Weekly Scoring News: Samsung планирует выход на рынок кредиток США, ЦБ расширяет антифрод, бизнес-просрочка на максимуме, но выдачи растут
Samsung планирует выйти на рынок кредитных карт США. По данным The Wall Street Journal, компания уже ведет переговоры с английском банком Barclays. Сделка пока не гарантирована, но официальное объявление о партнерстве ожидается до конца текущего года. Рассматривается модель, при которой кэшбэк по новой карте будет автоматически зачисляться на баланс Samsung Cash с возможностью перевода на высокодоходный сберегательный счет бренда.
ЦБ предложил ужесточить требования к расчету долговой нагрузки заемщика. Изменения могут вступить в силу с 1 апреля 2026 года. В их числе:
- введение дисконтирующего коэффициента 10%,
- исключение выписок по счетам с иными доходами из перечня документов, подтверждающих доход ;
- обязанность формировать и предоставлять гражданам выписки по счетам, используемым для подтверждения доходов, возлагается только на банки, где открыт счет с доходами;
- запрет на использование документов с информацией о доходах ИП, выданных предпринимателем самому себе;
- а также признание суммы среднемесячных платежей по кредитам клиента равной его среднемесячному доходу в случаях, когда отсутствует согласие заемщика на раскрытие банку основной части кредитной истории.
Банк России расширил список признаков мошеннических операций. Новые правила начнут действовать с 1 января 2026 года.
В список добавились еще шесть признаков по банковским операциям и два по цифровому рублю. В частности, туда были добавлены операции по крупным переводам через СБП — от 200 тыс. руб., а также, например, смена номера телефона для входа в онлайн-банк, получение банком информации от операторов связи о том, что у клиента изменились характеристики телефона, например используется нетипичный интернет-провайдер.
Объем просроченной задолженности бизнеса вырос почти до 3 трлн рублей. Почти четверть российских компаний имеют просроченные кредиты — их доля выросла на 6 п.п. за год и стала максимальной за 2,5 года. Объем задолженностей с просрочкой приблизился к 3 трлн руб., а общее корпоративное кредитование превысило 80 трлн руб. Рост долга связан с высокой ключевой ставкой, которая долгое время держалась на уровне 21% годовых, что сделало заемные средства слишком дорогими.
В то же время бизнес-кредитование показало аномальный скачок на фоне снижения ставок. В октябре корпоративный портфель российских банков вырос более чем на 2 трлн рублей (+2,3%), что стало рекордом как минимум с начала прошлого года. Наибольший вклад внес Сбербанк — его выдачи увеличились на 678 млрд рублей, а общий объем кредитов за месяц достиг 3 трлн. В банке активность объяснили снижением процентных ставок по продуктам для бизнеса.
Samsung планирует выйти на рынок кредитных карт США. По данным The Wall Street Journal, компания уже ведет переговоры с английском банком Barclays. Сделка пока не гарантирована, но официальное объявление о партнерстве ожидается до конца текущего года. Рассматривается модель, при которой кэшбэк по новой карте будет автоматически зачисляться на баланс Samsung Cash с возможностью перевода на высокодоходный сберегательный счет бренда.
ЦБ предложил ужесточить требования к расчету долговой нагрузки заемщика. Изменения могут вступить в силу с 1 апреля 2026 года. В их числе:
- введение дисконтирующего коэффициента 10%,
- исключение выписок по счетам с иными доходами из перечня документов, подтверждающих доход ;
- обязанность формировать и предоставлять гражданам выписки по счетам, используемым для подтверждения доходов, возлагается только на банки, где открыт счет с доходами;
- запрет на использование документов с информацией о доходах ИП, выданных предпринимателем самому себе;
- а также признание суммы среднемесячных платежей по кредитам клиента равной его среднемесячному доходу в случаях, когда отсутствует согласие заемщика на раскрытие банку основной части кредитной истории.
Банк России расширил список признаков мошеннических операций. Новые правила начнут действовать с 1 января 2026 года.
В список добавились еще шесть признаков по банковским операциям и два по цифровому рублю. В частности, туда были добавлены операции по крупным переводам через СБП — от 200 тыс. руб., а также, например, смена номера телефона для входа в онлайн-банк, получение банком информации от операторов связи о том, что у клиента изменились характеристики телефона, например используется нетипичный интернет-провайдер.
Объем просроченной задолженности бизнеса вырос почти до 3 трлн рублей. Почти четверть российских компаний имеют просроченные кредиты — их доля выросла на 6 п.п. за год и стала максимальной за 2,5 года. Объем задолженностей с просрочкой приблизился к 3 трлн руб., а общее корпоративное кредитование превысило 80 трлн руб. Рост долга связан с высокой ключевой ставкой, которая долгое время держалась на уровне 21% годовых, что сделало заемные средства слишком дорогими.
В то же время бизнес-кредитование показало аномальный скачок на фоне снижения ставок. В октябре корпоративный портфель российских банков вырос более чем на 2 трлн рублей (+2,3%), что стало рекордом как минимум с начала прошлого года. Наибольший вклад внес Сбербанк — его выдачи увеличились на 678 млрд рублей, а общий объем кредитов за месяц достиг 3 трлн. В банке активность объяснили снижением процентных ставок по продуктам для бизнеса.
❤2👍2
Weekly Scoring Day: банкротство молодеет, бизнес РФ тратит 40% прибыли на кредиты, фрод превращается в услугу
Российский бизнес на пределе долговой нагрузки: около 40% прибыли компаний уходит на обслуживание кредитов — это исторический максимум, в три раза выше уровня двухлетней давности. Аналитики Центра макроэкономического анализа и краткосрочного прогнозирования отмечают, что долговая нагрузка достигла критической отметки. Наибольшие риски — у деревообработки, автопрома, строительства, а также производства мебели и одежды.
Молодежь в России стала банкротиться заметно чаще. Возраст граждан, прибегающих к процедуре банкротства, стремительно снижается. Если в 2020 году 78% обращений о банкротстве физических лиц приходило от россиян старше 45 лет, то в 2025 году — уже 58%. Среди возможных причин — высокая доступность кредитных продуктов и рост мошеннических схем, которые распространяются параллельно с расширением рынка кредитования.
В Т-банке зафиксировали рост случаев фрода с участием специальных компаний, которые "помогают" клиентам обанкротиться. Об этом заявил глава «Т-технологий» Станислав Близнюк. По его словам, если раньше подобные схемы были характерны для авторынка, то теперь «людей учат, как обанкротиться, как оставить квартиру, вернуть себе долги, списать и потом через два года обратно быть полноценным участником общества».
Сбер: несмотря на «беспрецедентные» меры по борьбе с телефонными мошенниками, правительству и спецслужбам не удалось справиться с ними. Потери россиян от телефонного фрода по итогам года могут вырасти на 15-20%. В прошлом году, по данным банка, телефонные мошенники похитили у россиян около 300 млрд рублей.
Российский бизнес на пределе долговой нагрузки: около 40% прибыли компаний уходит на обслуживание кредитов — это исторический максимум, в три раза выше уровня двухлетней давности. Аналитики Центра макроэкономического анализа и краткосрочного прогнозирования отмечают, что долговая нагрузка достигла критической отметки. Наибольшие риски — у деревообработки, автопрома, строительства, а также производства мебели и одежды.
Молодежь в России стала банкротиться заметно чаще. Возраст граждан, прибегающих к процедуре банкротства, стремительно снижается. Если в 2020 году 78% обращений о банкротстве физических лиц приходило от россиян старше 45 лет, то в 2025 году — уже 58%. Среди возможных причин — высокая доступность кредитных продуктов и рост мошеннических схем, которые распространяются параллельно с расширением рынка кредитования.
В Т-банке зафиксировали рост случаев фрода с участием специальных компаний, которые "помогают" клиентам обанкротиться. Об этом заявил глава «Т-технологий» Станислав Близнюк. По его словам, если раньше подобные схемы были характерны для авторынка, то теперь «людей учат, как обанкротиться, как оставить квартиру, вернуть себе долги, списать и потом через два года обратно быть полноценным участником общества».
Сбер: несмотря на «беспрецедентные» меры по борьбе с телефонными мошенниками, правительству и спецслужбам не удалось справиться с ними. Потери россиян от телефонного фрода по итогам года могут вырасти на 15-20%. В прошлом году, по данным банка, телефонные мошенники похитили у россиян около 300 млрд рублей.
👍2🏆1
Weekly Scoring News: фрод-рулетка выходит в массы, реформа скоринга откладывается, ИИ научится оценивать залоги
ЦБ отметил рост просрочки в потребительском и ипотечном кредитовании. Происходит это на фоне вызревания старых долгов, говорится в "Обзоре финансовой стабильности" Банка России. Доля проблемных потребкредитов на 1 октября 2025 года выросла до 12,9%. Риски по новым выдачам остаются высокими, уровень выхода в раннюю просрочку составил 2% по кредитам, выданным в июле 2025 года (1% в июле 2023 года).
Доля проблемных ипотечных кредитов с начала года выросла на 0,7 п.п. — до 1,7%. ЦБ отмечает ухудшение качества кредитов на цели ИЖС, льготной безадресной ипотеки на покупку квартир, рыночной ипотеки, предоставленной в последние годы по более высоким ставкам.
Центробанк отложил переход банков на новую систему оценки заемщиков. Срок внедрения механизма по проверке банками доходов заемщиков в информационных системах ФНС и Социального фонда может быть перенесен на 1 июля 2027 года, сообщил зам. департамента финансовой стабильности Банка России Евгений Румянцев.
Причины переноса пока не раскрываются.
Сбер, Банк «ДОМ.PФ» и АФТ займутся внедрением ИИ в ипотечный процесс. Цель проекта — цифровизация и упрощение оценки рыночной стоимости недвижимости с помощью машинного обучения. Ожидается, что решение сократит время и расходы для клиентов, а для банков снизит риски, связанные с человеческим фактором
Т-Банк открыл доступ к фрод-рулетке для всех россиян. Теперь любой желающий может зарегистрироваться и заказать себе мошеннический звонок. Фрод-рулетка перехватывает звонки мошенников и анонимно перенаправляет их пользователям, чтобы те как можно дольше удерживали злоумышленников на линии, не давая им украсть деньги у жертв. Также пользователи сервиса оттачивают навыки противостояния мошенникам и защищают потенциальных жертв, до которых пытались дозвониться мошенники.
В тестовом этапе участвовали более 2000 человек, им удалось предотвратить хищения на сумму более 490 млн рублей.
ЦБ отметил рост просрочки в потребительском и ипотечном кредитовании. Происходит это на фоне вызревания старых долгов, говорится в "Обзоре финансовой стабильности" Банка России. Доля проблемных потребкредитов на 1 октября 2025 года выросла до 12,9%. Риски по новым выдачам остаются высокими, уровень выхода в раннюю просрочку составил 2% по кредитам, выданным в июле 2025 года (1% в июле 2023 года).
Доля проблемных ипотечных кредитов с начала года выросла на 0,7 п.п. — до 1,7%. ЦБ отмечает ухудшение качества кредитов на цели ИЖС, льготной безадресной ипотеки на покупку квартир, рыночной ипотеки, предоставленной в последние годы по более высоким ставкам.
Центробанк отложил переход банков на новую систему оценки заемщиков. Срок внедрения механизма по проверке банками доходов заемщиков в информационных системах ФНС и Социального фонда может быть перенесен на 1 июля 2027 года, сообщил зам. департамента финансовой стабильности Банка России Евгений Румянцев.
Причины переноса пока не раскрываются.
Сбер, Банк «ДОМ.PФ» и АФТ займутся внедрением ИИ в ипотечный процесс. Цель проекта — цифровизация и упрощение оценки рыночной стоимости недвижимости с помощью машинного обучения. Ожидается, что решение сократит время и расходы для клиентов, а для банков снизит риски, связанные с человеческим фактором
Т-Банк открыл доступ к фрод-рулетке для всех россиян. Теперь любой желающий может зарегистрироваться и заказать себе мошеннический звонок. Фрод-рулетка перехватывает звонки мошенников и анонимно перенаправляет их пользователям, чтобы те как можно дольше удерживали злоумышленников на линии, не давая им украсть деньги у жертв. Также пользователи сервиса оттачивают навыки противостояния мошенникам и защищают потенциальных жертв, до которых пытались дозвониться мошенники.
В тестовом этапе участвовали более 2000 человек, им удалось предотвратить хищения на сумму более 490 млн рублей.
❤1👍1
This media is not supported in your browser
VIEW IN TELEGRAM
Как использовать технологии конфиденциальных вычислений для монетизации данных?
На Scoring Day об этом рассказала Анна Лагунова, руководитель монетизации данных для кредитного бизнеса в Т‑Банке.
Почему вообще нужно что‑то менять в передаче данных, если «и так всё работает»?
У кредитного бизнеса есть множество потенциально полезных источников информации, которые до сих пор недоступны банкам.
