Максим Коновалихин: «Работа с данными может стать точкой роста»

– Какие принципы работы с данными вы используете внутри ВТБ?  

– В 2019 году в банке ВТБ началась технологическая трансформация, а вслед за этим появилось подразделение – департамент анализа данных и моделирования. Процессы, начатые тогда, открыли широкое поле для экспериментов. После апробации новых технологий и проверки их надежности банк кардинально изменил принципы работы с информацией. Так, был внедрен подход «Модель как сервис» (Model as a Service; MaaS) и система управления моделями MLOps. Подход MaaS дает возможность объединить процесс моделирования в едином источнике.

Любая модель – это продукт, требующий определенных трудозатрат и использования некоторых технологий. Если под каждый процесс делать отдельную модель, то потребность в ресурсах будет расти год от года. Но такой путь не оптимален. Поэтому ставка была сделана на подход «модель как сервис». В итоге все этапы производства трансформировались в сервисы: получение данных, создание витрин, математическое моделирование и внедрение модели в промышленное использование, дальнейшая поддержка и мониторинг. Таким образом, банку ВТБ удалось создать замкнутый цикл, в рамках которого можно полностью перерабатывать модель. Затем внутри департамента анализа данных и моделирования был создан ряд технологических платформ, которые впоследствии открыли возможность поставить на поток внедрение моделей в промышленный контур.

– Какие сервисы были созданы с применением модельного подхода?

– С применением этого подхода ВТБ создано множество сервисов. Из наиболее значимых, стартовавших в этом году, отмечу сервис по оценке стоимости строящихся объектов и уникальный инструмент для оценки эффективности и оптимизации бизнес-процессов – промышленный оптимизатор. Последний вообще не имеет аналогов в России.

В основе сервиса по оценке стоимости строящихся объектов – универсальная платформа геоаналитики, запущенная нами в 2020 году и позволяющая сопоставлять 170 слоев обезличенных данных из банковской сферы, телекома и digital-сервисов. В решении используется обезличенная информация о жителях аналогичных домов, а также районов со схожей транспортной инфраструктурой, имеющих похожие интересы, структуру доходов и расходов и т. д. Уникальный периметр данных анализируется методами машинного обучения для построения сложных нелинейных моделей оценки стоимости объектов. Все это позволяет оперативно принимать решения о выдаче банком кредитов под строительство. Наиболее значимые конкурентные преимущества сервис дает в ситуации, когда строящийся жилой объект не имеет рядом аналогов, и оценить его, используя только метод сравнения с похожими соседствующими объектами, невозможно.

При разработке сервиса мы столкнулись с тем, что рынок жилой недвижимости имеет очень динамичный характер. Для того чтобы успеть за рынком в таком широком географическом периметре, мы разработали не просто модели машинного обучения, а сервис Geo AutoML. Он позволяет перестраивать модели в полностью автоматическом режиме. На сегодняшний день AutoML-решений на рынке много, но это первая история с применением геоаналитики. Поэтому сервис можно считать уникальным.

– В какой фазе сейчас этот проект по оценке стоимости строящихся объектов?

– Мы завершили пилотный проект по использованию инструментов машинного обучения. Технология поможет банку эффективнее оценивать стоимость строящихся объектов и в ускоренном режиме принимать решения по выдаче кредитов на жилищное строительство. Новый сервис протестирован в 30 городах России, и до конца года мы планируем запустить его в эксплуатацию. Пока решение применяется только внутри банка, но в дальнейшем может стать доступным и сторонним пользователям – другим банкам и застройщикам жилой недвижимости.

– Вы упомянули сервис для оценки эффективности и оптимизации бизнес-процессов. Расскажите подробнее, как это работает? 

– Я уже говорил, что сервис не имеет аналогов в России и позволяет выстраивать оптимальные стратегии под различные бизнес-цели на основе анализа больших данных. Решение, построенное на основе синергии методов машинного обучения и оптимизационных алгоритмов. Его мы разрабатывали в течение нескольких лет в лаборатории «Машинное обучение в банковских технологиях», открытой ВТБ совместно с МФТИ.

Новый сервис может быть полезен самым разным отраслям, начиная от финансового рынка и заканчивая авиастроением. Аналогичные задачи оптимизации могут встречаться при планировании загрузки нефтеперерабатывающих заводов, решении транспортных и логистических задач, выплавке сталей и проектировании сетей линий электропередачи.

Практически каждая наукоемкая отрасль сталкивается с задачами оптимизации, поэтому уход с российского рынка зарубежных решений может стать серьезной проблемой для прикладной промышленности. Наш сервис – действительно инновационное решение, позволяющее не только качественно решать бизнес-задачи, но и обеспечивающее технологический суверенитет. Сервис уже опробован для решения задач по формированию стратегий внутри ВТБ, и в настоящее время мы готовы предложить его заинтересованным компаниям из различных отраслей экономики. Он может найти свое применение везде, где требуется поиск оптимальных решений в условиях различных ограничений. Любой бизнес-процесс можно представить в виде задачи для оптимизации.

На сегодняшний день оптимизатор прошел полноценное тестирование под нагрузкой, показав высокие результаты.

– Какие бизнес-направления банка ВТБ наиболее активно работают с данными?

– Большими данными к концу 2022 года охвачены все сферы работы банка ВТБ. Без них невозможно генерировать новые сервисы и развивать существующие. И мы отрабатываем внедрение сервисных моделей, оказывая услуги внутренним заказчикам. Модели необходимы для совершенствования внутрибанковских процессов.

Кроме того, мы постоянно совершенствуем нашу работу и рассматриваем партнерства с крупными компаниями в рамках подхода Data Fusion, основанном на слиянии данных. Свою задачу мы видим в расширении круга партнеров и источников информации, чтобы обоюдно выгодно ее использовать.

– ВТБ уже не первый год применяет концепцию Data Fusion, проводит одноименную конференцию, продвигая этот подход на рынке. Чем внедрение Data Fusion может быть полезно бизнесу?  

– На сегодняшний день все успешные финансовые организации используют Big Data в работе. Во многом именно от этого зависит конкурентоспособность организации на рынке. Благодаря Big Data и алгоритмам искусственного интеллекта (ИИ) в банковской сфере произошел важный поворот от продуктоцентричного к клиентоцентричному подходу: для повышения продаж услуги должны быть ненавязчивыми, удобными.

Большие данные являются источником инсайтов о клиентском поведении и позволяют вычленять закономерности и предпочтения разных категорий потребителей. Именно аналитика больших данных позволяет предлагать клиентам персонифицированные продукты или выстраивать таргетированные коммуникации. В других сферах, например ретейле, большие данные обеспечивают эффективную работу рекомендательных систем, а данные о геолокации, взятые у телеком-операторов, позволяют оптимизировать маршруты общественного транспорта.

Банк ВТБ уже применяет Data Fusion в таких процессах, как кредитный скоринг, прогнозирование рисков, разработка продуктов, геоаналитические сервисы. Это помогает выстраивать маркетинговые коммуникации, сегментируя клиентов по множеству небольших поведенческих групп. Текущая ситуация в мире для нас, конечно, вызов, по некоторым направлениям мы теперь должны рассчитывать исключительно на себя. В этом смысле работа с данными может стать сейчас той самой точкой роста.