Альфа-банк — крупнейший в России частный банк, занимает четвертое место по размеру активов ($61,8 млрд по итогам 2020 года). В сеть кредитной организации входит 400 офисов и около 28 тыс. собственных и партнерских банкоматов.
Задача
Разработать модель, способную определить оптимальные места размещения социальных объектов в Москве.
Эту задачу поставили перед командами в 2021 году на конкурсе «Лидеры цифровой трансформации», который ежегодно проводят московские власти. Цель конкурса — создание цифровых решений и продуктов для города.
Мотивация и предпосылки
В Москве ежегодно строятся десятки социальных объектов, причем объемы и темпы их возведения постоянно растут. Только в сфере образования город планирует каждый год вводить по 40–50 объектов.
Но социальной инфраструктуры все равно не хватает. К примеру, до сих пор сохраняется дефицит мест в детсадах и школах. А МФЦ в шаговой доступности есть только у 38% жителей Старой Москвы, подсчитали дата-сайентисты Альфа-банка, которые участвовали в конкурсе «Лидеры цифровой трансформации».
Раньше они уже решали задачи на поиск оптимальных мест размещения объектов. Но речь шла не о социальной инфраструктуре, а о банкоматах и офисах. В банке создали аналитический сервис Geonet, который работает на основе геоинформационной системы Atlas.
Сервис учитывает больше 900 переменных — например, район, удаленность от метро, маршруты общественного транспорта, количество транзакций в разных категориях покупок. С его помощью специалисты просчитали около 500 млн вариантов расположения офисов и выстроили план трансформации банковской сети.
Подобные технологии можно применять не только в бизнесе, но и в городской жизни, подчеркивают в Альфа-банке. Поэтому, узнав о конкурсе и поставленных на нем задачах, команда банка захотела принять участие и опробовать свою модель в новой сфере.
Решение
Дата-сайентисты Альфа-банка использовали свой опыт в геоаналитике, чтобы рассчитать оптимальное расположение социальной инфраструктуры и сделать ее доступной для большего числа людей.
При этом они решили отталкиваться не от расстояния, а от времени, за которое можно добраться до объекта. Основным критерием для оценки локаций стала их 15-минутная шаговая доступность.
В городе с большим количеством барьеров временной критерий работает лучше, объясняют в команде банка. В Москве много неудобных для передвижения зон, и короткое расстояние до объекта далеко не всегда означает, что до него можно легко и быстро добраться.
Реализация
- Какие данные использовали
Одним из требований конкурса было использование только городских или общедоступных датасетов. Организаторы предоставили данные о населении и концентрациях людей в Москве. Информацию о существующей инфраструктуре команда выгрузила с помощью сервиса 2gis.
Из потенциальных вариантов размещения исключили локации, где нежелательно или невозможно строить объекты. Например, промзоны, коммерческие территории, леса или реки. Эти данные получили с помощью бесплатного сервиса overpass turbo.
В дата-сеты добавили специальные линии — изохроны. Они очерчивают район, в который можно добраться из заданной точки за определенное время. В расчетах использовали изохроны для пешеходов на 15 минут.
- Какой выбрали подход
Сначала команда собиралась использовать тот же подход, что применяет в рабочих задачах банка. Но посмотрев на данные, дата-сайентисты поняли, что у них не получится это сделать.
Модель, на основе которой работает Geonet, учитывает множество критериев и просчитывает эффективность расположения объекта с точки зрения бизнеса. «Если использовать тот же модельный подход машинного обучения для городских задач, то мы сможем сказать: объекты лучше расположить здесь и здесь. Но насколько это изменит ситуацию в Москве, модель объяснить не сможет», — объясняет капитан команды Евгений Гаврилин.
Поэтому вместо сложной модели эксперты создали простой алгоритм. Он рассчитывает оптимальное расположение объекта исходя из единственного параметра — плотности населения.
В основе решения — полный перебор всех возможных вариантов. Алгоритм располагает объект в каждой точке карты и для каждой точки оценивает эффект. То есть анализирует, как меняется количество людей, которые могут пешком добраться до инфраструктуры за 15 минут.
Результаты
Команда геоаналитики Альфа-банка вошла в топ-3 по итогам конкурса «Лидеры цифровой трансформации». Разработанный алгоритм помог определить локации таким образом, чтобы каждый новый объект максимально увеличивал охват для населения.
Один из показательных примеров — Северо-Восточный административный округ. Сейчас только 40% его жителей могут добраться из дома до МФЦ пешком за 15 минут. Но если добавить всего три МФЦ в предложенных алгоритмом точках, покрытие в шаговой доступности вырастет до 50%.
В команде подчеркивают, что этот подход принципиально отличается от всех известных решений. Он дает возможность понять, как именно появление нового объекта повлияет на доступность инфраструктуры для населения.
«Наше решение дает объективный и прозрачный ответ на вопрос, почему размещать объект правильно именно здесь. А при создании социальной инфраструктуры очень важно, чтобы жители могли понять логику властей и градостроителей», — говорит руководитель департамента продвинутой аналитики Альфа-банка Алексей Каширин.
Примеры объектов, которые предложил построить алгоритм от Альфа-Банка
- МФЦ в 500 м от метро «Ховрино» и в 200 м от одноименной ж/д станции. Новый центр охватит не только жителей Ховрино, но и район Бусиново.
- МФЦ в пешей доступности от четырех станций метро — «Кунцевская», «Пионерская», «Филевский парк» и «Славянский бульвар». Этот объект поможет полностью покрыть район Фили-Давыдково и разгрузить ближайший МФЦ.
- Поликлиника в районе Чертаново Южное — рядом с метро «Аннино» и в пешей доступности от метро «Улица Академика Янгеля». Там находится много многоэтажных домов, но поликлиники в пешей доступности пока нет.
- МФЦ в районе Коньково. Сейчас два ближайших МФЦ находятся более чем в 30 минутах ходьбы, а район густонаселенный.
Как можно улучшить решение
В алгоритм заложены возможности для улучшений, которые делают его более гибким.
- Время и транспорт
Вместо 15 минут можно взять другие временные интервалы в промежутке от 5 до 20 минут. А также рассчитать доступность для разных видов транспорта, в том числе велосипедов и автомобилей.
- Данные по населению
Алгоритм может учитывать не только плотность населения, но и дополнительные данные — например, о количестве работающих, возрасте проживающих или проходимости различных локаций. Так можно точнее оценить потребность в инфраструктуре.
- Перемещение объектов
Архитектура решения позволяет не только добавлять новые объекты на карту, но и передвигать существующие. «Вполне возможно, какой-то объект расположен не совсем оптимальным образом. И если, допустим, МФЦ переедет в другое здание на расстоянии один-два километра, это существенно увеличит его доступность и эффект для населения», — объясняют в команде геоаналитики.
- Выбор места вручную
В решение можно добавить выбор локаций вручную. При этом алгоритм будет выводить сравнительную статистику. То есть пользователь сможет оценить, какое из двух вариантов расположения лучше.
Планы и перспективы
В Альфа-банке планируют использовать новый алгоритм для дальнейшей оптимизации сети банкоматов. Но само по себе решение универсально. Его можно применить во многих сферах, где необходимо правильно расположить объекты.
«Когда задача решается вручную, то очень важна ее специфика. Но методы продвинутой аналитики дают более гибкие возможности, — говорит Алексей Каширин. — Решая одну задачу, опыт и подход можно экстраполировать на большое количество других задач. В этом основная ценность моделей машинного обучения».