Часть данных защищена законом, остальные — их владельцами, которые не хотят терять конкурентное преимущество, раскрывая сырые данные.
В итоге:
— теряем данные из‑за распределённости источников и тратим месяцы на подключение новых;
— упираемся в потолок качества моделей, построенных только на внутренних данных или классических партнерских скорах.
— и не можем строить модели на полноценных данных.
Что с этим делать?
Задачу можно решать с помощью технологий повышения приватности (PET, privacy‑enhancing technologies), таких как:
— безопасные многопользовательские вычисления (MPC),
— дифференциальная приватность (DP),
— доверенные вычислительные среды (TEE),
— гомоморфное шифрование и др.
На международном рынке уже есть кейсы использования технологий на стыке ИИ и PET — такой подход, например, выбрала Alibaba для платформы обмена данными.
Основная проблема — подобрать правильную технологию под задачу, которую вы решаете.
Например, для кейса «Обучение нейросетей», в рамках которого два партнера были готовы обмениваться данными ради синергетического эффекта, оптимальным решением стали многопользовательские вычисления (MPC).
Основное требование банка — персональные данные клиентов, эмбеддинги, переменные, целевые события и т. п. не должны передаваться третьим сторонам или консолидироваться у третьих лиц — даже при обучении моделей.
Преимущества подхода:
— данные могут быть разной природы и разной размерности;
— есть возможность обучения на любое целевое событие. В нашем примере обучение было направлено на вероятность дефолта, но это могут быть не только бинарные таргеты, но и, например, модели дохода. По типу задач ограничений фактически нет;
— нет потери в качестве модели из-за конфиденциальных вычислений;
— подход легко масштабируется на любое количество участников.
Для реализации кейса «Граф партнерских связей» с телеком-оператором была выбрана технология гомоморфного шифрования. Целью проекта было заявлено усиление моделей для клиентов, по которым было недостаточно данных за счет связей от партнеров (звонки, sms, предложения дружбы в соцсетях и пр.) за счет повышения полноты источников. Основным результатом стали прибавки к действующим моделям, особенно на сегменте с малым количеством внутренних данных.
Видим потенциал развития графов с другими партнерами, в т.ч. возможность использования связей от нескольких партнеров одновременно.
С чем можно столкнуться при проведении пилотов:
— огромное количество согласований с юристами и ИБ. Они долгие и могут занимать больше времени, чем придумывание концепции и обучение модели.
— некоторые регуляторные ограничения.
— проблемы с кадрами. Если вы жалуетесь на нехватку датасаейнтистов, попробуйте найти криптографа‑датасайентиста. Т-Банк запустил курс по криптографии в Центральном университете, но задача формирования специалистов в этой области стоит перед всем рынком.
— проблема эффективности протоколов и алгоритмов. Если модель подбирается под скоринговые задачи, она должна срабатывать в сжатые сроки — желательно, меньше минуты. Это накладывает серьезные ограничения на используемые нами алгоритмы и требует их оптимизации.
На Scoring Day об этом рассказала Анна Лагунова, руководитель монетизации данных для кредитного бизнеса в Т‑Банке.
Почему вообще нужно что‑то менять в передаче данных, если «и так всё работает»?
У кредитного бизнеса есть множество потенциально полезных источников информации, которые до сих пор недоступны банкам.
Часть данных защищена законом, остальные — их владельцами, которые не хотят терять конкурентное преимущество, раскрывая сырые данные.
В итоге:
— теряем данные из‑за распределённости источников и тратим месяцы на подключение новых;
— упираемся в потолок качества моделей, построенных только на внутренних данных или классических партнерских скорах.
— и не можем строить модели на полноценных данных.
Что с этим делать?
Задачу можно решать с помощью технологий повышения приватности (PET, privacy‑enhancing technologies), таких как:
— безопасные многопользовательские вычисления (MPC),
— дифференциальная приватность (DP),
— доверенные вычислительные среды (TEE),
— гомоморфное шифрование и др.
На международном рынке уже есть кейсы использования технологий на стыке ИИ и PET — такой подход, например, выбрала Alibaba для платформы обмена данными.
Основная проблема — подобрать правильную технологию под задачу, которую вы решаете.
Например, для кейса «Обучение нейросетей», в рамках которого два партнера были готовы обмениваться данными ради синергетического эффекта, оптимальным решением стали многопользовательские вычисления (MPC).
Основное требование банка — персональные данные клиентов, эмбеддинги, переменные, целевые события и т. п. не должны передаваться третьим сторонам или консолидироваться у третьих лиц — даже при обучении моделей.
Преимущества подхода:
— данные могут быть разной природы и разной размерности;
— есть возможность обучения на любое целевое событие. В нашем примере обучение было направлено на вероятность дефолта, но это могут быть не только бинарные таргеты, но и, например, модели дохода. По типу задач ограничений фактически нет;
— нет потери в качестве модели из-за конфиденциальных вычислений;
— подход легко масштабируется на любое количество участников.
Для реализации кейса «Граф партнерских связей» с телеком-оператором была выбрана технология гомоморфного шифрования. Целью проекта было заявлено усиление моделей для клиентов, по которым было недостаточно данных за счет связей от партнеров (звонки, sms, предложения дружбы в соцсетях и пр.) за счет повышения полноты источников. Основным результатом стали прибавки к действующим моделям, особенно на сегменте с малым количеством внутренних данных.
Видим потенциал развития графов с другими партнерами, в т.ч. возможность использования связей от нескольких партнеров одновременно.
С чем можно столкнуться при проведении пилотов:
— огромное количество согласований с юристами и ИБ. Они долгие и могут занимать больше времени, чем придумывание концепции и обучение модели.
— некоторые регуляторные ограничения.
— проблемы с кадрами. Если вы жалуетесь на нехватку датасаейнтистов, попробуйте найти криптографа‑датасайентиста. Т-Банк запустил курс по криптографии в Центральном университете, но задача формирования специалистов в этой области стоит перед всем рынком.
— проблема эффективности протоколов и алгоритмов. Если модель подбирается под скоринговые задачи, она должна срабатывать в сжатые сроки — желательно, меньше минуты. Это накладывает серьезные ограничения на используемые нами алгоритмы и требует их оптимизации.
👍9👏5❤3
This media is not supported in your browser
VIEW IN TELEGRAM
Как минимизировать события кредитной социнженерии с помощью ML?
Об этом на Scoring Day рассказал Антон Исправников, начальник управления моделирования РБ, Банк ВТБ.
Подходы и инструменты «социнженеров»
Основной инструмент мошенников — психология и работа с эмоциями. Сначала жертву выводят из равновесия: пугают («сейчас украдут деньги со счетов»), давят на срочность («нужно перевести в течение 5 минут»), или, наоборот, обещают быстрый заработок. В состоянии страха, паники или жадности человек хуже контролирует решения.
Дальше подключаются «катализаторы» воздействия: мнимая авторитетность («сотрудник банка», «полиции», «ФСБ», «руководитель»), важность и жесткие сроки. Комбинация сильных эмоций и таких триггеров — основа успешной атаки на человеческое мышление.
Размер ущерба
По оценкам ЦБ и крупных компаний в сфере кибербезопасности, около 90% мошенничества связано с социальной инженерией (СИ). В одном из обзоров ЦБ фигурирует ущерб около 5 млрд рублей на протяжении одного квартала, но реальная сумма, вероятно, выше.
Чем интересуются мошенники:
• кредитные карты, кредиты наличными и авто с отложенным залогом. Последние два продукта подвергаются атакам в большей степени. Доля событий СИ может достигать 1.5% в зависимости от продукта и периода времени.
Каналы выдачи:
• точки продаж и интернет‑банк, и последний, как правило, наиболее уязвим воздействию СИ
Целевые показатели СИ для будущих моделей:
Количество случаев СИ насчитывает сотни -
на объемах крупного банка это превращается в очень значимые суммы — и именно здесь ML может дать максимальный эффект.
Что с этим делать?
Самый простой шаг — короткая анкета из 10-15 вопросов в момент подачи заявки на кредит. Иногда люди в процессе заполнения понимают, что действуют «по указке», иногда жертву можно вычислить по нестандартному поведению. Но анкета срабатывает не всегда: мошенники отлично умеют готовить жертв.
Поэтому переходим на следующий уровень: анализ больших данных и подготовка ML-модели для хотя бы частичного предвосхищения таких событий.
Условно делим данные на три группы:
1) внутренние: соцдемография, транзакции, кредитная история, продуктовый профиль.
2) внешние: из БКИ, от работодателя и внешних провайдеров (особенно ценны данные телеком-операторов)
3) (почти) real‑time: события и триггеры по клиенту — как давно до заявки он снимал наличные, какие операции проводил, как часто меняет пароль в ЛК, продолжительность сессий и т.п.
Из этих данных генерируется множество фичей для обучения онлайн-модели, которая оценивает вероятность того, что кредит запрашивается под воздействием социальной инженерии.
Сегментация — стоит отдельно анализировать онлайн и офлайн каналы подачи заявки, а также продукты.
Целевое событие — подтвержденный случай социальной инженерии. Таргет — бинарный, задача — классификация.
Алгоритм обучения — градиентный бустинг.
Целевые метрики:
— F1-score (основная в данном кейсе) - среднее гармоническое между точностью и полнотой, помогает найти максимум мошенников и минимизировать количество ложноположительных срабатываний, тем самым сократив число необоснованных отказов. Качество модели на каждой итерации оценки признаков измерялось с помощью метрики, основанной на площади под кривой F1-score в заданном диапазоне cut-off (0–10%).
Gini показатель второстепенный, поскольку хорошо демонстрирует упорядоченность наблюдений, но предсказания на уровне фиксированного порога классификации могут быть неэффективны.
Можно использовать соотношение «чувствительность/специфичность» для минимизации разницы между ними, но тогда вырастает доля ложноположительных решений.
Результаты
Оптимизация площади под кривой F1 позволила банку увеличить как ранжирование (Gini), так и F1-score на несколько процентных пунктов — результат не космический, но в риск-менеджменте важны именно взвешенные решения, а не эффектные цифры в презентации.
За год банк смог выявить сотни случаев социальной инженерии и потенциально сохранить для клиентов более миллиарда рублей.
Об этом на Scoring Day рассказал Антон Исправников, начальник управления моделирования РБ, Банк ВТБ.
Подходы и инструменты «социнженеров»
Основной инструмент мошенников — психология и работа с эмоциями. Сначала жертву выводят из равновесия: пугают («сейчас украдут деньги со счетов»), давят на срочность («нужно перевести в течение 5 минут»), или, наоборот, обещают быстрый заработок. В состоянии страха, паники или жадности человек хуже контролирует решения.
Дальше подключаются «катализаторы» воздействия: мнимая авторитетность («сотрудник банка», «полиции», «ФСБ», «руководитель»), важность и жесткие сроки. Комбинация сильных эмоций и таких триггеров — основа успешной атаки на человеческое мышление.
Размер ущерба
По оценкам ЦБ и крупных компаний в сфере кибербезопасности, около 90% мошенничества связано с социальной инженерией (СИ). В одном из обзоров ЦБ фигурирует ущерб около 5 млрд рублей на протяжении одного квартала, но реальная сумма, вероятно, выше.
Чем интересуются мошенники:
• кредитные карты, кредиты наличными и авто с отложенным залогом. Последние два продукта подвергаются атакам в большей степени. Доля событий СИ может достигать 1.5% в зависимости от продукта и периода времени.
Каналы выдачи:
• точки продаж и интернет‑банк, и последний, как правило, наиболее уязвим воздействию СИ
Целевые показатели СИ для будущих моделей:
Количество случаев СИ насчитывает сотни -
на объемах крупного банка это превращается в очень значимые суммы — и именно здесь ML может дать максимальный эффект.
Что с этим делать?
Самый простой шаг — короткая анкета из 10-15 вопросов в момент подачи заявки на кредит. Иногда люди в процессе заполнения понимают, что действуют «по указке», иногда жертву можно вычислить по нестандартному поведению. Но анкета срабатывает не всегда: мошенники отлично умеют готовить жертв.
Поэтому переходим на следующий уровень: анализ больших данных и подготовка ML-модели для хотя бы частичного предвосхищения таких событий.
Условно делим данные на три группы:
1) внутренние: соцдемография, транзакции, кредитная история, продуктовый профиль.
2) внешние: из БКИ, от работодателя и внешних провайдеров (особенно ценны данные телеком-операторов)
3) (почти) real‑time: события и триггеры по клиенту — как давно до заявки он снимал наличные, какие операции проводил, как часто меняет пароль в ЛК, продолжительность сессий и т.п.
Из этих данных генерируется множество фичей для обучения онлайн-модели, которая оценивает вероятность того, что кредит запрашивается под воздействием социальной инженерии.
Сегментация — стоит отдельно анализировать онлайн и офлайн каналы подачи заявки, а также продукты.
