Нейросети пока проходят этап «детства», но мы уже активно пользуемся сервисами на их основе. Мы сталкиваемся с ними, когда идем в магазин за продуктами, заказываем такси или обращаемся в банк.
О том, как нейросети анализируют и предсказывают наше поведение, и о том, как это меняет бизнес, читайте в этой статье. Ситуацию комментируют крупные компании, которые уже применяют нейросети в своей деятельности.
Какие бизнес-задачи уже решаются нейросетями
Технические инновации в бизнес-процессах развиваются очень стремительно. Крайне недальновидно думать, что вашу отрасль нейросети не затронут или затронут очень нескоро.
Вот примеры задач, которые уже решаются с помощью нейросетей:
- точное вычисление времени изготовления товара;
- точное вычисление времени доставки заказа;
- кластеризация клиентов (разделение на группы с целью повышения эффективности рекламной кампании);
- определение будущего поведения клиентов;
- кастомизация контента – благодаря возможностям нейросетей достигается точнейшая персонализация, которая ранее была недостижимой;
- упорядочивание обращений в компанию по всем каналам;
- увеличение размера среднего чека;
- возможность улучшить пользовательский опыт.
Нейросети позволяют поделить всех покупателей на разовых и постоянных. Выявление параметров лояльной аудитории важно для любого бизнеса: если вы точно знаете, что какой-то клиент должен приносить постоянный доход, можно смело увеличивать траты на его удержание.
Далее предлагаю рассмотреть, в каких бизнес-сферах, максимально близких к жизни каждого человека, нейросети уже используются и меняют сложившиеся процессы.
Ретейл и прогнозирование спроса
Нейросеть для розницы – это уникальная возможность получать точнейшие прогнозы с учетом сотен и даже тысяч параметров. Розница отличается тем, что постоянно нужно обрабатывать большое количество слабо- или вообще несвязанных показателей – например, для прогнозирования сбыта.
Какие данные о нас собирает ретейл
- возраст;
- пол;
- день рождения;
- размер одежды;
- геоположение;
- история покупок;
- установленные мобильные приложения;
- поведение на сайте;
- данные, получаемые от сторонних сервисов.
Какие данные нужны ретейлеру для формирования прогноза сбыта
Чтобы сформировать точный прогноз, ретейлу нужно учесть огромное количество параметров, среди которых:
- цены у конкурентов;
- периодичность поставок;
- примерный уровень дохода ЦА;
- сезонный фактор;
- возраст ЦА;
- курс доллара / иной валюты;
- погодные условия;
- технические данные.
Вообще, чтобы построить реально работающую модель, которая покажет точный прогноз сбыта, необходимо учитывать не десятки, а тысячи переменных. Человек смог бы построить такую модель, но на это ушли бы годы. Тут на помощь и приходят самообучающиеся алгоритмы.
Нейросети в ретейле позволяют анализировать влияние всех переменных друг на друга. Нейросеть установит связь между всеми параметрами и определит уровень зависимости между ними.
Возможности нейросетей для прогнозирования
- Позволят найти наиболее трафиковое место для торговой точки / офиса / магазина с учетом специфики бизнеса.
- Предоставят точные прогнозы продаж для любых товаров / сервисов / услуг.
- Позволят провести тестирование новых услуг / товаров – перед внедрением изменений нейросеть позволит просчитать все риски и сделать вывод о целесообразности внедрения таких изменений.
- Позволят определить оптимальное количество магазинов.
- Проведут оптимизацию цепочки поставок.
- Дадут инструменты для эффективного самоанализа бизнеса с учетом инфляции и других внешних факторов.
Какие российские ретейлеры используют нейросети
На российском рынке одним из самых показательных примеров использования нейросетей является X5 Retail Group. Ретейлер применяет нейросети для проведения целевых акций. Появились уникальные терминалы лояльности – они формируют и печатают ультраперсонализированные купоны для каждого покупателя «Перекрестка».
В «Азбуке вкуса» пошли по другому пути. В 2020 году сеть инвестировала более 33 млн руб. в компанию-разработчика платформы Otri (стартап предлагает по анализу крови получить точные рекомендации по питанию; результаты анализов сегментируются по десятку параметров: возраст, риск заболеваний, хронические недуги – затем нейросеть дает персонализированные рекомендации).
Теперь в приложение Otri интегрирована доставка продуктов из «Азбуки вкуса»: рекомендованные нейросетью продукты можно заказать из ассортимента ретейлера.
