Рекомендательная система по ценообразованию в наличной конверсии

Клиент: СБЕР

Задача: Наличная валютная конверсия — одно из ключевых направлений розничного бизнеса крупнейшего банка России. Многотысячная сеть отделений по всей стране ежедневно обслуживает тысячи операций покупки и продажи наличной валюты. Доход формируется за счёт спреда — разницы между курсом Банка и рыночным курсом. Управление этим спредом напрямую определяет финансовый результат направления.

До запуска проекта спред устанавливался единым для всех отделений, без учёта локальной специфики. Отделение в центре Москвы с высокой конкуренцией и точка в регионе без конкурентов работали по одной цене. В результате банк систематически терял доход: в конкурентных локациях цена оказывалась завышенной, и клиенты уходили к конкурентам, а в монопольных — заниженной, и банк недополучал маржу.

Основная проблема — отсутствие инструментов для обоснованной дифференциации цен. Ручное управление ценами для тысяч точек невозможно: нужно учитывать десятки факторов одновременно — от географии и конкурентного окружения до сезонности и макроэкономической конъюнктуры.

Цели проекта

Перед командой стояли следующие задачи:

• перейти от единой цены к дифференцированному ценообразованию по каждому отделению;

• учитывать локальный спрос, конкурентное окружение;

• обеспечить управляемый рост дохода с контролем бизнес-показателей;

• выявлять эластичность спроса и находить точки оптимального ценообразования;

• создать инструмент для регулярного принятия решений бизнес-пользователями

Этап 1. Сбор и подготовка данных: от сырых источников к аналитическому контуру.

Этап 2. Модель предсказания спроса на архитектуре Temporal Fusion Transformer.

Этап 3. Оптимизация сценариев: поиск лучшей цены с учётом бизнес-ограничений.

Этап 4. Визуализация и внедрение: от модели к операционному инструменту.

Проект стартовал с построения надёжной дата-инфраструктуры. Команда собрала и систематизировала данные из нескольких источников: исторические операции по отделениям, геоданные отделений банка, конкурентное окружение, графики работы отделений.

Все данные были загружены в аналитический контур на базе Greenplum и Hadoop. Была спроектирована и автоматизирована регулярная поставка данных — ETL-процессы обеспечивают актуальность информации для модели. Отдельная задача — нормализация и очистка данных: операции отделений содержат выбросы, пропуски, связанные с нерабочими днями.

Разработка ML-решения.

Для моделирования спроса использована архитектура Temporal Fusion Transformer (TFT) на PyTorch — современный подход для работы с временными рядами и множеством факторов.

Модель прогнозирует объём спроса на покупку и продажу валюты в зависимости от:

• уровня спреда;

• конкурентного окружения;

• исторических паттернов спроса;

• графики работы отделений.

Ключевая особенность — генерация множества ценовых сценариев для каждого отделения и оценка спроса для каждого из них. Это позволило перейти от статической оценки к моделированию полной кривой спроса. Использование трансформерной архитектуры для задачи ценообразования в банковской офлайн-сети стало прорывным и дало существенный прирост качества прогнозов.

На основе прогнозов, с привлечением AI-лаборатории банка, был разработан собственный оптимизационный модуль.

Алгоритм использует метод перестановок для перебора и оценки различных комбинаций ценовых сценариев с учётом ограничений:

• недопустимость просадки по доходу;

• ограничения на допустимую сетку цен;

• баланс между операциями покупки и продажи валюты.

Система позволяет задавать разные бизнес-цели:

• максимизация дохода;

• рост объёмов операций;

• поиск наиболее эластичных отделений.

Нетривиальность этапа заключалась в необходимости совмещать ML-прогнозы с жёсткими бизнес-ограничениями и обеспечивать управляемый результат для бизнес-пользователей.

Для интеграции решения в операционную деятельность был разработан дэшборд в QlikSense.

В интерфейсе доступны:

• прогнозы спроса по каждому отделению;

• сравнение ценовых сценариев;

• оценка влияния решений на доход и объёмы.

Инструмент используется бизнес-подразделениями для регулярного управления ценами.

Характеристики проекта, которые невозможно по-другому добавить в онлайн-заявке (их нет в выпадающих списках):

Сайт рабочего проекта:

-Дашборд в QlikSence (внутренний сайт)

Оказанные услуги:

-Ценообразование

-Автоматизация

Стек технологий:

• Системы аналитики

- QlikSence

• Базы данных

- Hadoop

- Greenplum

Бюджет:

-NDA

Награды:

-Customer Force Award 2025 в номинации «Лучшее использование данных для улучшения клиентского опыта» в категории «Умный сервис»

https://customerforceawards.ru/winners2025

• Достигнут подтверждённый финансовый эффект: ~3% прирост дохода по направлению наличной валютной конверсии в сравнении с периодом 2024–2025 гг.

• Эффект валидирован с использованием контрольной группы отделений: сравнивались показатели отделений с внедрённой системой и без неё, что позволило изолировать влияние модели.

• Охват: к более 400 отделений по всей России было применено умное ценообразование.

Качественные результаты:

• реализован переход от единой модели ценообразования к ML-ориентированному дифференцированному подходу;

• внедрена методика мониторинга эффекта от изменения цен;

• бизнес получил инструмент для управляемого тестирования гипотез и поиска оптимальных ценовых точек;

• повышена прозрачность принятия решений за счёт визуализации сценариев и прогнозов.

Проект продемонстрировал, что применение современных ML-архитектур в офлайн-банковских процессах способно давать измеримый и устойчивый бизнес-эффект.