Целевое событие — подтвержденный случай социальной инженерии. Таргет — бинарный, задача — классификация.
Алгоритм обучения — градиентный бустинг.
Целевые метрики:
— F1-score (основная в данном кейсе) - среднее гармоническое между точностью и полнотой, помогает найти максимум мошенников и минимизировать количество ложноположительных срабатываний, тем самым сократив число необоснованных отказов. Качество модели на каждой итерации оценки признаков измерялось с помощью метрики, основанной на площади под кривой F1-score в заданном диапазоне cut-off (0–10%).
Gini показатель второстепенный, поскольку хорошо демонстрирует упорядоченность наблюдений, но предсказания на уровне фиксированного порога классификации могут быть неэффективны.
Можно использовать соотношение «чувствительность/специфичность» для минимизации разницы между ними, но тогда вырастает доля ложноположительных решений.
Результаты
Оптимизация площади под кривой F1 позволила банку увеличить как ранжирование (Gini), так и F1-score на несколько процентных пунктов — результат не космический, но в риск-менеджменте важны именно взвешенные решения, а не эффектные цифры в презентации.
За год банк смог выявить сотни случаев социальной инженерии и потенциально сохранить для клиентов более миллиарда рублей.
🔥6👍4⚡2
Weekly Scoring News: Wildberries Банк расширяет линейку финсервисов, ЦБ наводит порядок с иммобилизованными активами, Госдума — с МФО, нелегальные брокеры активизируются
Госдума ужесточила правила выдачи микрозаймов. С апреля 2026 года максимальная сумма начислений по микрокредиту сроком до года не сможет превышать 100% от первоначальной суммы долга.
С января 2027 года МФО лишатся права заключать дополнительные соглашения, позволяющие включать неуплаченные проценты и штрафы в тело основного долга.
Также вводится «период охлаждения» — МФО запретят выдавать новый заем физлицам в течение 4 дней после полного погашения предыдущего.
С апреля 2027 года один заемщик сможет получить только один микрозаем с полной стоимостью выше 100% годовых.
При этом лимит микрозайма для юрлиц и ИП увеличивается до 15 млн рублей.
Wildberries Банк готовится запустить собственные кредитные карты и займы. На это указывают размещенные вакансии. Эксперты считают шаг логичным развитием экосистемы маркетплейса — для повышения лояльности клиентов и стимулирование спроса, без радикального изменения конкуренции на банковском рынке.
ЦБ разрешил банкам не ухудшать качество долга МСП и самозанятых, оформивших кредитные каникулы. При принятии решений в отношении ссуд, классифицируемых на портфельной основе, указанные ссуды могут не выводиться из портфелей и группироваться в отдельные субпортфели в соответствии с признаками однородности. Банкам рекомендовано предоставлять ЦБ информацию о решении не ухудшать в течение льготного периода качество обслуживания долга, включая обоснование такого решения и информацию о категории качества соответствующих ссуд.
В России растёт активность кредитных брокеров. В первой половине 2025 года Центробанк выявил 4183 субъекта с признаками незаконной деятельности, что почти на 20% больше, чем годом ранее. Среди выявленных посредников те, кто обещает помощь с кредитами, требует доступ к личным данным, предоплату, подделку документов или оформление кредита через ИП.
ЦБ разработал методику расчета концентрации иммобилизованных активов. Проект предлагает делить ИА на три группы с коэффициентом иммобилизации от 1 до 3 в зависимости от рискованности актива (его вида, ликвидности, срока нахождения на балансе). Предельное значение показателя РЧЛ — 25% от капитала банков.
Переход к целевому уровню планируется поэтапно в 2027-2031 годах (100–85–70–50–25%).
Регулирование начнет действовать с 1 апреля 2027 года.
ВТБ: рынок ипотеки в 2026 году станет более сбалансированным. По оценкам банка, выдачи ипотеки могут вырасти примерно на четверть, составив порядка 5,3 трлн рублей. Сегмент станет более сбалансированным: соотношение государственных и рыночных программ достигнет паритета. Традиционный пик активности ожидается в декабре.
Во втором полугодии 2025 года продажи ипотеки на рынке составят порядка 2,7 трлн рублей (рост более чем на треть к аналогичному периоду 2024 года).
ЦБ позволит переводить кредиты в кредитные ЦФА при сроке жизни на балансе от 6 месяцев. В ЦФА можно будет трансформировать не более 80% задолженности по кредитному договору. В отдельный выпуск ЦФО смогут входить либо кредиты одного заемщика, либо кредиты, соответствующие критериям портфеля однородных ссуд по 590-П. На банк-инвестор будут распространяться макронадбавки.
Госдума ужесточила правила выдачи микрозаймов. С апреля 2026 года максимальная сумма начислений по микрокредиту сроком до года не сможет превышать 100% от первоначальной суммы долга.
С января 2027 года МФО лишатся права заключать дополнительные соглашения, позволяющие включать неуплаченные проценты и штрафы в тело основного долга.
Также вводится «период охлаждения» — МФО запретят выдавать новый заем физлицам в течение 4 дней после полного погашения предыдущего.
С апреля 2027 года один заемщик сможет получить только один микрозаем с полной стоимостью выше 100% годовых.
При этом лимит микрозайма для юрлиц и ИП увеличивается до 15 млн рублей.
Wildberries Банк готовится запустить собственные кредитные карты и займы. На это указывают размещенные вакансии. Эксперты считают шаг логичным развитием экосистемы маркетплейса — для повышения лояльности клиентов и стимулирование спроса, без радикального изменения конкуренции на банковском рынке.
ЦБ разрешил банкам не ухудшать качество долга МСП и самозанятых, оформивших кредитные каникулы. При принятии решений в отношении ссуд, классифицируемых на портфельной основе, указанные ссуды могут не выводиться из портфелей и группироваться в отдельные субпортфели в соответствии с признаками однородности. Банкам рекомендовано предоставлять ЦБ информацию о решении не ухудшать в течение льготного периода качество обслуживания долга, включая обоснование такого решения и информацию о категории качества соответствующих ссуд.
В России растёт активность кредитных брокеров. В первой половине 2025 года Центробанк выявил 4183 субъекта с признаками незаконной деятельности, что почти на 20% больше, чем годом ранее. Среди выявленных посредников те, кто обещает помощь с кредитами, требует доступ к личным данным, предоплату, подделку документов или оформление кредита через ИП.
ЦБ разработал методику расчета концентрации иммобилизованных активов. Проект предлагает делить ИА на три группы с коэффициентом иммобилизации от 1 до 3 в зависимости от рискованности актива (его вида, ликвидности, срока нахождения на балансе). Предельное значение показателя РЧЛ — 25% от капитала банков.
Переход к целевому уровню планируется поэтапно в 2027-2031 годах (100–85–70–50–25%).
Регулирование начнет действовать с 1 апреля 2027 года.
ВТБ: рынок ипотеки в 2026 году станет более сбалансированным. По оценкам банка, выдачи ипотеки могут вырасти примерно на четверть, составив порядка 5,3 трлн рублей. Сегмент станет более сбалансированным: соотношение государственных и рыночных программ достигнет паритета. Традиционный пик активности ожидается в декабре.
Во втором полугодии 2025 года продажи ипотеки на рынке составят порядка 2,7 трлн рублей (рост более чем на треть к аналогичному периоду 2024 года).
ЦБ позволит переводить кредиты в кредитные ЦФА при сроке жизни на балансе от 6 месяцев. В ЦФА можно будет трансформировать не более 80% задолженности по кредитному договору. В отдельный выпуск ЦФО смогут входить либо кредиты одного заемщика, либо кредиты, соответствующие критериям портфеля однородных ссуд по 590-П. На банк-инвестор будут распространяться макронадбавки.
👍2❤1🔥1
Biweekly Scoring News: перезагрузка микрозаймов и динамика реструктуризаций
В Госдуму внесен законопроект о кредитных каникулах для бизнеса на УСН. В случае принятия закона предприниматели смогут оформить льготный период по кредиту на срок до трех лет. Предполагается, что мера будет действовать с января 2026 года до декабря 2028 года.
В пояснительной записке отмечается, что нововведения связаны со снижением порога доходов для бизнеса на УСН, позволяющего не платить НДС, а также повышением ставки налога до 22%.
Президент подписал закон реформе рынка МФО. Документ поэтапно ужесточает правила выдачи потребительских займов гражданам. В частности:
• с 1 апреля 2026 года максимальный размер переплаты по потребительским займам снижается со 130% до 100%;
• с октября 2026 года один заемщик сможет одновременно иметь не более двух договоров займа с полной стоимостью более 200% годовых каждый;
• максимальная сумма микрозайма МФО для юрлиц и ИП увеличивается до 15 млн рублей (с 5 млн рублей).
В России снизилась доля послаблений по розничным кредитам. Самой популярной мерой остается изменение даты платежа — 65,6% от общего количества послаблений. Это самый простой способ для банка пойти навстречу заемщику, но он постепенно уступает долю более эффективным мерам — неначислению процентов на просрочку, замене залога и др.
Доля кредитных договоров, по которым в 2025 году были предоставлены уступки, составила 1,72% от общего количества активных кредитов в портфелях банков (годом ранее — 1,85%).
В Госдуму внесен законопроект о кредитных каникулах для бизнеса на УСН. В случае принятия закона предприниматели смогут оформить льготный период по кредиту на срок до трех лет. Предполагается, что мера будет действовать с января 2026 года до декабря 2028 года.
В пояснительной записке отмечается, что нововведения связаны со снижением порога доходов для бизнеса на УСН, позволяющего не платить НДС, а также повышением ставки налога до 22%.
Президент подписал закон реформе рынка МФО. Документ поэтапно ужесточает правила выдачи потребительских займов гражданам. В частности:
• с 1 апреля 2026 года максимальный размер переплаты по потребительским займам снижается со 130% до 100%;
• с октября 2026 года один заемщик сможет одновременно иметь не более двух договоров займа с полной стоимостью более 200% годовых каждый;
• максимальная сумма микрозайма МФО для юрлиц и ИП увеличивается до 15 млн рублей (с 5 млн рублей).
В России снизилась доля послаблений по розничным кредитам. Самой популярной мерой остается изменение даты платежа — 65,6% от общего количества послаблений. Это самый простой способ для банка пойти навстречу заемщику, но он постепенно уступает долю более эффективным мерам — неначислению процентов на просрочку, замене залога и др.
Доля кредитных договоров, по которым в 2025 году были предоставлены уступки, составила 1,72% от общего количества активных кредитов в портфелях банков (годом ранее — 1,85%).
🔥4👍1
Как полюбить квантовые технологии и когда они дадут пользу бизнесу?
Квантовые технологии — это уже не про лаборатории и «когда-нибудь потом». На Scoring Day Александр Гришканич, исполнительный директор департамента аналитики и внедрения технологий Банка ГПБ, рассказал, где DeepTech вплотную приблизился к бизнесу, какие «боли» подталкивают к квантовым сценариям и какие кейсы уже доказали их эффективность.
Почему DeepTech кажется "не про нас", хотя уже рядом
DeepTech редко оказывается в топе приоритетов: почти всегда побеждают задачи «здесь и сейчас». Однако технологии безопасного обмена информацией и вычислений над зашифрованными данными могут помочь бизнесу уже сегодня: финтех повысит точность расчета моделей кредитного скоринга, медтех сможет лучше прогнозировать развитие эпидемий
Проблема в другом: их внедрение и реализация требуют тяжеловесных подходов и обновления инфраструктуры. Привычные практики вроде fine-grained-настроек и fine-tuning здесь часто нерелевантны или слишком затратны по ресурсам.
Часто новые программные подходы проще исследовать и апробировать, чем аппаратные - при условии что нет регуляторных ограничений или незрелой регуляторики.
Где особенно болит?
Болевые точки хорошо просматриваются, например, в проектах по гиперперсонализации: нужно на лету пересчитывать рейтинги, подключая транзакционные и социальные антифрод-сигналы, причем на больших объемах «сырых» данных, а не только на готовых скорах. Такой режим становится серьезным вызовом для инфраструктуры — и именно здесь появляются перспективные сценарии для квантовых вычислений.
Что уже есть на рынке?
Самый мощный квантовый компьютер в России — экспериментальный образец на 70 кубитов, созданный физиками ФИАН на ионах иттербия и представленный в декабре 2025 года в рамках национальной дорожной карты по квантовым технологиям под руководством "Росатома".
Точность однокубитных операций — 99,98%, двухкубитных — 96,1%. Это рекорд для российских разработок и соответствует мировой динамике.
Параллельно развиваются во всем мире и в России:
➖универсальные квантовые компьютеры (под широкий класс алгоритмов);
➖адиабатические квантовые вычислители, которые в гибридной концепции помогают решать сложные задачи и применяются для обработки больших массивов данных (например, при построении сейсмических моделей);
➖программные эмуляторы квантовых компьютеров, воспроизводящие до некоторого предела работу квантового вычислителя на классических CPU и GPU-архитектурах.
