Оптимизация Cash Flow для сети банкоматов

Снижение операционных затрат на обеспечение банкоматов наличными средствами.

Для анализа были взяты реальные суточные данные снятия наличных в банкомате. При построении ML-модели использовался Gradient Boosting Regressor. Решение включало три этапа.
Первый этап состоял из: оценки данных; определения требований и критериев успеха; загрузки, деперсонализации и обогащения данных; соглашения о процедуре эксперимента.
Второй этап заключался в: сегментации объектов исследования; обучении, тестировании и оценке качества модели.
На третьем этапе были реализованы: автоматизированная загрузка данных или развёртывание модели в среде заказчика; регулярный контроль качества путём А/В тестирования; техническая поддержка модели и оптимизация при поступлении новых данных.

Реализовано автоматическое прогнозирование спроса на наличность с погрешностью в пределах 0,01—3,5 %. Достигнуто снижение операционных расходов: объёма отвлечённых средств до 30%, кешбэка – до 40%, времени простоя “out-of-cash” – до 0,2%.