Машинне навчання в економіці

Технологія машинного навчання – це різновид штучного інтелекту, що дозволяє комп’ютерам самостійно навчатися, без встановлених сценаріїв поведінки. Вона здатна швидко обробляти величезні масиви неструктурованої інформації, а потім робити на її основі висновки і прогнози.

Чим більше даних надано такій системі для обробки, тим точніше буде кінцевий результат. З цієї причини Machine learning (ML) все частіше використовується фінансовими компаніями, чия робота пов’язана із зберіганням терабайтів інформації про клієнтів, їх платежах, кредитні історії і т.д.

Алгоритми машинного навчання можуть знайти застосування фактично в будь-якій компанії фінансового сектора. Ось кілька популярних варіантів їх застосування в реальному бізнесі.

Скоринг

ML допомагає визначити ризики надання кредитів різним позичальникам. Навіть тим, у яких ще немає кредитної історії. У таких випадках, прогнози робляться на основі особистих даних людини, історії його фінансових операцій, активностей в Мережі і аналогічних факторів.

Андерайтинг

Рішення на основі машинного навчання дозволяють автоматизувати процес викупу і розміщення цінних паперів. Це дозволяє здійснювати операції за кращими цінами і виключає помилки, обумовлені людським фактором.

Чат-боти

Спілкування з клієнтами забирає у підприємств багато часу, а забезпечення роботи колл-центрів коштує недешево. Машинне навчання може суттєво скоротити навантаження на операторів за допомогою чат-ботів, які вивчають запити людей і генерують для них персоналізовані відповіді.

Утримання клієнтів

Алгоритми ML можуть передбачити поведінку людини, на підставі його демографічних даних і історії фінансових операцій. Це дозволяє компаніям своєчасно дізнаватися про ризики втрати клієнтів і спроєктувати для них найбільш підходящі пропозиції для утримання.

Незважаючи на відносну «молодість» технології, вона вже використовується великими фінансовими компаніями. Більш того, існують успішні приклади її застосування. Розглянемо популярні факти на вітчизняному і світовому ринку.

MasterCard

У 2016 році система машинного навчання MasterCard Safety Net виявила аномалії, такі як зняття великих грошових коштів за межами звичного регіону використання для даного рахунку. Активність поширювалася на 300 банкоматів в 26 країнах.

Платіжна система заблокувала транзакції і відправила відповідні повідомлення в банки.

Пізніше з’ясувалося, що це були шахрайські дії, які могли привести до збитків понад $ 40 млн. Однак, завдяки системі машинного навчання Safety Net, втрати були обмежені лише $ 100 тисячами.

Monobank

Використовуючи технологію Machine learning, український банк Monobank зміг зменшити кількість проблемних позичальників. Відсоток їх визначення підвищився до 66%. Це дозволило фінансовій установі збільшити кількість видачі кредитів, в тому числі людям без кредитної історії. В результаті банк істотно підвищив прибутковість своїх продуктів, мінімізувавши ризики неповернення.

Алгоритми машинного навчання відкривають нові можливості для розвитку бізнесу.

Вони допомагають: автоматизувати всі можливі процеси, побудувати більш грамотну модель взаємодії з клієнтами, приймати більш виважені управлінські рішення і багато іншого.