Квантовые вычисления можно "потрогать" и через GPU
Если у вас есть качественный GPU-кластер, его можно использовать не только для градиентного бустинга и LLM, но и для моделирования квантовых математических систем. Это позволяет получать результаты в логике как универсальных, так и адиабатических квантовых вычислений.
Показательный пример: решать задачу вида "разложить 300-значное число на простые множители" с помощью классических инструментов пришлось бы астрономически долго, квантовые технологии способны справиться с ней радикально быстрее (вплоть до секунд).
Безопасность и сенсоры: квантовая польза не только для вычислений
Отдельный большой блок — квантово-устойчивая защита информации:
➖ быстрое и надежное распределение криптографических ключей;
➖ постквантовые алгоритмы шифрования, например, более надежные алгоритмы цифровой подписи.
Еще одно направление — квантовые сенсоры, которые уже применяются в разных отраслях для повышения точности измерений (для медицины, промышленности, гейминга и пр.).
Зачем это бизнесу: от синтетики до оптимизации и моделирования
Гиперперсонализация — лишь один из возможных кейсов. Важный класс задач — генерация "точной" синтетики: данных, которые сохраняют много корреляций и заметно повышают качество синтетических наборов. Это упрощает безопасную выгрузку и передачу данных партнерам.
Работать с квантовыми вычислениями в России можно уже сегодня, например использовать облачные сервисы компании КуБорд.
Какие кейсы уже реализованы на практике - в следующем посте!
Квантовые технологии — это уже не про лаборатории и «когда-нибудь потом». На Scoring Day Александр Гришканич, исполнительный директор департамента аналитики и внедрения технологий Банка ГПБ, рассказал, где DeepTech вплотную приблизился к бизнесу, какие «боли» подталкивают к квантовым сценариям и какие кейсы уже доказали их эффективность.
Почему DeepTech кажется "не про нас", хотя уже рядом
DeepTech редко оказывается в топе приоритетов: почти всегда побеждают задачи «здесь и сейчас». Однако технологии безопасного обмена информацией и вычислений над зашифрованными данными могут помочь бизнесу уже сегодня: финтех повысит точность расчета моделей кредитного скоринга, медтех сможет лучше прогнозировать развитие эпидемий
Проблема в другом: их внедрение и реализация требуют тяжеловесных подходов и обновления инфраструктуры. Привычные практики вроде fine-grained-настроек и fine-tuning здесь часто нерелевантны или слишком затратны по ресурсам.
Часто новые программные подходы проще исследовать и апробировать, чем аппаратные - при условии что нет регуляторных ограничений или незрелой регуляторики.
Где особенно болит?
Болевые точки хорошо просматриваются, например, в проектах по гиперперсонализации: нужно на лету пересчитывать рейтинги, подключая транзакционные и социальные антифрод-сигналы, причем на больших объемах «сырых» данных, а не только на готовых скорах. Такой режим становится серьезным вызовом для инфраструктуры — и именно здесь появляются перспективные сценарии для квантовых вычислений.
Что уже есть на рынке?
Самый мощный квантовый компьютер в России — экспериментальный образец на 70 кубитов, созданный физиками ФИАН на ионах иттербия и представленный в декабре 2025 года в рамках национальной дорожной карты по квантовым технологиям под руководством "Росатома".
Точность однокубитных операций — 99,98%, двухкубитных — 96,1%. Это рекорд для российских разработок и соответствует мировой динамике.
Параллельно развиваются во всем мире и в России:
➖универсальные квантовые компьютеры (под широкий класс алгоритмов);
➖адиабатические квантовые вычислители, которые в гибридной концепции помогают решать сложные задачи и применяются для обработки больших массивов данных (например, при построении сейсмических моделей);
➖программные эмуляторы квантовых компьютеров, воспроизводящие до некоторого предела работу квантового вычислителя на классических CPU и GPU-архитектурах.
Квантовые вычисления можно "потрогать" и через GPU
Если у вас есть качественный GPU-кластер, его можно использовать не только для градиентного бустинга и LLM, но и для моделирования квантовых математических систем. Это позволяет получать результаты в логике как универсальных, так и адиабатических квантовых вычислений.
Показательный пример: решать задачу вида "разложить 300-значное число на простые множители" с помощью классических инструментов пришлось бы астрономически долго, квантовые технологии способны справиться с ней радикально быстрее (вплоть до секунд).
Безопасность и сенсоры: квантовая польза не только для вычислений
Отдельный большой блок — квантово-устойчивая защита информации:
➖ быстрое и надежное распределение криптографических ключей;
➖ постквантовые алгоритмы шифрования, например, более надежные алгоритмы цифровой подписи.
Еще одно направление — квантовые сенсоры, которые уже применяются в разных отраслях для повышения точности измерений (для медицины, промышленности, гейминга и пр.).
Зачем это бизнесу: от синтетики до оптимизации и моделирования
Гиперперсонализация — лишь один из возможных кейсов. Важный класс задач — генерация "точной" синтетики: данных, которые сохраняют много корреляций и заметно повышают качество синтетических наборов. Это упрощает безопасную выгрузку и передачу данных партнерам.
Работать с квантовыми вычислениями в России можно уже сегодня, например использовать облачные сервисы компании КуБорд.
Какие кейсы уже реализованы на практике - в следующем посте!
🔥5👍4💯1🏆1
This media is not supported in your browser
VIEW IN TELEGRAM
Как полюбить квантовые технологии и когда они дадут пользу бизнесу? Ч. 2.
Практика уже началась: квантовые подходы выходят в продакшн
Квантовые и квантово‑вдохновленные подходы уже применимы в оптимизации, генерации, моделировании и синтетике. В мире есть примеры индустриального внедрения: в Bank of America квантовые решения выводят в продакшн для расчетов и моделирования финансовых рынков. В ряде задач (например, прогнозирование кривых доходностей) квантово‑вдохновленные алгоритмы показывают очень высокую точность.
Кейс 1. Оптимизация инвестиционного портфеля
Типовой пайплайн квантовой оптимизации выглядит так:
— определяем размерность задачи;
— переводим постановку в квантовую форму;
— выделяем мат. ядро и переписываем его на «квантовом языке»;
— запускаем на квантовом компьютере (если хватит кубитов и качества) или на эмуляторе.
Важно: для «честного» квантового решения иногда нужны условные 1000+ кубитов. Но практические эффекты уже доступны на эмуляторах и квантово‑вдохновленных алгоритмах, в т.ч. за счет более точных операций внутри вычислительного контура.
При сравнительном анализе лучшие результаты показал SimCIM (Simulation of Coherent Ising), алгоритм квантово-вдохновленной оптимизации, имитирующий Coherent Ising Machine.
Что увидели в тестах:
— SimСIM по скорости обгоняет Gurobi во всех исследуемых сценариях;
— на крупных задачах лучше D-Wave;
— качество сопоставимо с Gurobi на малых задачах и выше на крупных.
Тесты эмулятора показали: квантово-вдохновленный оптимизатор обеспечивает лучшую точность и скорость в сравнении с классическими инструментами финансовой оптимизации.
Кейс 2. Ускорение саммаризации квантово‑вдохновленным подходом
Не все могут принести LLM «внутрь банка», но саммаризация нужна — чтобы передавать тексты в обучение или в контекст LLM.
Мы собрали саммаризатор на квантово‑вдохновленных алгоритмах, работающий на промежуточном стеке:
• по качеству он уступает полноценной LLM,
• зато быстрее и экономнее по ресурсам,
• точность — всего на 4% ниже, чем у Qwen 2.7B.
По скорости на одном из сценариев:
• классическое решение: 97 секунд
• квантово‑вдохновленное: 83 секунды (на 14% быстрее)
Потенциал на крупных текстах — ускорение на 30–50% при пользовательском анализе, плюс возможность работать с входными данными для LLM практически любого размера.
Что здесь важно
Все эти кейсы реализуются на квантово‑вдохновленных оптимизаторах — как on‑premise, так и в облаке. На практике, если у вас уже где-то «крутится» Gurobi или open‑source оптимизаторы, то во многих задачах их можно заменить квантово‑вдохновленным подходом (при корректной адаптации постановки). Ключевое — понимать математику своего вычислительного ядра.
Кейс 3: Улучшение характеристик маркетингового оптимизатора с помощью квантовых вычислений
Раньше для расчета маркетинговых рассылок мы использовали классический Gurobi и самописный алгоритм на C. Процесс был тяжелым: регулярные запуски, сбор датасета, подготовка данных. Один расчет (после загрузки базы данных) занимал около 14 часов.
Задача: сформировать оптимальный план маркетинговых рассылок: какие предложения, каким клиентам и через какие каналы коммуникации отправлять.
Что сделали : перестроили оптимизационное ядро и применили квантово‑вдохновленный подход, чтобы ускорить расчет и повысить «пропускную способность» процесса.
Результат: теперь тот же расчет выполняется за 40 минут. Прирост — кратный. Но важно не только время: выросло количество откликов, то есть решение стало приносить прямой бизнес‑эффект. Это как раз тот случай, когда «кванты» дают практическую пользу.
Итог
Мы часто воспринимаем квантовые вычислители и другие альтернативные архитектуры как что-то далёкое. Однако я очень рекомендую присмотреться к таким технологиям для высоконагруженных задач: многие из них можно решать уже сейчас — и при этом экономически эффективно.
Практика уже началась: квантовые подходы выходят в продакшн
Квантовые и квантово‑вдохновленные подходы уже применимы в оптимизации, генерации, моделировании и синтетике. В мире есть примеры индустриального внедрения: в Bank of America квантовые решения выводят в продакшн для расчетов и моделирования финансовых рынков. В ряде задач (например, прогнозирование кривых доходностей) квантово‑вдохновленные алгоритмы показывают очень высокую точность.
Кейс 1. Оптимизация инвестиционного портфеля
Типовой пайплайн квантовой оптимизации выглядит так:
— определяем размерность задачи;
— переводим постановку в квантовую форму;
— выделяем мат. ядро и переписываем его на «квантовом языке»;
— запускаем на квантовом компьютере (если хватит кубитов и качества) или на эмуляторе.
Важно: для «честного» квантового решения иногда нужны условные 1000+ кубитов. Но практические эффекты уже доступны на эмуляторах и квантово‑вдохновленных алгоритмах, в т.ч. за счет более точных операций внутри вычислительного контура.
При сравнительном анализе лучшие результаты показал SimCIM (Simulation of Coherent Ising), алгоритм квантово-вдохновленной оптимизации, имитирующий Coherent Ising Machine.
Что увидели в тестах:
— SimСIM по скорости обгоняет Gurobi во всех исследуемых сценариях;
— на крупных задачах лучше D-Wave;
— качество сопоставимо с Gurobi на малых задачах и выше на крупных.
Тесты эмулятора показали: квантово-вдохновленный оптимизатор обеспечивает лучшую точность и скорость в сравнении с классическими инструментами финансовой оптимизации.
Кейс 2. Ускорение саммаризации квантово‑вдохновленным подходом
Не все могут принести LLM «внутрь банка», но саммаризация нужна — чтобы передавать тексты в обучение или в контекст LLM.
Мы собрали саммаризатор на квантово‑вдохновленных алгоритмах, работающий на промежуточном стеке:
• по качеству он уступает полноценной LLM,
• зато быстрее и экономнее по ресурсам,
• точность — всего на 4% ниже, чем у Qwen 2.7B.
По скорости на одном из сценариев:
• классическое решение: 97 секунд
• квантово‑вдохновленное: 83 секунды (на 14% быстрее)
Потенциал на крупных текстах — ускорение на 30–50% при пользовательском анализе, плюс возможность работать с входными данными для LLM практически любого размера.
Что здесь важно
Все эти кейсы реализуются на квантово‑вдохновленных оптимизаторах — как on‑premise, так и в облаке. На практике, если у вас уже где-то «крутится» Gurobi или open‑source оптимизаторы, то во многих задачах их можно заменить квантово‑вдохновленным подходом (при корректной адаптации постановки). Ключевое — понимать математику своего вычислительного ядра.
Кейс 3: Улучшение характеристик маркетингового оптимизатора с помощью квантовых вычислений
Раньше для расчета маркетинговых рассылок мы использовали классический Gurobi и самописный алгоритм на C. Процесс был тяжелым: регулярные запуски, сбор датасета, подготовка данных. Один расчет (после загрузки базы данных) занимал около 14 часов.
Задача: сформировать оптимальный план маркетинговых рассылок: какие предложения, каким клиентам и через какие каналы коммуникации отправлять.
Что сделали : перестроили оптимизационное ядро и применили квантово‑вдохновленный подход, чтобы ускорить расчет и повысить «пропускную способность» процесса.