Мы используем методы машинного обучения и нейронные сети сразу в нескольких местах: в момент оценки состояния здоровья пользователя на основе результатов анализов крови, в момент формирования персонифицированной рекомендательной системы для пользователя и в работе с оптическим распознаванием продуктов, с дальнейшим мэтчем значений по продукту со значением по состоянию здоровья пользователя.
Если постараться сформулировать в рамках пользовательского опыта смысл нашей работы с большими данными и нейронными сетями в ретейле, то можно сказать, что мы стараемся помочь любому человеку сделать подборку «умной продуктовой корзины» – из каких продуктов должен состоять рацион в соответствии с состоянием организма. Звучать вся эта связка может немного сложно или запутанно, но результат очень конкретный: человек может начать питаться максимально правильно с нашим сервисом и продлить здоровую часть жизни.
Банки: скоринг с использованием нейросетей
По данным RAEX Аналитики, в России можно выделить несколько банков-лидеров в плане внедрения искусственного интеллекта (сразу оговоримся: сведения относятся к 2018 году, ничего более свежего найти не удалось).
Итак, банки с уровнем внедрения нейросетей значительно выше среднего – это «Тинькофф Банк», «Газпромбанк», «МТС Банк». Выше среднего – МКБ, «Промсвязьбанк», «Банк Ренессанс Кредит», «Русский Стандарт».
Безусловно, за три года многое могло измениться, а рейтинг был составлен на основе данных, которые сами банки предоставили о себе. Тем не менее, он доказывает, что использование нейросетей в банковском деле уже стало обыденной практикой.
Мы готовимся запустить в ближайшее время в мобильном приложении и интернет-банке платформу чат-ботов, построенную на искусственном интеллекте и на анализе общения клиентов и сотрудников.
Наш банк запустил чаты достаточно давно, накопил большую историю, и на ее основе теперь мы программируем роботов. А технологии искусственного интеллекта позволят сделать общение живым, максимально приближенным к реальному собеседнику.
Задача на следующий год – создание искусственного интеллекта для голосового интерфейса, для общения по телефону. Мы это реализуем на основе большого массива записей разговоров клиентов и сотрудников.
Чат-бот – это способ сделать общение с клиентом удобнее, проще, доступнее, без ожидания, без прослушивания музыки в телефоне. Разработка хорошего профессионального чат-бота стоит недешево. Поэтому нельзя сказать, что чат-ботов внедряют исключительно ради экономии. Делать это надо так, чтобы робот общался практически неотличимо от живого человека, иначе будет негатив. Правильный способ – это создание дорогой и сложной математики, когда модель имитирует поведение реального сотрудника. Такая модель будет общаться и отвечать на вопросы пользователя, как живой человек.
Нейросети наиболее активно используются в банковском скоринге (он же кредитный анализ). Первопроходцами в этом деле были «Хоум Кредит» и «Сбербанк» (по крайней мере, именно о них были первые упоминания в СМИ в связи с использованием нейросетей для скоринга в 2017 году). Теперь скоринг через нейросеть стал привычным делом для большинства российских банков.
Кредитный скоринг с появлением нейросетей стал гораздо быстрее и эффективнее. Благодаря транзакционным данным из множества источников, включая сведения от сторонних компаний, являющихся клиентами банка, скоринг стал гораздо более точным. Конечно, транзакционными данными дело не ограничивается – самые продвинутые в плане ИИ банки сейчас используют данные из соцсетей, упоминания и связи клиентов, описания и новостные тексты.
Другие популярные направления внедрения нейросетей в банковскую отрасль:
- анализ взыскания задолженности;
- банковский маркетинг + алгоритмическая торговля;
- автоматизация кол-центров + оптимизация (благодаря чат-ботам);
- защита информации.
Сейчас у российских банков востребованы сразу несколько решений в области анализа данных на основе нейросети:
- Автоматизация процесса принятия решения по выдаче кредитов. Актуально, когда число заявок превышает возможность ручной обработки.
- Замена самостоятельно разработанных систем на универсальные. Команда разработчиков рано или поздно покидает любой банк, что делает систему неработоспособной.
- Оценка вероятности события дефолта по кредиту. Требуется для принятия решения по заявке на кредит.
- Оценка вероятности взыскания задолженности по кредиту. Требуется для определения очередности должников по приложению усилий по взысканию для минимизации затрат и максимальной эффективности принимаемых мер.
- Оценка вероятности непогашения задолженности до решения суда. Помогает снизить расходы на подготовку исков.
- Наличие системы рейтинговой оценки рисков. Требуется для снижения требований по обязательным нормативам.
