ОТП Банк — ML-модели для антифрода, скоринга и ML-маркетинга
Описание проекта
ОТП Банк применяет ML-модели в ключевых направлениях банковской деятельности. В антифроде: ML-модели анализируют транзакции в режиме реального времени и выявляют мошеннические операции без блокировки легитимных транзакций — за счёт персонализированных поведенческих профилей каждого клиента. В кредитном скоринге: ML-алгоритмы принимают решения по кредитным заявкам, анализируя сложные паттерны в данных. В маркетинге: ML-модели сегментируют клиентскую базу и определяют наиболее релевантные продукты и каналы коммуникации для каждого клиента. Управление исследования данных и машинного обучения возглавляет Евгений Зубков (начальник управления). По оценке банка, к 2030 году ИИ может увеличить прибыль банков на 12–15% за счёт повышения эффективности и оптимизации внутренних процессов.
Задача
Рост числа мошеннических операций, необходимость ускорить кредитные решения и персонализировать маркетинговые коммуникации в условиях высокой конкуренции на рынке потребительского кредитования.
Цели внедрения
-
Выявлять мошеннические операции в реальном времени без отказа добросовестным клиентам
-
Ускорить принятие кредитных решений за счёт ML-скоринга
-
Снизить отток клиентов и операционные потери через предиктивные модели
-
Повысить конверсию маркетинга через персонализацию
Результаты
-
Финансы
-
Снижение потерь от мошенничества, оттока клиентов, просрочек и операционных простоев (количественные данные не раскрыты)
-
Рост конверсии в маркетинге Время
-
Решения по мошеннической операции — практически мгновенно (real-time scoring)
-
Сокращение времени получения клиентской поддержки Качество и эффективность
-
ML-антифрод выявляет мошеннические операции, не отклоняя транзакции добросовестных клиентов
-
Модели сегментации выявляют наиболее склонных к оттоку клиентов; целевые коммуникации снижают отток Качественный эффект: ОТП Банк применяет ML как системный инструмент во всех ключевых банковских процессах: от заявки на кредит до удержания клиента; эффект измеряется через A/B-тесты и бизнес-экономику (дополнительная выручка, снижение стоимости ошибки), а не только технические метрики качества модели.