Как ML-модели помогают снижать потери и увеличивать прибыль

Егор Миранцов, старший аналитик ОТП Банка, провёл мастер-класс для студентов НИТУ МИСИС, где рассказал о практическом применении ML-моделей в бизнесе и о том, как они помогают увеличивать прибыль компании. Делимся основными тезисами.

ML — это не просто технология, а инструмент, который помогает бизнесу расти. Компании, которые внедряют машинное обучение осознанно, получают конкретные бизнес-результаты: растёт конверсия, снижаются потери от мошенничества и ускоряются операционные процессы.

ML также значительно улучшает пользовательский опыт: клиенту легче выбрать нужный ему продукт, получать персонализированные рекомендации, а также значительно сокращается время получения поддержки. По словам спикера, таким образом, ML-модели могут увеличивать вовлечённость и время, которое пользователи проводят на сайте.

ML-модели эффективно выявляют мошеннические операции, при этом не отклоняя транзакции добросовестных клиентов: решения принимаются практически мгновенно. В целом использование машинного обучения позволяет существенно снижать потери, связанные с фродом, оттоком клиентов, просрочками и операционными простоями.

ML активно применяется и в других бизнес-процессах: от кредитного скоринга и принятия решений по заявкам до маркетинга, где модели помогают сегментировать аудиторию и предлагать более релевантные продукты и рекламу.

«Не каждой компании нужен ML — и это нормально. Такие решения эффективны там, где есть понятная бизнес-метрика, большое количество повторяющихся решений, сложные паттерны в данных, а также инфраструктура для тестирования и мониторинга моделей», — поделился Егор Миранцов.

При этом спикер подчеркнул, что эффект от ML измеряется в деньгах, а не в метриках. Ценность любого ML-решения определяется через A/B-тесты и бизнес-экономику — дополнительную выручку, снижение потерь и стоимости ошибок, а не только технические показатели качества модели.

В то же время спикер предупредил, что ML-модели также могут ломаться. Причин для этого может быть несколько: устаревшие фичи, резкая смена поведения пользователя, сезонный сдвиг данных, изменение цен или ассортимента. Поэтому важную роль играет не только разработка модели, но и ее дальнейшая поддержка, а также настройка параметров.

Егор Миранцов также рассказал о ключевых этапах внедрения ML-решений: от формулирования бизнес-задачи и оценки стоимости ошибки до создания базового решения, проверки качества данных и запуска пилота. Только после этого модель масштабируется на весь продукт с обязательной настройкой мониторинга качества и стабильности работы.

«ML — это часть продуктовой и инженерной системы, и часто происходят ситуации, когда побеждает не самая сложная модель, а лучшая интеграция во все процессы. Чтобы принять решение о запуске, важно не только оценить эффект, но и понимать экономику всего процесса», — заключил Егор.