Студенты Университета Иннополис создали алгоритм, который на основе машинного обучения и анализа множества обезличенных данных прогнозирует потребность потенциальных клиентов в кредитовании и банковских гарантиях с точностью до 92%.

Анализ больших данных и машинное обучение позволят банкирам улучшить клиентский сервис для юридических лиц, доработать продукты, опираясь на требования клиентов, и предугадать их потребности на следующих стадиях развития бизнеса.

Это решение студенты ИТ-вуза предложили во время участия в хакатоне по созданию искусственного интеллекта для работы в финансовом секторе и сразу же опробовали его на рынке микрофинансирования Санкт-Петербурга вместе с компанией «Рассвет-Капитал».

«Заранее у нас не было никакой информации о кейсах. Когда объявили перечень задач, то проект для “Рассвет-Капитала” показался нам интересным и сложным вызовом», — рассказывает Эмиль Магеррамов, студент магистратуры Университета Иннополис.

Для работы над проектом «Рассвет-Капитал» предоставил обезличенную информацию о клиентах: регион, уставный капитал, рентабельность продаж, чистая прибыль/убыток и отрасль компании. Эти признаки и переменные стали главной пищей для алгоритма команды из ИТ-вуза. 

 «Для составления предсказательной модели мы выбрали один из самых популярных и могущественных алгоритмов машинного обучения — градиентный бустинг», — пояснил студент магистратуры Университета Иннополис.

 По словам участников команды, выбор алгоритма обусловлен более высокой точностью по сравнению с аналогами. Градиентный бустинг строит модели по цепочке, чтобы уменьшить ошибку от предыдущей модели. Этот процесс происходит до тех пор, пока ошибка не перестает уменьшаться.

 Кроме этого, разработчики ввели и новые параметры: к каждому региону студенты добавили численность населения, валовой региональный продукт и его динамику за последний год. «Эти признаки оказались очень важными во время предсказания», — говорит Антон Добренький, студент российского ИТ-вуза.

«В анализе данных многое основывается на интуиции. Стало интересно, что мы узнаем, введя в параметры регион, и как это повлияет на результат. Добавили численность населения и обнаружили, что введение новых данных улучшило предсказание нашей модели» — цитата автора проекта.

На анализ и выдачу результата уходит примерно одна минута. Программа работает с консольным интерфейс, не подготовленные сотрудники банка работать с ней в таком виде не смогут. Разработчики говорят, что программу можно доработать и сделать удобный для заказчика интерфейс, но в рамках хакатона такой задачи не стояло.

«В результате по первой и второй переменной нам удалось достичь показателя в 84% и 92% успешного прогнозирования. Наше решение поможет “Рассвет-Капиталу” заранее понять, какой финансовый продукт интересен клиентам, как правильно перераспределить ресурсы, увеличить продуктивность, а значит и увеличить прибыль компании», — комментирует итоги работы Эмиль.