По словам Дмитрия Рузанова, Директора департамента продвинутой аналитики, моделирования и монетизации данных ПСБ, «такие мероприятия как Fintech Data Day позволяют обменяться мнениями и адаптировать лучшие практики под свой бизнес».

"Рассказы крупнейших банков о своих подходах к внедрению ИИ - топ сегодняшней программы" - отметила участница форума Вера Перевицкая, начальник управления валидации Альфа-Банка.

Готов пострелиз Форума, в котором мы подсветили интересные цитаты из выступлений и некоторые ключевые моменты дискуссий.

Полный текст доступен по ссылке

"В этом году Fintech Data Day собрал более 700 участников — это абсолютный рекорд за четырехлетнюю историю проведения форума. Мы гордимся тем, что наше событие становится все более востребованным и масштабным, объединяя ведущих профессионалов в области данных.

Подготовка к пятому юбилейному форуму уже началась — планируем значительно увеличить масштаб мероприятия и сделать его еще более ярким, полезным и продуктивным", — сообщила Евгения Якунина, генеральный директор компании «Регламент», организатора форума Fintech Data Day.

"Проведенный форум стал важной вехой в обсуждении роли данных и искусственного интеллекта в современном финтехе. Мы убедились, что данные — это не просто сырье для аналитики, а основа для принятия стратегических решений, и AI — уже не экспериментальный инструмент, а ключевой драйвер эффективности и инноваций.

Главный вывод форума: технологии развиваются стремительно, и те, кто научится эффективно управлять данными и интегрировать AI в бизнес-процессы, окажутся в авангарде финансового рынка. Настроение участников можно охарактеризовать как “вдохновленную уверенность” — уверенность в возможностях технологий и вдохновение от реальных примеров их применения", — отметил Александр Толмачев, генеральный продюсер форума, эксперт по созданию высоконагруженных дата-решений в финтех-индустрии.

Пострелиз тут 👉 Качество данных как фундамент бизнеса банка: на Fintech Data Day эксперты обсудили стратегии и вызовы работы с данными

🎦 Друзья, представляем вашему вниманию итоговый ролик с Fintech Data Day!

Вспомните, как прошел форум, собравший более 700 участников, послушайте отзывы от спикеров и готовьтесь к посещению наших следующих мероприятий:

🟦17 сентября. Scoring Day 2025. Главное событие осени для профессионалов в области анализа данных и оценки кредитных рисков

🟦 30 октября. Форум лидеров страхового рынка. Прямой диалог рынка и власти о будущем российского страхования

🟦 20 ноября. FINNEXT Asia 2025. Международный форум финансовых инноваций. Стратегические направления развития банков, платежных организаций и финтеха в Узбекистане и в Средней Азии

🟦 11 декабря. CX Fintech Day 2025. Технологии лидеров, меняющие мир взаимодействия с клиентом

Следите за нашими обновлениями!

Как получить от государства инвестиции на дата-проекты?

О мерах поддержки дата-проектов на Fintech Data Day рассказала Надежда Сурова, член Совета по цифровой экономике Совета Федерации:

— нужно всегда быть в курсе, в какие технологии и направления государство будет инвестировать в ближайшие годы. Мониторинг документов от регуляторов может привести ИТ-компанию к коммерческому успеху — если, например, вовремя обнаружить возможность продавать свои продукты по сниженной цене, компенсируя часть стоимости за счет государства.

— не нужно бояться сложных названий проектов. В прошлом году на научные исследования в части ПО для гражданских беспилотных систем на конкурсной основе было выиграно 500 миллионов рублей из 5 миллиардов. Выиграна была только половина — потому что айтишники не знали о существовании таких конкурсов.

— есть возможность сотрудничать с вузами для получения финансирования на создание прототипов. Всего существует 19 основных национальных проектов, на вершине находятся государственные программы, под ними — национальные проекты, а в каждом из них — федеральные проекты (например, «Искусственный интеллект»). Все проекты финансово обеспечены и имеют четко прописанные параметры: какой ФОИВ, через какого оператора, в каком месяце и на что будут выделены средства.

— министерства часто распределяют средства через институты развития. Можно воспользоваться навигатором сервисов для поиска актуальных конкурсов и получения возможностей, необходимых бизнесу.

Сбой в данных = сбой в бизнесе: как избежать?

Об этом на Fintech Data Day рассказал Николай Шевцов, руководитель дирекции по управлению данными ОТП Банка.