Результат: теперь тот же расчет выполняется за 40 минут. Прирост — кратный. Но важно не только время: выросло количество откликов, то есть решение стало приносить прямой бизнес‑эффект. Это как раз тот случай, когда «кванты» дают практическую пользу.
Итог
Мы часто воспринимаем квантовые вычислители и другие альтернативные архитектуры как что-то далёкое. Однако я очень рекомендую присмотреться к таким технологиям для высоконагруженных задач: многие из них можно решать уже сейчас — и при этом экономически эффективно.
🔥3👍2
Biweekly Scoring News: выдачи POS-кредитов сокращаются, ипотечный чек ползет вверх, фрод-звонков стало меньше
Средний размер ипотечного кредита в России за год вырос на 9% — до 4,8 млн рублей. В декабре 2025 года средний чек на вторичном рынке достиг 3,6 млн рублей (плюс 6% к ноябрю и плюс 33% к декабрю 2024 года). По новостройкам средний размер выданных ипотечных кредитов сохранился на уровне 5,9 млн рублей (минус 3% к декабрю 2024 года). На готовые дома и ИЖС средний размер ипотечных кредитов составил 5,4 млн рублей (плюс 4% к ноябрю; минус 2% к декабрю 2024 года).
В России снизились выдачи POS-кредитов. По данным ОКБ, количество оформленных кредитов сократилось на 52%, а объем выдач — на 51%, до 2,38 миллиона кредитов и 155,57 млрд рублей соответственно. В среднем ежемесячно россияне оформляли кредиты на товары на сумму 12,96 миллиарда рублей, в то время как в 2024 году этот показатель достигал 26,68 миллиарда рублей.
НБКИ: в декабре средний размер лимитов по новым выданным кредитным картам составил 99,1 тыс. руб. Это на 11,3% ниже, чем годом ранее (111,7 тыс. руб. в декабре 2024 г.), но на 2,1% выше, чем в ноябре 2025 года (97,1 тыс. руб.)
Среди 30 регионов-лидеров по выдачам новых кредитных карт в декабре 2025 года самые высокие средние лимиты были зафиксированы в Москве (137,7 тыс. руб.), Московской области (118,8 тыс. руб.), Санкт-Петербурге (117,9 тыс. руб.), а также в Тюменской (с ХМАО и ЯНАО) (107,7 тыс. руб.) и Ленинградской (103,3 тыс. руб.) областях.
В декабре банки замедлили корпоративное кредитование. По данным ЦБ, корпоративный портфель снизился на 0,2%, до 116,4 трлн рублей, а кредит экономике — на 0,4% до 156,5 трлн рублей. В ЦБ отмечают, что на динамику повлияли разовые колебания, связанные «с особенностями структуры отдельных сделок». Если исключить этот эффект, рост сохранялся, но был слабее, чем в октябре-ноябре, в т.ч. из-за факторов, обусловленных оплатой госзаказа.
Т-Банк сообщил о снижении числа мошеннических звонков в России: по его оценкам, в 2025 году их количество сократилось на 21%. В среднем защитные сервисы банка ежемесячно выявляли около 65 миллионов звонков от злоумышленников.
При этом в первом квартале 2025 года мошенничество продолжало расти, и по числу звонков, и по потенциальному ущербу. В этот период удалось сохранить на 20% больше средств на счетах клиентов, чем за аналогичный период 2024 года.
Средний размер ипотечного кредита в России за год вырос на 9% — до 4,8 млн рублей. В декабре 2025 года средний чек на вторичном рынке достиг 3,6 млн рублей (плюс 6% к ноябрю и плюс 33% к декабрю 2024 года). По новостройкам средний размер выданных ипотечных кредитов сохранился на уровне 5,9 млн рублей (минус 3% к декабрю 2024 года). На готовые дома и ИЖС средний размер ипотечных кредитов составил 5,4 млн рублей (плюс 4% к ноябрю; минус 2% к декабрю 2024 года).
В России снизились выдачи POS-кредитов. По данным ОКБ, количество оформленных кредитов сократилось на 52%, а объем выдач — на 51%, до 2,38 миллиона кредитов и 155,57 млрд рублей соответственно. В среднем ежемесячно россияне оформляли кредиты на товары на сумму 12,96 миллиарда рублей, в то время как в 2024 году этот показатель достигал 26,68 миллиарда рублей.
НБКИ: в декабре средний размер лимитов по новым выданным кредитным картам составил 99,1 тыс. руб. Это на 11,3% ниже, чем годом ранее (111,7 тыс. руб. в декабре 2024 г.), но на 2,1% выше, чем в ноябре 2025 года (97,1 тыс. руб.)
Среди 30 регионов-лидеров по выдачам новых кредитных карт в декабре 2025 года самые высокие средние лимиты были зафиксированы в Москве (137,7 тыс. руб.), Московской области (118,8 тыс. руб.), Санкт-Петербурге (117,9 тыс. руб.), а также в Тюменской (с ХМАО и ЯНАО) (107,7 тыс. руб.) и Ленинградской (103,3 тыс. руб.) областях.
В декабре банки замедлили корпоративное кредитование. По данным ЦБ, корпоративный портфель снизился на 0,2%, до 116,4 трлн рублей, а кредит экономике — на 0,4% до 156,5 трлн рублей. В ЦБ отмечают, что на динамику повлияли разовые колебания, связанные «с особенностями структуры отдельных сделок». Если исключить этот эффект, рост сохранялся, но был слабее, чем в октябре-ноябре, в т.ч. из-за факторов, обусловленных оплатой госзаказа.
Т-Банк сообщил о снижении числа мошеннических звонков в России: по его оценкам, в 2025 году их количество сократилось на 21%. В среднем защитные сервисы банка ежемесячно выявляли около 65 миллионов звонков от злоумышленников.
При этом в первом квартале 2025 года мошенничество продолжало расти, и по числу звонков, и по потенциальному ущербу. В этот период удалось сохранить на 20% больше средств на счетах клиентов, чем за аналогичный период 2024 года.
👍2
This media is not supported in your browser
VIEW IN TELEGRAM
Take Rate × EROE: как Альфа‑Банк считает «умную» ставку по кредиту наличными. Ч. 1.
Ставка — не всегда главный рычаг спроса. На Scoring Day руководитель продвинутой аналитики розничного бизнеса Альфа‑Банка Игорь Дойников показал, как банк перебирает 10 000+ комбинаций условий и в моменте выбирает для клиента оффер, который одновременно максимизирует согласие (Take Rate) и экономику (EROE).
Коротко — об эволюции конкуренции в ИИ в банках
До 2010-х рынок соревновался за качество скоринга: все «боролись за Gini» и строили первые модели на логистической регрессии.
Дальше наступила эпоха risk-based pricing: клиенты различаются по уровню риска, который должен учитываться в ставке.
С начала 2020-х фокус конкуренции сместился в модели ценообразования — в модели Take Rate (вероятности согласия клиента на предложение).
Гипотеза Take Rate: все просто
Люди по‑разному реагируют на параметры продукта. Хорошо видно на примере авто: для одних важны разгон и скорость, для других — экономичность или дизайн. Приоритеты напрямую влияют на вероятность покупки.
То же самое — в кредите наличными
Кто-то выбирает по сумме, кто-то по ставке, кому-то критично «без документов», отсутствие страховок и т. д.
Частая ошибка — считать, что самым эластичным параметром является ставка. Многое зависит от диапазона рассматриваемых ставок (условно «минус 2 / плюс 2» к базе). По нашим наблюдениям, чаще люди реагируют на сумму кредита — насколько мы закрываем потребность клиента в нужном объеме денег.
Из чего складывается прайс
В основе прайсинга кредита наличными — ставка фондирования, стоимость привлечения клиента, а также CAPEX и OPEX, распределенные на каждого клиента.
Есть индивидуальные параметры, влияющие на стоимость кредита: срок, сумма и весь cost of risk — модели PD, LGD, EAD.
Цель: не просто «выдать», а заработать
Наша базовая задача — выдавать кредиты с положительной экономикой. Внутри мы максимизируем метрику EROE (по смыслу близка к марже) — и именно ее хотим «поднимать» на потоке.
Почему одной финансовой метрики мало
Если повышать ставку по кредиту наличными, доходность на единицу может расти, но падает вероятность оформления — Take Rate. Если снизить ставку, этот показатель вырастет, выдач станет больше, но продукт может «уйти» в отрицательную маржу.
Значит, этот эффект нужно закладывать в оптимизацию явно, причем на уровне конкретного клиента.
Баланс ставки и спроса: «матрица предложений»
Практика такая: мы берем модель Take Rate и перебираем условия кредита (ставка, срок, сумма, страховка/без). Те же параметры подставляем в расчет EROE.
На выходе получаем тысячи комбинаций (10 000+ тыс. — зависит от шага по ставке) и выбираем оптимум по ожидаемой ценности.
Как это работает в моменте
Клиент приходит за кредитом — матрица прогоняет набор вариантов, считает Take Rate и риск-компоненты (в т.ч. тяжелые расчеты по PD). Цель — показать клиенту наиболее релевантный оффер (Take Rate × EROE). Сотруднику остается выбрать лучшее предложение по этим метрикам.
Что важно для модели Take Rate
1. Входные параметры кредита — обязательны (иначе нечего оптимизировать).
2. Адекватный знак зависимости (рост ставки не должен «повышать» Take Rate).
3. Монотонность: ставка вверх → Take Rate вниз. Иначе модель будет вести себя неустойчиво и выдавать нелогичные рекомендации.
4. Качественный лог показов: что именно показывали клиенту и с какими условиями. Без этого модель невозможно обучить — это реально отдельный челлендж.
5. Отдельные модели под разные каналы: отделение и онлайн.
Продолжение — в следующем посте!
Ставка — не всегда главный рычаг спроса. На Scoring Day руководитель продвинутой аналитики розничного бизнеса Альфа‑Банка Игорь Дойников показал, как банк перебирает 10 000+ комбинаций условий и в моменте выбирает для клиента оффер, который одновременно максимизирует согласие (Take Rate) и экономику (EROE).
Коротко — об эволюции конкуренции в ИИ в банках
До 2010-х рынок соревновался за качество скоринга: все «боролись за Gini» и строили первые модели на логистической регрессии.
Дальше наступила эпоха risk-based pricing: клиенты различаются по уровню риска, который должен учитываться в ставке.
С начала 2020-х фокус конкуренции сместился в модели ценообразования — в модели Take Rate (вероятности согласия клиента на предложение).
Гипотеза Take Rate: все просто
Люди по‑разному реагируют на параметры продукта. Хорошо видно на примере авто: для одних важны разгон и скорость, для других — экономичность или дизайн. Приоритеты напрямую влияют на вероятность покупки.
То же самое — в кредите наличными
Кто-то выбирает по сумме, кто-то по ставке, кому-то критично «без документов», отсутствие страховок и т. д.
Частая ошибка — считать, что самым эластичным параметром является ставка. Многое зависит от диапазона рассматриваемых ставок (условно «минус 2 / плюс 2» к базе). По нашим наблюдениям, чаще люди реагируют на сумму кредита — насколько мы закрываем потребность клиента в нужном объеме денег.
Из чего складывается прайс
В основе прайсинга кредита наличными — ставка фондирования, стоимость привлечения клиента, а также CAPEX и OPEX, распределенные на каждого клиента.
Есть индивидуальные параметры, влияющие на стоимость кредита: срок, сумма и весь cost of risk — модели PD, LGD, EAD.
Цель: не просто «выдать», а заработать
Наша базовая задача — выдавать кредиты с положительной экономикой. Внутри мы максимизируем метрику EROE (по смыслу близка к марже) — и именно ее хотим «поднимать» на потоке.
Почему одной финансовой метрики мало
Если повышать ставку по кредиту наличными, доходность на единицу может расти, но падает вероятность оформления — Take Rate. Если снизить ставку, этот показатель вырастет, выдач станет больше, но продукт может «уйти» в отрицательную маржу.
Значит, этот эффект нужно закладывать в оптимизацию явно, причем на уровне конкретного клиента.
Баланс ставки и спроса: «матрица предложений»
Практика такая: мы берем модель Take Rate и перебираем условия кредита (ставка, срок, сумма, страховка/без). Те же параметры подставляем в расчет EROE.
На выходе получаем тысячи комбинаций (10 000+ тыс. — зависит от шага по ставке) и выбираем оптимум по ожидаемой ценности.
Как это работает в моменте
Клиент приходит за кредитом — матрица прогоняет набор вариантов, считает Take Rate и риск-компоненты (в т.ч. тяжелые расчеты по PD). Цель — показать клиенту наиболее релевантный оффер (Take Rate × EROE). Сотруднику остается выбрать лучшее предложение по этим метрикам.
Что важно для модели Take Rate
1. Входные параметры кредита — обязательны (иначе нечего оптимизировать).
2. Адекватный знак зависимости (рост ставки не должен «повышать» Take Rate).
3. Монотонность: ставка вверх → Take Rate вниз. Иначе модель будет вести себя неустойчиво и выдавать нелогичные рекомендации.