Вообще, искусственные нейронные сети (ИНС) – один из многочисленных алгоритмов машинного обучения. Как любой алгоритм указанной группы, нейронные сети могут успешно применяться в решении определенного класса задач, например, оптимизации многофакторных систем, распознавания неструктурированных данных. Сфера применения ИНС ограничена. В наиболее актуальных задачах для финансовых организаций применяются иные алгоритмы, например, logit-регрессия, деревья решений. Бизнес-интерпретация результатов работы моделей на этих алгоритмах существенно лучше, чем на ИНС, что с лихвой компенсирует небольшую разницу в качестве классификации. Сфера применения ИНС будет расширяться за счет появления новых нетривиальных задач. Однако широкого и массового применения ИНС в ближайшее время не получат, как и в предшествующие годы. Основная масса организаций пока находится на этапе визуального анализа при помощи графики. До глубокой аналитики предстоит пройти немалый путь: от расчета простых агрегатов до выявления сложных зависимостей. Топ-менеджмент обычно не покупает то, чего не в состоянии понять с точки зрения бизнеса. Поэтому у ИНС немного шансов на внедрение в реальные бизнес-процессы.
Какие данные о нас собирают банки и учитывают при оказании услуг
Для кредитного скоринга (чтобы вынести решение об одобрении кредита или отказа в нем) банки используют данные из нескольких источников:
Банки используют два основных источника данных: собственные базы данных и данные социальных сетей. На ваших страницах банки анализируют следующую информацию:
- образование;
- место работы;
- семейное положение;
- сообщества и подписки;
- записи и посты;
- хэштеги в Instagram.
Вот как сами банки оценивают самые частые сценарии задействования больших данных и нейросетей (по данным отчета RAEX Аналитика):
По данным Сapgemini Consulting, скоринг на основе нейросети гораздо эффективнее, чем модели анализа, которые использовались в отрасли ранее. В ближайшем будущем нейросети затронут и массовые банковские сегменты. А пока активное внедрение нейросетей и других инструментов на основе ИИ требует колоссальных инвестиций. Также предстоит решить задачи, связанные с обучением персонала.
Такси и каршеринг: расчет тарифов
Ежедневно такси пользуются тысячи людей, но далеко не все знают о том, что и здесь постаралась нейросеть. Она обрабатывает огромный массив данных:
- спрос;
- точка отправления;
- точка назначения;
- суммарное время в пути;
- сложность маршрута;
- погода.
Если вы пользовались приложениями разных такси, то наверняка замечали, что спрос повышается в ночное время или в праздничные дни. В крупных сервисах итоговая стоимость поездки уже несколько лет рассчитывается благодаря нейросети. По словам финдиректора «Яндекса» Грега Абовского, нейросеть учитывает сотни как внешних, так и внутренних параметров поездки. Цель – максимально оптимизировать спрос и предложение. Абовский отмечает, что ИИ уже давно и крайне успешно заменил человека в прогнозировании: предсказать суммарное количество заказов, определить погодные явления на день, идентифицировать геоположение таксиста – со всем этим искусственный интеллект справляется куда лучше. По словам Абовского, цена на поездку поднимается только в том случае, если для этого имеются реальные предпосылки. ИИ не обманешь, и любые колебания можно считать оправданными.
Отечественный каршеринг «Яндекс.Драйв» использует нейросети для выявления агрессивных водителей. Задача – ограничить доступ к арендуемым авто тем, кто ведет себя слишком дерзко на дороге. «Яндекс.Драйв» пошел на этот шаг из-за негативного образа водителя каршеринга, который сформирован СМИ, исходя из множества ДТП с участием каршеринга.
По словам «Яндекс.Драйв», агрессивность определяется по сотне параметров, включая:
- общая плавность ускорения;
- общая плавность торможения;
- плавность нажатия на педаль газа;
- плавность нажатия на педаль тормоза;
- интенсивность поворота руля.
Аналогичную систему скоринга использует «Делимобиль», с системой поощрения аккуратных и временной блокировкой агрессивных водителей.
Uber является автором уникального патента, который описывает нейросеть, предсказывающую состояние пользователя приложения. В описании патента сказано, что система учитывает сотни, казалось бы, рандомных параметров: скорость ввода текста, суммарное число опечаток, скорость пешего передвижения и даже как изменяется наклон смартфона во время использования приложения. Зачем? Все просто: эта нейросеть используется для определения пьяных пользователей приложения Uber. Перевозка пьяных пассажиров всегда связана с определенными рисками, поэтому Uber сможет заранее предупредить водителя о потенциальной угрозе.
