множество вопросов, а люди на них отвечали (честно или не очень). Сейчас же узнать все о жизни человека можно, изучив его поведение на различных интернет-сервисах. Достаточно провести анализ клиента на коммуникабельность, честность, открытость, законопослушность и эмоциональную стабильность, чтобы принять решение о его платежеспособности. Широко известен кейс Сбера с внедрением такой методологии, обеспечивший банку ощутимый рост чистой прибыли.

Максим Волошинов

бизнес-партнер "ЛАНИТ – Би Пи Эм"

Для определения кредитного скоринга заемщика иногда недостаточно индивидуального рейтинга из бюро кредитных историй. В этом случае производится проверка клиента с применением дополнительных алгоритмов, добавляет Изместьев из CleverData.

"Часто нужно оценить максимальный объем кредита, который банк может выдать на покупку конкретного товара или услуги. Поэтому отдельные инструменты предиктивной аналитики служат для проведения более детальной проверки способности человека вносить платежи в конкретный момент времени", – поясняет эксперт.

Кроме этого, банки активно используют предиктивные модели для определения клиентов, которые с наибольшей вероятностью воспользуются предложением от организации.

Кейс для банковской организации

Заказчик: крупный банк

Исполнитель: CleverData

Цели: персонализация клиентского опыта и повышение эффективности маркетинговых стратегий в финансовом и инвестиционном секторах.

Задача: разработать систему скоринга (вероятности совершения клиентом целевого действия), используя технологии машинного обучения.

Описание: решение на основе машинного обучения прогнозирует совершение пользователем целевого действия. Используя данные о пользовательской активности, аккумулированные в CDP CleverData Join, специалисты CleverData обучили модель, которая предсказывает вероятность того, что клиент заинтересуется оформлением кредитного продукта или премиальной подписки.

Результаты: внедрение решения позволило заказчику значительно улучшить точность и эффективность маркетинговых кампаний. В частности, модель указывала на клиентов, которые с высокой вероятностью согласятся на предложенный банком продукт, и на этих людей точечно настраивалась рекламная кампания. Это позволило сократить затраты на привлечение новых клиентов.

ИИ против мошенников

Инструменты ИИ и машинного обучения оперативно собирают и анализируют большие массивы данных о множестве клиентов, выявляя закономерности и отклонения в их финансовом поведении. Это позволяет своевременно реагировать на действия злоумышленников. Так, специалисты ЛАНИТ разработали антифрод-систему по выявлению мошеннических операций при осуществлении денежных переводов для финансовой организации.

В системе ежесекундно проходит огромный поток транзакций, среди которых необходимо выявлять и блокировать действия злоумышленников. Для этого была разработана система, учитывающая историю поведения и индивидуальные характеристики отправителя и получателя транзакций, при помощи которой можно определить активности, инициированные не ими, а сторонними лицами. Это была непростая задача, ведь банки не всегда хотят делиться данными о "плохих" транзакциях. Поэтому для обучения модели нам пришлось самостоятельно создавать фиктивные транзакции по известным мошенническим схемам.

Владислав Балаев

руководитель практики центра компетенций ИИ ЛАНИТ

Дмитрий Изместьев уточняет, что обнаружение аномалий при проведении платежей важно не только с точки зрения блокировки сомнительных операций.

"Если мы можем выявлять аферистов, то мы можем сделать так, чтобы честные люди платили максимально легко. Если вы ставите им какой-то барьер при покупке, например, подтверждение с помощью пин-кода или смс, то вы увидите, что количество покупок падает сразу на десятки процентов. Сейчас покупки на довольно большие суммы можно делать без дополнительного подтверждения: это стало возможным за счет того, что мы с помощью предиктивной аналитики умеем определять мошеннические транзакции. Тем самым мы упрощаем пользовательское поведение, что обеспечивает рост потребления и способствует развитию экономики", – поясняет Изместьев.

Оптимальный банкомат

Еще одним направлением применения предиктивной модели в банковском сегменте является оптимизация работы банкоматной сети. Для любой финансовой организации необходимо обеспечить в каждом банкомате наличие необходимой суммы денег для снятия, и одновременно с этим эта сумма должна быть минимальной, чтобы свободный остаток денежных средств можно было распределить по другим банкоматам или инвестировать во внутренние проекты банка.