За 2,5 года команде удалось:
— ускорить разработку, сократить количество ошибок, повысить качество отчётности и решений и улучшить клиентский опыт — потому что качество данных встроено в процессы по умолчанию.

— и главное — автоматизировать проверки качества. На живом дашборде видны проценты качества на каждом уровне. Для банков со сложной архитектурой АБС это критично: ответ находится мгновенно.

Суть проблемы на старте проекта:
- Некачественные данные — прямые бизнес-потери: неверный скоринг, необоснованные отказы, потеря клиента, риски в отчётности и сверках.
- Данные — ключевой актив на всех этапах: источники, хранилища, витрины, отчёты, ML. Ошибка на входе многократно усиливается к моменту принятия решения.
- Цена ошибки: поломанные процессы, упущенная выручка, ухудшение клиентского опыта.

Подход команды:
1. Все метаданные (домены, владельцы, бизнес-процессы, бизнес-глоссарий и каталог данных) хранятся в Data Governance Platform. В процессы встроено создание двух документов: бизнес-требований (BRD) и функциональной спецификации (FSD). Это не файлы и не ссылки — это полноценные объекты внутри платформы.

2. Структурированные BRD/FSD позволяют:
- Генерировать проверки качества данных.
- Генерировать SQL для создания витрин, выгрузок и других объектов данных. Разработчики на этом этапе не нужны, справляются аналитики.

3. Следующим этапом стала автоматизация проверки DQ:
- От ручных проверок отказались полностью.
- Технические автопроверки (полнота, уникальность, консистентность и т. п.) формируются при выводе в прод без участия людей.

В третьем квартале завершается MDP по бизнес-проверкам: зная тип поля (паспорт, ФИО, ДР), система предлагает релевантные проверки — пользователю остаётся подтвердить и сохранить.

17 сентября приглашаем вас на Scoring Day - будут обсуждаться не менее интересные темы!

Неваляшка-стандарт для данных: как добиться устойчивости при любых катаклизмах?

На Fintech Data Day Роман Мезенцев, директор по управлению проектами ИТ‑сервисов Почта Банка, поделился практиками защиты, тестирования и оценки эффективности данных.

Зачем это нужно
— Ради доверия: деньги и связанные с ними данные должны быть доступны, целостны и защищены.
— Умение быстро изолировать инцидент важнее мгновенной «диагностики»: сначала локализуем, потом разбираемся и лечим.

Откуда приходят риски
— Природа: жара, пожары, наводнения, «челябинские метеориты».
— Человеческий фактор: ошибки, баги, «трактор перерубил оба узла связи».
— Инфраструктура: всё, что может сломаться, однажды сломается.

Как защищаться
— Распределенные резервное копирование;
— Архитектура высокой доступности: кластеры, active‑active/active‑passive, DR‑ЦОДы, геораспределение.
— Жесткое разграничение прав и ролей вместо «как хорошо, если бы у всех были рут‑права».
— Автоматизированный мониторинг и оповещения.
— Регулярные учения: разборы, "wargames", имитации сбоев, контролируемые отключения. Построить мало — нужно доказывать работоспособность.

Что нужно измерять?
Из 12 метрик наиболее критичны:
— RTO: за сколько восстановимся.
— RPO: сколько данных допустимо потерять.
— И неочевидное: уверенность команды в своих действиях. Ее растит регулярное DR‑тестирование — оно шлифует процессы и сам DR‑план.

‼️RTO/RPO — не «цифры для отчёта», а ориентиры для архитектурных решений и оценки эффективности.

«Как и многие коллеги, я мечтаю о большой красной кнопке» для вызова ИИ-помощника, который решит все проблемы. Но пока такой кнопки нет — нужно знать угрозы в лицо, строить правильную архитектуру, проводить DR-тестирование и измерять все ключевые параметры — и верить, что наши данные, как неваляшка, встанут, восстановятся и сохранят свою устойчивость», — резюмировал Роман.

Роман Мезенцев — руководитель с 20-летним стажем работы в сфере ИТ и управления бизнес-процессами. Отвечает за автоматизацию и управление ИТ процессами, улучшение пользовательского опыта, предиктивное выявление проблем и аварий.

17 сентября приглашаем вас на Scoring Day - будут обсуждаться не менее интересные темы!

Как ускорить процессы вокруг моделей принятия решения?

Об этом на Fintech Data Day рассказал Игорь Вахламов, управляющий директор Газпромбанка.