4. Качественный лог показов: что именно показывали клиенту и с какими условиями. Без этого модель невозможно обучить — это реально отдельный челлендж.
5. Отдельные модели под разные каналы: отделение и онлайн.
Продолжение — в следующем посте!
👍5🔥2
Take Rate × EROE: как Альфа‑Банк считает «умную» ставку по кредиту наличными. Ч. 2
Про данные: почему их «нет»
Главная сложность в модели Take Rate — обучающая выборка. Похоже на ситуацию с котом Шрёдингера: мы не можем одновременно предложить одному клиенту кредит под 20% и под 25% — это будет выглядеть как минимум странно. Поэтому без экспериментов «чистых» данных для обучения просто не появляется.
Решение: управляемая рандомизация
Идея простая, но ее часто упускают: нужно встроить систему случайных «рычагов» и на этих данных учить модель. Мы так и сделали — запускали эксперименты, где рандомно варьировали ставку, сумму, наличие/отсутствие страховки, и на этих результатах обучили модели.
Что получилось
Ключевые цифры:
• интернет-канал: рост маржи +19%;
• отделения: около +5%.
Почему такая разница — отдельная тема (гипотез несколько). В целом по опыту модели прайсинга обычно дают бизнесу +10–20% маржи. Это не «иксы», но на больших объемах даже +10–15% — очень сильный результат.
Чек-лист для CPO: что нужно, чтобы запустить модель Take Rate
1. Индивидуальные офферы во всех точках контакта: отделение, приложение, веб. Без этого конструкция не взлетит.
2. Инфраструктура и ресурсы: в онлайне нужно быстро перебирать множество вариантов и гонять множество моделей. А десятки миллионов клиентов, помноженные на условные 10 тыс. комбинаций параметров, превращаются в триллионы вариантов.
3. Качественные данные: экспериментальный сбор — отдельная проектная задача.
4. Воля сделать продукт: реально хотеть сильный рыночный результат и быть готовыми довести до продакшна.
Планы
В ближайшее время планируются:
— запуск умного ценообразования для кредитных карт, депозитов и накопительных счетов, а также для некоторых комиссионных продуктов (в подписках);
— усиление моделей Take Rate.
Про данные: почему их «нет»
Главная сложность в модели Take Rate — обучающая выборка. Похоже на ситуацию с котом Шрёдингера: мы не можем одновременно предложить одному клиенту кредит под 20% и под 25% — это будет выглядеть как минимум странно. Поэтому без экспериментов «чистых» данных для обучения просто не появляется.
Решение: управляемая рандомизация
Идея простая, но ее часто упускают: нужно встроить систему случайных «рычагов» и на этих данных учить модель. Мы так и сделали — запускали эксперименты, где рандомно варьировали ставку, сумму, наличие/отсутствие страховки, и на этих результатах обучили модели.
Что получилось
Ключевые цифры:
• интернет-канал: рост маржи +19%;
• отделения: около +5%.
Почему такая разница — отдельная тема (гипотез несколько). В целом по опыту модели прайсинга обычно дают бизнесу +10–20% маржи. Это не «иксы», но на больших объемах даже +10–15% — очень сильный результат.
Чек-лист для CPO: что нужно, чтобы запустить модель Take Rate
1. Индивидуальные офферы во всех точках контакта: отделение, приложение, веб. Без этого конструкция не взлетит.
2. Инфраструктура и ресурсы: в онлайне нужно быстро перебирать множество вариантов и гонять множество моделей. А десятки миллионов клиентов, помноженные на условные 10 тыс. комбинаций параметров, превращаются в триллионы вариантов.
3. Качественные данные: экспериментальный сбор — отдельная проектная задача.
4. Воля сделать продукт: реально хотеть сильный рыночный результат и быть готовыми довести до продакшна.
Планы
В ближайшее время планируются:
— запуск умного ценообразования для кредитных карт, депозитов и накопительных счетов, а также для некоторых комиссионных продуктов (в подписках);
— усиление моделей Take Rate.
👍4🔥3
Если вы работаете с данными или отвечаете за data‑стратегию — приходите 26 февраля на FinCore 2026, который проводит команда Scoring Day.
Одна из ключевых тем программы — ИИ-трансформация, включая роль Data Governance и Big Data в этом процессе. В фокусе внимания - переход от точечных экспериментов к системным изменениям всей финплатформы: от данных и процессов до безопасности и культуры разработки.
👉 В первой панельной дискуссии примут участие:
— Максим Травин, директор по работе с данными Т‑Банка;
— Сергей Рябов, старший управляющий директор, директор по AI-трансформации Сбера. Один из ключевых вопросов дискуссии — использование ИИ‑агентов в банке.
👉 В числе спикеров второй сессии, где будут обсуждаться ядро финплатформы будущего: платформенный подход vs классические АБС, Open API, облака и LLM‑платформы — и как состыковать ИИ, платформы и открытый банкинг в одной архитектуре:
— Тигран Саркисов, директор по управлению данными X5, который расскажет о том, как эволюционировать от «склада данных» к «цифровому мозгу» компании и выстроить цепочку Data Governance → Big Data → AI.
— Адель Валиуллин, первый вице-президент, руководитель блока технологий искусственного интеллекта Газпромбанка, который расскажет о перестройке сквозных процессов и создании такой архитектуры, где ИИ становится частью ядра.
— Юрий Колошеин, руководитель центра компетенций развития озера данных и интеграционных решений РСХБ-Автоматизация, и Сергей Золотарёв, директор по коммерции и стратегическому развитию Группы Arenadata, которые выступят с интригующей темой "Философский путь одного озера».
👉 В заключительной дискуссии о регулировании ИИ в финансовых платформах примет участие:
— Антон Степанов, начальник Центра экспертизы искусственного интеллекта Департамента финансовых технологий Банка России. В числе ключевых вопросов: как финорганизациям подготовиться к предстоящим изменениям, а также сформулируют вопросы, ответы на которые им хотелось бы получить от регуляторов.
До Форума осталось всего две недели — поспешите зарегистрироваться!
Сайт и программа Форума
Одна из ключевых тем программы — ИИ-трансформация, включая роль Data Governance и Big Data в этом процессе. В фокусе внимания - переход от точечных экспериментов к системным изменениям всей финплатформы: от данных и процессов до безопасности и культуры разработки.
👉 В первой панельной дискуссии примут участие:
— Максим Травин, директор по работе с данными Т‑Банка;
— Сергей Рябов, старший управляющий директор, директор по AI-трансформации Сбера. Один из ключевых вопросов дискуссии — использование ИИ‑агентов в банке.
👉 В числе спикеров второй сессии, где будут обсуждаться ядро финплатформы будущего: платформенный подход vs классические АБС, Open API, облака и LLM‑платформы — и как состыковать ИИ, платформы и открытый банкинг в одной архитектуре:
— Тигран Саркисов, директор по управлению данными X5, который расскажет о том, как эволюционировать от «склада данных» к «цифровому мозгу» компании и выстроить цепочку Data Governance → Big Data → AI.
— Адель Валиуллин, первый вице-президент, руководитель блока технологий искусственного интеллекта Газпромбанка, который расскажет о перестройке сквозных процессов и создании такой архитектуры, где ИИ становится частью ядра.
— Юрий Колошеин, руководитель центра компетенций развития озера данных и интеграционных решений РСХБ-Автоматизация, и Сергей Золотарёв, директор по коммерции и стратегическому развитию Группы Arenadata, которые выступят с интригующей темой "Философский путь одного озера».
👉 В заключительной дискуссии о регулировании ИИ в финансовых платформах примет участие:
— Антон Степанов, начальник Центра экспертизы искусственного интеллекта Департамента финансовых технологий Банка России. В числе ключевых вопросов: как финорганизациям подготовиться к предстоящим изменениям, а также сформулируют вопросы, ответы на которые им хотелось бы получить от регуляторов.
До Форума осталось всего две недели — поспешите зарегистрироваться!
Сайт и программа Форума
🔥4👍2
Weekly Scoring News: антифрод-возвраты по инициативе получателя, комплексная реструктуризация для физлиц и ограничения на упрощенную идентификацию
Банк России определил процедуру отказа от зачисления средств, полученных при мошенническом переводе. Граждане, чьи реквизиты находятся в базе данных Банка России, смогут оформить отказ от зачисления на свой счет денег, поступивших в результате мошеннической операции, и вернуть их пострадавшему. Банкам рекомендовано обеспечить прием заявлений клиентов-физлиц об отказе от зачисления средств — например, в отделениях, по телефону горячей линии или через онлайн-банк.
Госдума одобрила проект о комплексной реструктуризации долгов физлиц. Законопроект предполагает, что должник с просрочкой по потребкредиту сможет согласовать индивидуальный план реструктуризации долга со всеми банками, МФО и коллекторами одновременно, а также обратиться к финансовому уполномоченному для контроля процесса. Кредиторы будут обязаны сообщать должникам о таком праве при задолженности от 25 тыс. рублей. С момента обращения клиента кредитор становится организатором процедуры и до ее завершения не сможет принудительно взыскать долг
Visa представила Visa & Main — платформу для ускорения роста малого бизнеса в США. Экосистема объединяет доступ к кредитованию, помощь в привлечении клиентов и набор бизнес-инструментов. Ключевой элемент — фонд оборотного финансирования на 100 млн долл. совместно с Lendistry. Одновременно Visa обещает предпринимателям маркетинговую и сервисную поддержку под крупные события (включая FIFA World Cup 2026), а также продвигает свои B2B-инструменты — управление расходами, риск- и антифрод-технологии, финансовое обучение.
Госдума приняла закон, нацеленный на борьбу с дропами и отмыванием доходов. Закон запрещает банковским платежным агентам самостоятельно проводить упрощенную идентификацию клиентов, а также лишает их возможности участвовать в выдаче банковских карт и открытии электронных кошельков. Ранее Банк России выявлял случаи, когда агенты незаконно использовали персональные данные физлиц для открытия электронных кошельков без их ведома: такие кошельки применялись для вывода похищенных средств и нелегальных транзакций. Платежные агенты сохранят возможность осуществлять денежные переводы без открытия счета на сумму до 15 тысяч рублей (и до 60 тысяч в случае оплаты ЖКУ). Переводы на более крупные суммы можно будет проводить через терминалы с использованием банковских карт. Нововведения не затронут операторов связи и Почту России.
Банк России определил процедуру отказа от зачисления средств, полученных при мошенническом переводе. Граждане, чьи реквизиты находятся в базе данных Банка России, смогут оформить отказ от зачисления на свой счет денег, поступивших в результате мошеннической операции, и вернуть их пострадавшему. Банкам рекомендовано обеспечить прием заявлений клиентов-физлиц об отказе от зачисления средств — например, в отделениях, по телефону горячей линии или через онлайн-банк.
Госдума одобрила проект о комплексной реструктуризации долгов физлиц. Законопроект предполагает, что должник с просрочкой по потребкредиту сможет согласовать индивидуальный план реструктуризации долга со всеми банками, МФО и коллекторами одновременно, а также обратиться к финансовому уполномоченному для контроля процесса. Кредиторы будут обязаны сообщать должникам о таком праве при задолженности от 25 тыс. рублей. С момента обращения клиента кредитор становится организатором процедуры и до ее завершения не сможет принудительно взыскать долг
Visa представила Visa & Main — платформу для ускорения роста малого бизнеса в США. Экосистема объединяет доступ к кредитованию, помощь в привлечении клиентов и набор бизнес-инструментов. Ключевой элемент — фонд оборотного финансирования на 100 млн долл. совместно с Lendistry. Одновременно Visa обещает предпринимателям маркетинговую и сервисную поддержку под крупные события (включая FIFA World Cup 2026), а также продвигает свои B2B-инструменты — управление расходами, риск- и антифрод-технологии, финансовое обучение.
Госдума приняла закон, нацеленный на борьбу с дропами и отмыванием доходов. Закон запрещает банковским платежным агентам самостоятельно проводить упрощенную идентификацию клиентов, а также лишает их возможности участвовать в выдаче банковских карт и открытии электронных кошельков. Ранее Банк России выявлял случаи, когда агенты незаконно использовали персональные данные физлиц для открытия электронных кошельков без их ведома: такие кошельки применялись для вывода похищенных средств и нелегальных транзакций. Платежные агенты сохранят возможность осуществлять денежные переводы без открытия счета на сумму до 15 тысяч рублей (и до 60 тысяч в случае оплаты ЖКУ). Переводы на более крупные суммы можно будет проводить через терминалы с использованием банковских карт. Нововведения не затронут операторов связи и Почту России.
👍3❤1🔥1
Коллеги, хотим поделиться с читателями фрагментами выступлений с предстоящего форума FinCore 2026. Он будет посвящен ИТ- и ИИ-трансформации с участием Сбера, ГПБ, Банка России, Т-Банка, Альфа-Банка и др. и пройдет уже 26 февраля.