"Задачей предиктивной модели, которую мы реализовали в одном из банков, было найти для каждого банкомата "золотую середину", предсказав с учетом локации, когда и сколько людей туда придет снимать деньги в определенные дни. Также модель минимизирует издержки, связанные с логистикой службы инкассации, и с учетом этого строит систему рекомендаций: сколько купюр каждого номинала и в какой момент заложить в каждый банкомат", – рассказывает Балаев.

Розничная торговля

Вслед за финансовым сектором в игру включился ритейл, где уже больше 20 лет ML-модели используются для предсказания спроса, маркетинговых активностей, оптимизации закупок, работы с персоналом и многих других задач. Сегодня предиктивные модели также помогают в организации работы онлайн-доставки и дарксторов (магазинов, работающих в формате склада).

"Розница – кладезь для моделей предиктивной аналитики. Благодаря ей можно доставлять товары так, чтобы те не портились, не были в дефиците или, наоборот, не залеживались на складе, оптимизировать цены, прогнозировать продажи, вычислять необходимое количество персонала. Есть еще бесконечное количество различных маркетинговых применений таких, как рекламные акции, кампании для клиентов и т. д.", – говорит Дмитрий Демидов из "НОРБИТ".

"Анализируя тенденции рынка, изменения в регионе, учитывая сезонность и историю спроса-предложения, можно прогнозировать объемы продаж. Это позволяет компаниям предлагать новые продукты или убирать непопулярные с рынка. В то же время с помощью анализа данных о клиентах, их предпочтениях, культуре, окружении можно выстраивать маркетинговые кампании, более точно адаптируя их под индивидуальные потребности и проводя сегментацию клиентов", – уточняет Максим Волошинов из "ЛАНИТ – Би Пи Эм".

По словам Изместьева, самая востребованная задача для моделей машинного обучения – это предсказание интереса к продуктам и услугам: всегда хочется больше и лучше продавать.

"Особенно важно, чтобы любая коммуникация с клиентом была по делу: чтобы он не получал массовую рассылку или не отвлекался на сайте на ненужные ему продукты, а увидел бы именно то, что он с большой вероятностью купит. Сейчас мы делаем такие модели, и они работают очень хорошо", – подчеркнул он.

Кейс для компании-производителя товаров личной гигиены

Заказчик: один из лидеров по выпуску продукции для личной, профессиональной и промышленной гигиены.

Исполнитель: CleverData

Задача: находить и строить кастомные сегменты для рекламных кампаний заказчика, например, женщин, находящихся на третьем триместре беременности.

Описание: проект можно поделить на несколько этапов - это анализ данных, создание модели, тестирование и оптимизация модели и ее применение в рекламных кампаниях.

Анализ данных. Специалисты использовали данные о покупках и посещениях сайтов, чтобы определить женщин, находящихся на третьем триместре беременности.

Создание модели. Компанией CleverData была разработана модель, которая выделяла уникальные характеристики покупательского поведения женщин на этом этапе беременности. Специалисты также обнаружили, что многие девушки в это время занимаются ремонтом и подготовкой помещения для ребенка, что стало дополнительным индикатором.

Тестирование и оптимизация. Для оценки точности модели провели тестирование – в выборке из 1000-5000 человек проверяли, насколько точно модель определяет женщин на третьем триместре.

Интеграция с рекламными кампаниями. Передали полученные данные рекламным агентствам, которые использовали их для запуска и оптимизации рекламных кампаний, нацеленных на беременных женщин.

Результаты: такой подход позволил значительно улучшить точность выявления целевой аудитории, увеличив показатель попадания в сегмент. Специалисты CleverData успешно применили модели, которые анализировали покупки и поведенческие паттерны, а также могли учитывать дополнительные наблюдения, Например, ремонт перед рождением ребенка. Это позволило рекламодателям более эффективно взаимодействовать с потенциальными клиентами.

По словам Дмитрия Изместьева, очень популярны также модели прогнозирования нецелевых действий, способствующих повышению лояльности клиентов.

"Типичное нецелевое действие – это отток клиентов. Модель заранее подсвечивает в базе таких клиентов, которые, возможно, захотят уйти, и рекомендует меры по поддержанию их лояльности: предложить скидку, какие-то специальные условия, подарки, может быть, просто позвонить, поговорить", – продолжает эксперт.

