Альфа-Банк: ML-модель планирует загрузку банкоматов, эффект 12% в первом пилоте

Альфа-Банк держит в открытом доступе около 3500 банкоматов. Содержание банкомата связано с расходами на инкассацию, пересчёт кассет и фондирование: деньги, оставшиеся в устройстве, банк не может разместить под процент. Раньше сумму загрузки для всех банкоматов России рассчитывали раз в месяц и почти не пересматривали. В Москве сотрудники ежедневно вручную решали, уйдёт ли банкомат в простой. Бизнес поставил задачу оптимизировать и автоматизировать подбор суммы загрузки так, чтобы банк нёс наименьшие финансовые потери при максимально возможной доступности банкоматов.

Команда данных Альфа-Банка сосредоточилась на ресайклинговых банкоматах, которые принимают и выдают наличные из одних и тех же кассет. После проверки ARIMA/SARIMA, Prophet, линейной регрессии, вейвлетов, LSTM и DLinear банк выбрал одну модель CatBoostRegressor, которая для каждого банкомата прогнозирует снятия и внесения на 14 дней вперёд; модель штрафуется за недопрогноз, особенно в дни выплаты зарплат. Оптимизатор перебирает около 16 000 вариантов графика инкассаций, для каждого рассчитывает траты на инкассацию, пересчёт и фондирование и выбирает план с минимальными тратами без переполнения кассет. Затем суммы раскладываются по номиналам и кассетам и округляются до кратности 100 листов.

Планы инкассаций выдаются на 7 дней; сотрудники в основном используют план на завтра, а два дополнительных запуска дают суммы для экстренной инкассации. Для первого пилота сделали интерфейс выгрузки планов из PostgreSQL и подобрали пилотную и контрольную группы банкоматов по городу, функциональности и тратам. Ретротест предсказывал эффект около 4% за 11 недель, первый пилот показал 12%. В одном из пилотов группа составляла 66 банкоматов при длительности 11 недель; в отдельные периоды эффект достигал 4–6%. По данным на ноябрь 2024 года, алгоритм используется в Москве на ресайклинговых банкоматах.