Хотим узнать, фрагменты каких дискуссий / обзоры каких тем вам интереснее всего получить в этом канале?
Голосуйте в опросе ниже 👇
Хотим узнать, фрагменты каких дискуссий / обзоры каких тем вам интереснее всего получить в этом канале?
Голосуйте в опросе ниже 👇
Какие записи выступлений с предстоящего 26 февраля форума FinCore или выжимки выступлений вам интереснее всего получить в нашем канале?
Anonymous Poll
60%
Инсайты по стратегиям топ-10 банков по внедрению ИИ в core banking на 2026 год
70%
Кейсы применения ИИ-агентов в финансовых организациях
27%
Выдержки из сессии про регулирование ИИ в финансовых платформах с участием ЦБ
13%
Все актуальное про цифровые валюты и стейблкоины
50%
Кейсы работы с данными в рамках ИИ-трансформации
Премия FINNEXT 2026: кто уже прислал кейсы?
На Премию FINNEXT уже поступило 70+ заявок – начинаем знакомить вас с первыми проектами.
Среди уже присланных кейсов:
• «Катюша» — первый банк для бизнеса в мессенджере Max (ПСБ)
• Накопительный счёт «Кешбокс» с управляемой процентной ставкой (МТС Банк)
• «Цифровое урегулирование ОСАГО» (Абсолют Страхование)
• «Конструктор привилегий» — сервис для клиентов, которые одновременно обслуживаются как физлица и предприниматели (Альфа-Банк)
• DQLA и автоматизированное управление качеством данных на уровне всей организации (ОТП Банк)
• Масштабирование клиентоцентричной модели сервисных услуг: от автострахования к страхованию имущества (Росгосстрах)
• Речевая аналитика и сквозное управление качеством коммуникаций (ВТБ)
• Пилот бесконтактной оплаты на iPhone и Apple Watch с баланса телефона (МТС)
и другие.
Если ваша команда разрабатывает инновационные решения для финансовой и смежных отраслей — присылайте кейс на Премию FINNEXT 2026!
Подать заявку можно в 10 направлениях (список см. на сайте) либо в спецноминации.
Спецноминация (участие во внеконкурсной программе) — это презентация вашего кейса на церемонии вручения Премии FINNEXT и внимание коллег и потенциальных партнеров.
Специальные номинации отмечают выдающиеся результаты в цифровой трансформации финансового рынка и подчеркивают специфику именно ваших решений и задач.
По первым заявкам видно, что присланные кейсы уже в корне меняют процессы, продукты и клиентский опыт. Ждем ваш проект на Премию! Будет интересно.
На Премию FINNEXT уже поступило 70+ заявок – начинаем знакомить вас с первыми проектами.
Среди уже присланных кейсов:
• «Катюша» — первый банк для бизнеса в мессенджере Max (ПСБ)
• Накопительный счёт «Кешбокс» с управляемой процентной ставкой (МТС Банк)
• «Цифровое урегулирование ОСАГО» (Абсолют Страхование)
• «Конструктор привилегий» — сервис для клиентов, которые одновременно обслуживаются как физлица и предприниматели (Альфа-Банк)
• DQLA и автоматизированное управление качеством данных на уровне всей организации (ОТП Банк)
• Масштабирование клиентоцентричной модели сервисных услуг: от автострахования к страхованию имущества (Росгосстрах)
• Речевая аналитика и сквозное управление качеством коммуникаций (ВТБ)
• Пилот бесконтактной оплаты на iPhone и Apple Watch с баланса телефона (МТС)
и другие.
👉 Прием кейсов продолжается!
Церемония награждения — 7 апреля, Центр событий РБК. Участие в Премии — БЕСПЛАТНОЕ.
Прислать кейс можно до 20 марта 2026 через официальный сайт Премии.
Если ваша команда разрабатывает инновационные решения для финансовой и смежных отраслей — присылайте кейс на Премию FINNEXT 2026!
Подать заявку можно в 10 направлениях (список см. на сайте) либо в спецноминации.
Спецноминация (участие во внеконкурсной программе) — это презентация вашего кейса на церемонии вручения Премии FINNEXT и внимание коллег и потенциальных партнеров.
Специальные номинации отмечают выдающиеся результаты в цифровой трансформации финансового рынка и подчеркивают специфику именно ваших решений и задач.
По первым заявкам видно, что присланные кейсы уже в корне меняют процессы, продукты и клиентский опыт. Ждем ваш проект на Премию! Будет интересно.
This media is not supported in your browser
VIEW IN TELEGRAM
Как победить мошенников и не дать им украсть деньги ваших клиентов?
Пока ваши команды согласовывают регламенты и бюджеты, мошенники релизят новые «фичи» каждую неделю — на базе ИИ, дипфейков и готовых библиотек. На Scoring Day Вадим Алёшин (CPO, МТС Скоринг) объяснил, почему фрод стал массовым и как выстроить защиту, которая успевает за атакующими.
Сколько «заработали» мошенники?
Официальная статистика по мошенничеству есть (данные Банка России, МВД, крупных банков), но в зависимости от источника она сильно различается. И это, пожалуй, самое интригующее: оценки расходятся очень серьезно. Данные ЦБ — около 20 млрд, у одного из крупных банков — 300 млрд, у других — еще выше. Скорее всего, реальный ущерб намного больше.
Почему рост продолжается
Изменились и технологии, и среда. Сегодня мошенники активно используют ИИ, клонирование голоса, дипфейки и другие инструменты. Большинство населения обзавелось смартфонами, кратно выросла роль соцсетей и мессенджеров.
Миф о «уязвимых группах» уже не работает
Важно избавиться от мифа, что жертвы — только «социально незащищенные» (пожилые, дети). Сейчас пострадать может каждый. 25% жертв — люди с высшим образованием, 36% — в возрасте от 26 до 45 лет.
Что чаще всего практикуют мошенники?
Наиболее популярный сценарий — «инвестиции в интернете» (55%), по-прежнему популярны «звонки от банков и полиции» (54%), «заем до понедельника» через взлом соцсетей также сохраняет актуальность (36%).
Почему мошенничество стало массовым?
Причина простая: входной порог упал. 5–10 лет назад мошенничать технологически было сложнее. По сути, даже школьник может на коленке собрать массовую рассылку в личку и пробовать сценарии обмана.
Мошенники адаптируются быстрее компаний
Компаниям мешают процессы — согласования с ИБ, юристами, бюджетирование, внедрение. А им это не нужно: увидели новость, быстро применили — и уже атакуют людей. Они живут как стартап, постоянно тестируя новые гипотезы: перестал работать один сценарий — запускают следующий. Поэтому мы фиксируем все больше фродовых кейсов, и к этому «новому тренду» нужно готовиться уже сейчас.
«Отложенное мошенничество»: кража не сразу, а через несколько дней
Один из самых неприятных сценариев — «отложенное мошенничество» (отложенный фрод). Это когда вас «разогревают» сегодня: нагоняют страх, давят «срочно спасайте деньги», но реальная кража происходит через несколько дней — когда вы (или ваши близкие) приходите в банк снять наличные или оформить кредит.
Как это выглядит со стороны банка
На нашей стороне картина такая: сегодня — высокий пик фрод-риска (понятно, что человека ведут), а в банк он приходит позже, когда сигнал уже слабее. И это ещё мягкий вариант: бывают кейсы намного жёстче.
Продолжение в следующем посте!
Пока ваши команды согласовывают регламенты и бюджеты, мошенники релизят новые «фичи» каждую неделю — на базе ИИ, дипфейков и готовых библиотек. На Scoring Day Вадим Алёшин (CPO, МТС Скоринг) объяснил, почему фрод стал массовым и как выстроить защиту, которая успевает за атакующими.
Сколько «заработали» мошенники?
Официальная статистика по мошенничеству есть (данные Банка России, МВД, крупных банков), но в зависимости от источника она сильно различается. И это, пожалуй, самое интригующее: оценки расходятся очень серьезно. Данные ЦБ — около 20 млрд, у одного из крупных банков — 300 млрд, у других — еще выше. Скорее всего, реальный ущерб намного больше.
Почему рост продолжается
Изменились и технологии, и среда. Сегодня мошенники активно используют ИИ, клонирование голоса, дипфейки и другие инструменты. Большинство населения обзавелось смартфонами, кратно выросла роль соцсетей и мессенджеров.
Миф о «уязвимых группах» уже не работает
Важно избавиться от мифа, что жертвы — только «социально незащищенные» (пожилые, дети). Сейчас пострадать может каждый. 25% жертв — люди с высшим образованием, 36% — в возрасте от 26 до 45 лет.
Что чаще всего практикуют мошенники?
Наиболее популярный сценарий — «инвестиции в интернете» (55%), по-прежнему популярны «звонки от банков и полиции» (54%), «заем до понедельника» через взлом соцсетей также сохраняет актуальность (36%).
Почему мошенничество стало массовым?
Причина простая: входной порог упал. 5–10 лет назад мошенничать технологически было сложнее. По сути, даже школьник может на коленке собрать массовую рассылку в личку и пробовать сценарии обмана.
Мошенники адаптируются быстрее компаний
Компаниям мешают процессы — согласования с ИБ, юристами, бюджетирование, внедрение. А им это не нужно: увидели новость, быстро применили — и уже атакуют людей. Они живут как стартап, постоянно тестируя новые гипотезы: перестал работать один сценарий — запускают следующий. Поэтому мы фиксируем все больше фродовых кейсов, и к этому «новому тренду» нужно готовиться уже сейчас.
«Отложенное мошенничество»: кража не сразу, а через несколько дней
Один из самых неприятных сценариев — «отложенное мошенничество» (отложенный фрод). Это когда вас «разогревают» сегодня: нагоняют страх, давят «срочно спасайте деньги», но реальная кража происходит через несколько дней — когда вы (или ваши близкие) приходите в банк снять наличные или оформить кредит.
Как это выглядит со стороны банка
На нашей стороне картина такая: сегодня — высокий пик фрод-риска (понятно, что человека ведут), а в банк он приходит позже, когда сигнал уже слабее. И это ещё мягкий вариант: бывают кейсы намного жёстче.
Продолжение в следующем посте!
🔥3👍1
Как победить мошенников и не дать им украсть деньги ваших клиентов? Ч. 2.
«Досье» на человека и рост точности атак
Сделать копию голоса конкретного человека уже не проблема - достаточно поговорить с ним на любую тему пару минут.
Несколько фото/видео из соцсетей позволяют лучше узнать жертву, спланировать детально сценарий атаки.
А дальше дело техники - и вот вы уже получаете звонок от своего босса, который говорит о том, что в компании ведут расследование и вы должны участвовать. Как итог, в конце данной цепочки событий вы сами отдаете деньги мошенникам под предлогом «благое дело» или «спасти капитал»
Антифрод становится умнее, мошенники - тоже.
Что делать: подтягивать зрелость всего рынка
Большие игроки должны быть драйвером — технологиями, практиками, интеграциями. Но защищаться нужно всем, включая МСБ: иначе мошенники будут уходить туда, где связь между безопасностью и человеком/клиентом не настроена.
Почему мошенничество живет и процветает?
Потому что это выгодно. Конверсия в украденные деньги — 4–5%, средний чек — примерно 100 тыс. руб. Если умножить на объемы — получаются огромные суммы, и с такой «эффективностью» не сравнится никакой бизнес. Поэтому основная задача всех, кто борется или помогает бороться — это "убить" экономику мошенничества.
Что делаем мы в МТС, чтобы бить по экономике фрода:
— Развиваем B2C‑защиту для абонентов: «Защитник», «Безопасные звонки», антиспам, «адвокаты» и др.
— Эти инструменты заодно обогащают нашу Big Data и помогают тренировать модели, в т.ч. для защиты B2B-рынка.
Используем как инновационные инструменты, такие как модели выявления социнженерии, так и классические, включая голосовой антифрод, событийные модели обслуживания.
Ключевая идея: рынок должен объединяться (в т.ч. через государство как площадку), но нужно ускоряться. Тем более на подходе регулирование, которое может сделать «легальный спам» нормой, и старые защитные факторы ослабнут.
Переходим от «по запросу» к проактивной защите
Поэтому мы строим платформу с централизованными данными (онлайн+офлайн), которая не только отвечает «по запросу», а умеет сигнализировать с помощью push‑уведомлений, что клиент находится под атакой, чтобы дает возможность среагировать до выдачи кредита/снятия денег.
«Досье» на человека и рост точности атак
Сделать копию голоса конкретного человека уже не проблема - достаточно поговорить с ним на любую тему пару минут.
Несколько фото/видео из соцсетей позволяют лучше узнать жертву, спланировать детально сценарий атаки.
А дальше дело техники - и вот вы уже получаете звонок от своего босса, который говорит о том, что в компании ведут расследование и вы должны участвовать. Как итог, в конце данной цепочки событий вы сами отдаете деньги мошенникам под предлогом «благое дело» или «спасти капитал»
Антифрод становится умнее, мошенники - тоже.