Промышленность

В промышленности предиктивные модели позволяют оптимизировать геологоразведку, планировать обслуживание и ремонт, предсказывать возможные отказы оборудования. Также они помогают решать логистические задачи и упрощают процесс закупок. Главное условие – наличие достаточно большого объема данных, на которых могла бы обучаться модель.

Специалисты ЛАНИТ разработали для крупной промышленной компании систему для предсказания возможных отказов паровых турбин (в случае выхода из строя, например, подшипников). На основании телеметрии с датчиков вибрации строится модель турбины, отслеживаются показатели и их отклонения от нормы.

"Огромный агрегат, в данном случае - паровая турбина, обвешан сотнями датчиков, измеряющих в разных узлах температуру, давление, вибрации и другие показатели. Человек не способен проанализировать в моменте информацию со всех датчиков и следить за изменениями круглосуточно. Система же, анализируя взаимосвязь различных показателей, улавливает нехарактерные их сочетания и подсвечивает оператору, на что обратить внимание. Выгода для бизнеса здесь очевидна: внештатный выход из строя – это простои и колоссальные издержки, которых система помогает избежать", – объясняет Балаев.

Еще пример. Предиктивная аналитика помогает минимизировать риски утечек при перемещении различных сыпучих грузов, в частности – зерна и удобрений. Для этого собирается телеметрия с датчиков, установленных в комбайнах для сбора зерна и в разбрасывателях удобрений. По этой телеметрии строится модель количества зерна или удобрения в кузове в каждый момент времени в процессе сбора урожая либо разбрасывания удобрений.

"Комплексная задача при транспортировке - минимизировать утечку груза, отслеживая, сколько было и сколько стало. Ведь не всегда и не везде можно просто взвесить. Например, взвесить комбайн в поле нельзя, а пока грузовик доедет до весов, он может куда-то свернуть и часть отсыпать. Поэтому приходится использовать датчики для сбора множества косвенных показателей, которые в совокупности дают нам хорошее качество измерения объема зерна. Внедрение такого алгоритма на предприятиях уже позволило отловить несколько мошеннических схем", – отмечает Владислав Балаев.

Строительство и девелопмент

Еще одна отрасль, которая в последние годы стала активно использовать предиктивные системы и рекомендательные модели, – это строительство и девелопмент. Здесь самой сложной и востребованной задачей является прогнозирование продаж недвижимости. Специалисты компании "НОРБИТ" создали систему, способную это сделать.

Российский рынок недвижимости находится в достаточно турбулентном состоянии. На него влияет множество факторов, часть которых сложно поддается ручному анализу. Наша система объединяет несколько моделей машинного обучения. Они предсказывают вероятность заключения сделки, объемы продаж на конкретный период, определяют влияние ценовых и маркетинговых параметров на финансовые показатели.

Дмитрий Демидов

руководитель лаборатории инноваций "НОРБИТ"

Рассмотрим ситуацию, когда застройщику необходимо в течение месяца выполнить определенный план по поступлению денег.

"Можно снизить цену объектов недвижимости – это увеличит продажи и поступление денег, но понизит маржинальность, – объясняет Дмитрий Демидов. – Можно повысить цену – продажи упадут, и не будет достаточного входящего потока денег для финансирования дальнейшего строительства и выполнения обязательств перед банками. Модель же анализирует историю продаж, взаимодействие с клиентами, их поведение и дает рекомендации руководителям для принятия операционных решений по каждой сделке".

Кейс для компании-девелопера

Заказчик: одна из крупнейших корпораций в сфере девелопмента и строительства в России

Исполнитель: компания "НОРБИТ"

Цели: оптимизировать процессы принятия решений по сделкам и увеличить их совокупную маржинальность.

Задачи: разработать систему прогнозирования продаж на базе искусственного интеллекта.

Описание: решение объединяет сразу несколько моделей машинного обучения. Они предсказывают вероятность заключения сделки, объемы продаж на конкретный период, определяют влияние ценовых и маркетинговых параметров на их финансовые показатели.

Для прогнозов используются данные, которые автоматически агрегируются в хранилище - информация из внутренних систем группы "Эталон" об объектах недвижимости (более 100 параметров), сделках, активности покупателей, а также внешние сведения о курсах валют, котировки акций.