Страхование: расчет тарифов
Страховые компании уже давно взяли на вооружение потенциал нейросетей. Один из самых интересных кейсов – это японский страховщик Fukoku MLI. Несколько лет назад он подписал договор с корпорацией IBM. Цель: создать систему, которая будет максимально точно определять условия для страхования каждого клиента компании.
Сейчас нейросеть Watson Explorer от IBM помогает японскому страховщику регулярно анализировать десятки тысяч медицинских карт. Для подбора условий страхования анализируются сотни сопутствующих факторов, включая хронические заболевания, перенесенные хирургические операции, общее количество посещений медицинских заведений.
Отечественные страховые компании также не отстают – нейросети и самообучающиеся алгоритмы уже задействовали «Ренессанс страхование», «РЕСО-Гарантия», «Тинькофф Страхование», СОГАЗ, «Зетта Страхование», «Капитал Лайф Страхование Жизни» и другие.
Слово «нейросети» похоже на волшебное средство, с помощью которого можно решить все проблемы. Но в большей части задач, которые мы решаем в страховании, в них вообще нет необходимости. Чаще всего используются иные, интерпретируемые алгоритмы, основанные на ансамблях деревьев решений и регрессиях. Этих алгоритмов вполне достаточно для решения задач принятия клиента на страхование, расчета тарифа и выявления сегментов застрахованных, которым были бы интересны дополнительные продукты.
Но есть задачи, в которых, конечно, без нейросетей не обойтись. И здесь они позволяют значительно ускорить и частично автоматизировать внутренние процессы компании и взаимодействие с клиентами. Речь идет прежде всего о технологиях компьютерного зрения и обработке естественного языка (NLP), тесно связанных с нейросетями.
Нейросети актуальны, когда мы говорим о работе с изображениями (например, задачи определения ущерба автомобиля по фото) или обработке запросов клиентов (с помощью голосовых помощников и чат-ботов). Аналогичным образом дело обстоит с автоматической пересылкой писем клиентов в нужный отдел компании
Без нейросети значительно затруднена работа с естественным языком. И, конечно, есть проекты, связанные и с компьютерным зрением, и с NLP одновременно, например, распознавание сведений в прилагаемых документах.
Часть этих проектов – не будущее, а уже настоящее. С развитием технологий, основанных на нейросетях, и накоплением внутренних данных мы ожидаем, что процент автоматизации и, соответственно, положительный эффект от них увеличится.
Какие данные о нас собирают страховые компании при оформлении ОСАГО
Для самих страховщиков нейросети – это точное прогнозирование кросс-продаж и вероятности пролонгации. Кроме этого, алгоритмы помогают страховым компаниям распознавать речь и объекты на фотографиях, распределяют потоки клиентов на определенных менеджеров, эффективно решают служебные нужды компании.
Нейросети при работе с клиентами анализируют данные, типичные именно для расчетов страховых компаний. Например, когда мы говорим об автостраховании, то, кроме персональных данных, страховые компании «загоняют» в нейросеть и специфические параметры, включая:
- мощность транспортного средства;
- регион;
- срок действия полиса;
- регион, где зарегистрирован собственник ТС;
- общее число водителей;
- возраст водителя ТС;
- водительский стаж того, кто будет управлять автомобилем;
- общее число ДТП.
Анализируя все вышеперечисленное, нейросеть помогает страховой компании подобрать персональный тариф для конкретного клиента.
Реклама
Возможности нейронных сетей используют десятки корпораций, от Facebook до Google. Тот же Facebook благодаря нейросети в автоматическом режиме получает данные более чем о миллиарде своих пользователей в автоматическом режиме. Эти данные используются не только для ранжирования внутри социальной сети, но и для рекламы внутри соцсети.
Google использует нейросети в большинстве своих продуктов: от поиска до рекламы. Особенно сильно их действие сказывается на логике построения поисковой выдачи. Нейронные сети широко используются и в «Google Рекламе». Аналогичная ситуация – с «Яндексом».
Подробно про возможности нейросетей в рекламе, с разбором реальных кейсов компаний, написано в отдельной статье. Ее можно прочитать по ссылке ниже.
Несмотря на то, что нейросети пока проходят этап «детства», мы уже активно пользуемся сервисами на их основе. Мы каждый день сталкиваемся с ретейлом и прогнозированием, рекламой в интернете. Банки уже знают о нас гораздо больше, чем мы можем себе представить. Даже такси меняется благодаря нейросетям. В будущем их влияние на бизнес, скорее всего, усилится, так как применимость технологий вырастет в разы.
Нейронные сети активно используются в различных технологических продуктах Х5 для повышения операционной эффективности, улучшения качества и скорости обслуживания покупателей.