Зачем ускорять процессы?
- Оставаться конкурентоспособными и успевать за рынком.
- Быстрее экспериментировать и внедрять изменения.
- Экономить ключевые ресурсы.

За счет чего ускорять?
- Быстрая финансовая оценка эффектов.
- Автоматизация подготовки ТЗ и данных.
- Автокалибровка моделей, подбор сегментов и cut-off.

Почему нужны регулярные обновления
Модели (особенно градиентный бустинг) деградируют: около −0,5 п.п. метрики в месяц и через 4–6 месяцев заметно теряют пригодность из‑за data drift, concept drift и изменений среды.

Как оценить ущерб
Используем финансовую оценку изменения метрики. Имея работающую стратегию и экономику успешных/неуспешных кейсов, можно:
- сгенерировать бутстреп-выборки для варьирования метрик;
- для каждой построить зависимость средней прибыли от метрики и управляемых факторов.

Коэффициент при метрике даст денежный эффект одного пункта. Если он значим, идем дальше.

Постановка задачи
Готовим дизайн-документы, ТЗ, согласования с бизнесом. LLM помогают формулировать цели, источники, таргеты, требования к мониторингу и пр.

Автоподготовка данных
1) Интеграция с источниками и автоматическое извлечение признаков.
2) Проверка качества/стабильности и рекомендации по улучшению.
3) Преобразование и передача данных в модель.

Автокалибровка моделей
- Поиск сегментов для калибровки.
- Выбор методов перехода и их настройка (важно для чувствительных к трендам рисковых моделей).
- Выбор и настройка самих методов калибровки.

Гибкий подбор сегментов
- конструируем искусственную величину, учитывающую и целевой признак, и выход модели, чтобы видеть, где модель сильнее/слабее.
- Обучаем, например, дерево решений на признаках, доступных для сегментации, и автоматически находим сегменты.

Подбор cut-off
- Вариант 1: отсекать максимум при риске не выше порога.
- Вариант 2: оптимизировать recall — найти заданную долю проблемных в отсеченном множестве.
- Вариант 3 (частый в рисках): максимизировать одобряемую популяцию при ограничении на риск.

Гибкая логика по сегментам
- В сегментах с лучшей работой модели — выше cut-off и жестче отсечение.
- В слабых — мягче пороги.
- При высокой доле целевого класса — можно ужесточать отсечение.

Итеративная настройка
- Для каждого сегмента подбираем коэффициент целевой метрики отсечения.

Эффект
- минус 3–5% отказов за счет математических методов ручной настройки.

Мониторинг после внедрения
- Автосбор данных.
- Автодиагностика аномалий и выбросов.
- Предсказательный мониторинг: прогноз индексов стабильности и эскалация только значимых отклонений.

"В будущем моделирования мы ожидаем: различные экосистемы данных, включая генеративные feature store’ы, проактивные дата-пайплайны для переобучения, песочницы для тестов; персонализированные движки (например, продуктовые трансформеры для адаптация предложений под поведение клиента, предсказание событий по жизненным изменениям клиента, а также движение в сторону больших моделей", - поделился в заключение прогнозами Игорь Вахламов.

17 сентября приглашаем вас на Scoring Day - будут обсуждаться не менее интересные темы!

Когда Lakehouse — лучшее решение для бизнеса?

Поговорили с Владиславом Подречневым, директором направления инженерии данных «Синимекс», о том:

— Как появление Lakehouse — новой модели гибридной архитектуры данных — изменило рынок и практики команд;
— Каким требованиям должна соответствовать полноценная Lakehouse-платформа;
— Какие бизнес-задачи она закрывает в первую очередь.

Где Lakehouse дает максимум эффекта:
1) Аналитика на больших объемах разнородных данных — от классического BI до предиктивных моделей.
2) Быстрый вывод новых сценариев в прод: антифрод, персонализация, мониторинг событий, анализ поведения клиентов.
3) Подготовка данных для AI/ML-треков.
4) Банковская регуляторная отчетность и единая платформа данных для разных подразделений.

‼️ Важно помнить: Lakehouse — не «серебряная пуля», в работе с данными сложности, как правило, лежат в плоскости организационных процессов и культуры на стороне заказчика. Ключ к успеху остается за рамками собственно технологий: в организационных решениях и в том числе в политической воле, которая делает работу с данными стратегией, целью проекта и нормой для всех сотрудников компании.

Больше подробностей - в интервью по ссылке