Результаты: благодаря работе алгоритмов специалисты "Эталон" получают прогноз по каждой сделке и плану продаж в конкретных жилых комплексах и домах, в зависимости от цены. Это позволяет значительно сократить трудозатраты, минимизировать ошибки в расчётах, использовать для аналитики и корректировать при необходимости гораздо больше входных параметров, влияющих на закрытие сделки.

Тренды будущего

Как отмечают эксперты, бизнес сегодня все отчетливее видит необходимость использования своих данных для получения дополнительной информации, способной дать ему конкурентные преимущества. Поэтому по мере совершенствования технологий прогнозная аналитика будет активно развиваться, становясь все более востребованной и находя применение в новых сферах и отраслях.

Максим Волошинов из "ЛАНИТ – Би Пи Эм" полагает, что технологии предиктивного анализа в перспективе трех-пяти лет способствуют развитию более персонализированных коммуникаций с заказчиками. Это станет возможным благодаря в том числе созданию цифровых двойников клиентов (полный цифровой портрет человека, отражающий его финансовое поведение, предпочтения, цели). Одновременно в организациях (прежде всего – в финансовых) будет идти развитие нейро-экспертов, общающихся с клиентом и принимающих решения за сотрудника, снизив до минимума участие человека в оценке данных. Это высвободит людские и финансовые ресурсы для более глубинного анализа работы ИИ и разработки предложений по улучшению финансовых и других продуктов.

Дмитрий Изместьев из CleverData считает, что новую перспективу для использования инструментов предиктивной аналитики дает развитие больших языковых моделей (LLM – Large Language Models).

Большие языковые модели, например, ChatGPT (чат-бот с генеративным искусственным интеллектом), открыли совершенно новые возможности. Раньше мы могли анализировать только легко понятные данные: например, сам факт покупки или идентификатор товара, который приобрел человек. Теперь с помощью LLM, которые хорошо понимают неструктурированную информацию, мы можем проанализировать еще и удовлетворенность клиента, его состояние. Мы можем отдать весь наш диалог с клиентом такой модели и получить оценку, которая даст дополнительные вводные данные для стандартной предиктивной модели.

Дмитрий Изместьев

исполнительный директор компании CleverData (входит в ИТ-холдинг LANSOFT)

Второй большой перспективой эксперт считает повышение скорости работы предиктивных моделей. В итоге прогнозы и рекомендации будут выдаваться в реальном времени, что позволит бизнесу своевременно принимать взвешенные операционные решения.

Дмитрий Демидов также связывает качественный скачок в использовании предиктивной аналитики с языковыми моделями.

"Здесь происходит очень интересный симбиоз - языковые модели становятся дополнительными источниками данных для моделей предиктивной аналитики. Яркий пример – медицинские данные, которые языковые модели извлекают из истории болезни, различных заключений, структурируют, подготавливая для обработки обычными предиктивными моделями", – отмечает специалист.

Другой кейс, когда языковая модель извлекает нужную информацию из имеющихся в организации договоров, например – штрафные санкции за неисполнение обязательств. Далее предиктивная модель на основе этих данных строит прогнозы.

"Бизнес пока еще рассматривает предиктивные и языковые модели как не очень прозрачные с точки зрения результатов. Это, действительно, так: чтобы оценить возможный результат, приходится проводить предпроектные исследования, различные пилоты. Но бояться этого совершенно не стоит, надо просто правильно выбрать подрядчика, который опираясь на свой опыт и знания может быстро найти те области для решения задач, которые, действительно, принесут заказчикам деньги и пользу. Главное сейчас, с точки зрения применения предиктивных моделей в бизнесе, – выстроить доверие к будущему результату", – резюмирует Дмитрий Демидов.

С ним согласен Владислав Балаев, который говорит о появлении все большего числа специалистов и команд, которые понимают, чего можно ожидать от искусственного интеллекта и от предиктивной аналитики. При этом в основе развития данного направления, по его словам, будет совершенствование всего, что связано со сбором, обработкой и структурированием данных. В этом смысле продолжает действовать аксиома: предиктивная аналитика настолько точна и эффективна, насколько качественны входящие данные.

Реклама, АО "Ланит", erid: F7NfYUJCUneP4VzzrCL5

09:00 26.11.2024 (обновлено: 09:10 26.11.2024)

Технологии Россия ЛАНИТ Информационная безопасность Кибербезопасность IT-компании Цифровизация Экономика Наука Спецпроекты