Решение разработано с помощью алгоритма машинного обучения «Матрикснет» на основе анализа данных 2 тыс. банкоматов. Учитывалось их местонахождение, режим работы, фактический спрос на наличные и другие параметры. До сих пор «Райффайзенбанк» определял потребность клиентов в наличных на основе статистики. Модель, разработанная Yandex Data Factory, позволит банку уменьшить отклонение прогноза от реального спроса примерно на 30%.
Любому банку важно соблюдать баланс между количеством денег, которые лежат в банкоматах и которые находятся в обороте. Если денег в банкоматах мало и клиенты не могут снять наличность, это вызывает их недовольство. Если денег в банкоматах слишком много, банк несет излишне высокие издержки. Внедренное решение позволяет банку оптимизировать распределение денег в сети банкоматов и сократить свои издержки.
Система дает планировщику инкассаций рекомендации о том, когда и на какую сумму нужно инкассировать банкомат. При этом она стремится к минимальной стоимости выезда инкассаторов и хранения денег в банкомате при условии сохранения доступности функции выдачи наличных. Таким образом она не только сокращает издержки, но и позволяет сохранить удовлетворенность клиентов одним из главных сервисов банка.
Решения Yandex Data Factory на основе технологий машинного обучения применимы в разных отраслях экономики. Так, в прошлом году «Яндекс» разработал модель прогнозирования спроса на товары со скидкой для сети магазинов «Пятёрочка». В 87% случаев она предсказывает спрос с точностью до одной упаковки. Для Магнитогорского металлургического комбината был создан рекомендательный сервис, оптимизирующий расход добавочных материалов при производстве стали без потери её качества. Он позволяет снизить расход ферросплавов в среднем на 5%, годовая экономия превышает 275 млн руб.