Что делать: подтягивать зрелость всего рынка
Большие игроки должны быть драйвером — технологиями, практиками, интеграциями. Но защищаться нужно всем, включая МСБ: иначе мошенники будут уходить туда, где связь между безопасностью и человеком/клиентом не настроена.
Почему мошенничество живет и процветает?
Потому что это выгодно. Конверсия в украденные деньги — 4–5%, средний чек — примерно 100 тыс. руб. Если умножить на объемы — получаются огромные суммы, и с такой «эффективностью» не сравнится никакой бизнес. Поэтому основная задача всех, кто борется или помогает бороться — это "убить" экономику мошенничества.
Что делаем мы в МТС, чтобы бить по экономике фрода:
— Развиваем B2C‑защиту для абонентов: «Защитник», «Безопасные звонки», антиспам, «адвокаты» и др.
— Эти инструменты заодно обогащают нашу Big Data и помогают тренировать модели, в т.ч. для защиты B2B-рынка.
Используем как инновационные инструменты, такие как модели выявления социнженерии, так и классические, включая голосовой антифрод, событийные модели обслуживания.
Ключевая идея: рынок должен объединяться (в т.ч. через государство как площадку), но нужно ускоряться. Тем более на подходе регулирование, которое может сделать «легальный спам» нормой, и старые защитные факторы ослабнут.
Переходим от «по запросу» к проактивной защите
Поэтому мы строим платформу с централизованными данными (онлайн+офлайн), которая не только отвечает «по запросу», а умеет сигнализировать с помощью push‑уведомлений, что клиент находится под атакой, чтобы дает возможность среагировать до выдачи кредита/снятия денег.
🔥3👍1
‼️Если вы отвечаете за AI/ML‑стратегию или обучаете модели под бизнес‑задачи — приходите 7 апреля на FINNEXT 2026, который проводит команда Scoring Day.
Одна из ключевых тем программы — AI-ECONOMY: от цифровых помощников к автономному бизнесу; ей будут посвящены отдельная сессия и Public Talk.
Рынок уже привык к формату Co‑Pilot, когда ИИ помогает сотрудникам. Следующий шаг — Autopilot, где алгоритмы берут на себя часть решений и действий. На сессии поговорим о том, как меняются архитектура, продукты, безопасность и правила управления моделями, когда бизнес становится более автономным.
В числе тем выступлений:
✅ Переход от Co‑Pilot к Autopilot и то, как BPM вместе с AI‑агентами превращают банк в автономную операционную систему, разберет Муслим Сатыбалдиев, директор департамента развития цифрового бизнеса Ростелекома.
✅ Практиками повышения качества AI‑саппорта с помощью инструментов менеджмента — без бесконечных доработок кода — поделится Максим Лягушкин, Lead Product Manager, Yandex.
✅ Как интернет‑банк может по‑настоящему «понимать» клиента и действовать точнее в моменте — покажет на примерах Андрей Ершов, руководитель направления в CommIT.
✅ Где GenAI и цифровые сервисы дают измеримый финансовый эффект, а где остаются «игрушкой», — про реальный ROI инноваций расскажет Uttaran Nayak, соучредитель и CEO одного из самых быстрорастущих стартапов Индии Alchemyst AI.
Модератор — Никита Худов, зам. генерального директора Альянса в сфере искусственного интеллекта.
Сайт и программа Форума
Если ваша команда разрабатывает инновационные решения для финансовой и смежных отраслей — присылайте кейс на Премию FINNEXT 2026!
Подать заявку можно в 10 направлениях (список см. на сайте) либо в спецноминации (участие во внеконкурсной программе), которой отмечают выдающиеся результаты в цифровой трансформации финансового рынка и подчеркивают специфику именно ваших решений и задач.
Одна из ключевых тем программы — AI-ECONOMY: от цифровых помощников к автономному бизнесу; ей будут посвящены отдельная сессия и Public Talk.
Рынок уже привык к формату Co‑Pilot, когда ИИ помогает сотрудникам. Следующий шаг — Autopilot, где алгоритмы берут на себя часть решений и действий. На сессии поговорим о том, как меняются архитектура, продукты, безопасность и правила управления моделями, когда бизнес становится более автономным.
В числе тем выступлений:
Модератор — Никита Худов, зам. генерального директора Альянса в сфере искусственного интеллекта.
Сайт и программа Форума
Если ваша команда разрабатывает инновационные решения для финансовой и смежных отраслей — присылайте кейс на Премию FINNEXT 2026!
Подать заявку можно в 10 направлениях (список см. на сайте) либо в спецноминации (участие во внеконкурсной программе), которой отмечают выдающиеся результаты в цифровой трансформации финансового рынка и подчеркивают специфику именно ваших решений и задач.
Please open Telegram to view this post
VIEW IN TELEGRAM
finnext.ru
FINNEXT 2026. 15-й форум финансовых инноваций
7 апреля 2026 г., Москва, «Центр событий РБК»
❤4
This media is not supported in your browser
VIEW IN TELEGRAM
Пока модель едет в прод, бизнес теряет миллиарды
Лайфхаками, как этого избежать, на Scoring Day поделился Александр Шишорин, ex-руководитель по моделированию в ОКБ.
В условиях постоянного изменения среды и обновлений модельного ландшафта time-to-market, превышающий полгода, стал означать, что бизнес-процессы компании работают в «прошлой» или «позапрошлой» макрореальности.
При этом в политиках управления модельным риском длинный time-to-market почти нигде не фигурирует как риск, хотя каждые 1–2 года банки могут терять огромные деньги всего лишь из-за плохо выстроенной операционки.
Как же сократить лаг между появлением данных в проде и включением модели в бизнес-процесс?
1. Сдвигайте выборку с целевой переменной максимально близко к текущему моменту.
Например, если таргет — 90+ на 12 месяцев, двигайте его как можно ближе к today. Дальше:
• проверяйте модель на коротких целевых переменных;
• делайте гигиеническую проверку: качество на длинном и коротком таргете должно быть сопоставимым.
Полезно также проверить, что модели на коротких таргетах «разваливаются» быстрее, чем на длинных.
2. Жестко разделяйте R&D и RUN.
Подключение новых источников, новые подходы к моделированию, feature engineering, миграции данных и системы исполнения моделей — все это зона R&D. Такие задачи нужно вести параллельно основному процессу и интегрировать в RUN примерно раз в 6–12 месяцев.
А сам RUN должен быть максимально автоматизирован, с минимальным участием ЛПР в итерациях по приемке моделей.
3. Стройте инфраструктуру фичей.
Обычно все говорят только про Feature Store, но по факту нужны две вещи:
• Feature Store;
• интерфейсы для использования фичей.
Критично вывести в прод длинный список фичей: 50, 100, 300, 4000 — сколько получится. Именно это радикально сокращает время подготовки данных и автоматизирует сбор продуктивных данных на ретродате. Даже если Feature Store еще не идеален, длинный список фичей в проде плюс интерфейсы — это уже половина решения.
Что это дает на практике:
• базовые модели с Gini 50–70 по сегментам;
• ещё +5–15% качества при донастройке под задачи конкретного клиента;
• более понятные модели;
• возможность быстро делать drill-down при деградации;
• постоянный поток гипотез для улучшений.
Подход можно описать одной фразой: «Делай базу до отказа»
Feature engineering и длинный список фичей — это дорого и долго, но именно они позволяют быстро строить сильные модели.
Что интересного можно делать с длинным списком фичей
Когда у вас 3000 фичей, открываются новые задачи. Например:
Задача 1. Модель работает хорошо в сегментах A и B, но плохо в C
Полный перебор фичей займет вечность. Но можно начать с простого:
• корреляций;
• анализа различий Gini фичей в разрезе сегментов.
Это быстро покажет, куда идти дальше: во feature selection, feature engineering или заняться перевзвешиванием.
Задача 2. Быстрый baseline без нейросетей, долгого отбора фичей и тяжелых вычислений.
Здесь можно использовать метод главных компонент для сжатия размерности. В сыром виде он работает плохо, потому что среди 3000 фичей много мусора. Но если сначала кластеризовать фичи по однофакторным характеристикам (Gini, его вариация, drop-out-of-time и т.д.), можно потерять всего около 3% качества, но получить baseline за 1–3 дня.
Это позволяет быстро понять целевой уровень качества и поставить задачу дата-сайентисту.
Задача 3. Горизонтальное федеративное обучение между двумя DS-командами на домене кредитных историй.
Проблема стандартная: у разных команд разные списки фичей. Хотя домен один — кредитная история.
Можно «подружить» два списка через эмбеддинги: сначала моделировать не дефолт, а фичи одной команды через фичи другой. После этого можно переходить к федеративному обучению.
Главный вывод
Работа с длинными списками фичей кажется скучной. Но на самом деле — это один из самых мощных источников эффективности.
Но только если:
• фичи находятся в проде;
• их можно прогонять на ретроспективе 3–5 лет.
Лайфхаками, как этого избежать, на Scoring Day поделился Александр Шишорин, ex-руководитель по моделированию в ОКБ.
В условиях постоянного изменения среды и обновлений модельного ландшафта time-to-market, превышающий полгода, стал означать, что бизнес-процессы компании работают в «прошлой» или «позапрошлой» макрореальности.
При этом в политиках управления модельным риском длинный time-to-market почти нигде не фигурирует как риск, хотя каждые 1–2 года банки могут терять огромные деньги всего лишь из-за плохо выстроенной операционки.
Как же сократить лаг между появлением данных в проде и включением модели в бизнес-процесс?
1. Сдвигайте выборку с целевой переменной максимально близко к текущему моменту.
Например, если таргет — 90+ на 12 месяцев, двигайте его как можно ближе к today. Дальше:
• проверяйте модель на коротких целевых переменных;
• делайте гигиеническую проверку: качество на длинном и коротком таргете должно быть сопоставимым.
Полезно также проверить, что модели на коротких таргетах «разваливаются» быстрее, чем на длинных.
2. Жестко разделяйте R&D и RUN.
Подключение новых источников, новые подходы к моделированию, feature engineering, миграции данных и системы исполнения моделей — все это зона R&D. Такие задачи нужно вести параллельно основному процессу и интегрировать в RUN примерно раз в 6–12 месяцев.
А сам RUN должен быть максимально автоматизирован, с минимальным участием ЛПР в итерациях по приемке моделей.
3. Стройте инфраструктуру фичей.
Обычно все говорят только про Feature Store, но по факту нужны две вещи:
• Feature Store;
• интерфейсы для использования фичей.
Критично вывести в прод длинный список фичей: 50, 100, 300, 4000 — сколько получится. Именно это радикально сокращает время подготовки данных и автоматизирует сбор продуктивных данных на ретродате. Даже если Feature Store еще не идеален, длинный список фичей в проде плюс интерфейсы — это уже половина решения.
Что это дает на практике:
• базовые модели с Gini 50–70 по сегментам;
• ещё +5–15% качества при донастройке под задачи конкретного клиента;
• более понятные модели;
• возможность быстро делать drill-down при деградации;
• постоянный поток гипотез для улучшений.
Подход можно описать одной фразой: «Делай базу до отказа»
Feature engineering и длинный список фичей — это дорого и долго, но именно они позволяют быстро строить сильные модели.
Что интересного можно делать с длинным списком фичей
Когда у вас 3000 фичей, открываются новые задачи. Например:
Задача 1. Модель работает хорошо в сегментах A и B, но плохо в C
Полный перебор фичей займет вечность. Но можно начать с простого:
• корреляций;
• анализа различий Gini фичей в разрезе сегментов.
Это быстро покажет, куда идти дальше: во feature selection, feature engineering или заняться перевзвешиванием.
Задача 2. Быстрый baseline без нейросетей, долгого отбора фичей и тяжелых вычислений.
Здесь можно использовать метод главных компонент для сжатия размерности. В сыром виде он работает плохо, потому что среди 3000 фичей много мусора. Но если сначала кластеризовать фичи по однофакторным характеристикам (Gini, его вариация, drop-out-of-time и т.д.), можно потерять всего около 3% качества, но получить baseline за 1–3 дня.
Это позволяет быстро понять целевой уровень качества и поставить задачу дата-сайентисту.
Задача 3. Горизонтальное федеративное обучение между двумя DS-командами на домене кредитных историй.
Проблема стандартная: у разных команд разные списки фичей. Хотя домен один — кредитная история.
Можно «подружить» два списка через эмбеддинги: сначала моделировать не дефолт, а фичи одной команды через фичи другой. После этого можно переходить к федеративному обучению.
Главный вывод
Работа с длинными списками фичей кажется скучной. Но на самом деле — это один из самых мощных источников эффективности.
Но только если:
• фичи находятся в проде;
• их можно прогонять на ретроспективе 3–5 лет.
👍6