Финансовый сектор. Бизнес-эксперт Ткач рассказала о новых технологиях

Полина Ткач, менеджер по стратегии Uber Eats, поделилась своим опытом участия в разработке уникальных моделей машинного обучения для финансовых организаций. Благодаря своему профессиональному бэкграунду в стратегическом консалтинге и навыкам работы с международными командами, Полине удавалось успешно внедрять передовые AI-решения в бизнес-процессы клиентов, сталкиваясь при этом с различными организационными и культурными барьерами. В интервью эксперт раскрыла ключевые факторы успешного внедрения машинного обучения в финансах, а также поделилась прогнозами относительно перспективных направлений применения ИИ в банковском секторе.

— Полина, вы играли ключевую роль в разработке уникальной модели персонализации на основе машинного обучения для крупного банка в Азербайджане. Расскажите, какие задачи стояли перед вашей командой в этом инновационном проекте?

— Этот проект был направлен на улучшение продаж кредитных карт банка через мобильное приложение с помощью AI/ML. Основная задача заключалась в разработке и внедрении модели персонализации на основе машинного обучения. Мне была отведена ключевая роль — руководить кросс-функциональной командой, состоящей из дата-сайентистов, дизайнеров интерфейсов и продакт-менеджеров. Нужно было найти оптимальный подход к работе со всеми этими специалистами, обеспечить, чтобы каждый понимал свою роль и KPI.

Учитывая, что внедрение машинного обучения в мобильный банкинг на тот момент было чем-то новым и малоизученным, приходилось глубоко погружаться в тему и убеждать команду в правильности выбранного пути. В итоге нам удалось успешно внедрить модель и повысить продажи кредитных карт на 15 % уже через месяц после запуска.

— Внедрение передовых AI/ML-решений в мобильное приложение банка — это, безусловно, серьезный вызов. С какими основными сложностями столкнулась ваша команда и как ваш опыт и экспертиза помогли их преодолеть?

— Да, вы правы, это был непростой проект со множеством вызовов. Во-первых, мне пришлось адаптировать свой стиль работы к особенностям ведения бизнеса в Азербайджане, ведь до этого я работала преимущественно с российскими клиентами. Во-вторых, как я уже упоминала, координация работы большой кросс-функциональной команды, где каждый должен четко понимать свою роль и по-разному смотрит на задачу, это всегда непросто. Здесь мне помог мой предыдущий консалтинговый опыт, научивший выстраивать эффективную коммуникацию.

И третий вызов был связан с тем, что на тот момент применение AI/ML в мобильном банкинге было мало изучено. Материалов и практик было мало. Поэтому приходилось буквально на ходу разбираться в теме, изучать лучшие мировые наработки и адаптировать их под наши реалии. А еще — убеждать команду в правильности выбранного пути, ведь многие относились к машинному обучению с изрядной долей скепсиса. Но глубокое погружение в тематику в сочетании с налаженной коммуникацией в итоге привели нас к успеху.

— Это был сложный проект. Спасибо, что поделились такими подробностями! А если взглянуть шире, как вы считаете, какие ключевые факторы определяют успех внедрения моделей машинного обучения в финансовой индустрии?

— На мой взгляд, успех внедрения машинного обучения в финансах зависит от сочетания нескольких ключевых факторов. Первый — это качественные данные в достаточном объеме. Без репрезентативных данных обучить модель будет просто не на чем. Второй фактор — компетентная и мотивированная кросс-функциональная команда, где каждый понимает общую цель, ведь все должны работать как единый организм. 

Третий фактор, без которого никуда, — это спонсорство и искренняя заинтересованность топ-менеджмента банка. Без этого проект будет буксовать. Хорошо спланированная дорожная карта внедрения, где учтены интересы всех стейкхолдеров, — еще один краеугольный камень успеха. И, конечно же, важен правильный выбор бизнес-кейса для пилота. Он должен быть достаточно узким, чтобы можно было добиться быстрого результата, но при этом достаточно весомым, чтобы этот результат был заметен бизнесу. Если на пилотном проекте удастся добиться впечатляющего эффекта, дальше внедрять AI/ML в организации будет гораздо проще.

— Думаю, это будет очень полезно узнать компаниям, которые планируют внедрять модели машинного обучения. Спасибо! Полина, ранее вы упомянули ваше участие в разработке стратегии внедрения модели Propensity to Buy для банка. Не могли бы вы больше рассказать об особенностях этой модели и о том, как стратегия способна повысить эффективность продаж?

— Конечно, давайте поговорим об этом подробнее. Propensity to Buy — это модель, основанная на машинном обучении, которая позволяет для каждого клиента банка предсказать вероятность покупки того или иного продукта. Фактически модель анализирует огромное количество различных факторов и ранжирует клиентов по тому, насколько они вероятно купят, скажем, кредитную карту или возьмут кредит наличными.

Модель Propensity to Buy мы внедряли в колл-центр банка, чтобы операторы знали, кому из клиентов стоит звонить в первую очередь. Это существенно повышает эффективность телемаркетинга. Стратегия, которую я помогала разработать, как раз касалась наиболее эффективных путей интеграции такой модели в бизнес-процессы банка.

Ключевой элемент стратегии это, как я уже говорила, четкое распределение ролей между data science, IT, колл-центром и бизнесом и выстраивание эффективной коммуникации, процессов и метрик. Каждый должен четко понимать свой участок работы и то, как измерять успех. При правильном подходе интеграция такой модели способна повысить продажи на 15-20 %, что для банка огромная цифра. В нашем проекте мы смогли повысить конверсию в продажу на 20 %. Это очень хороший результат.

— Опираясь на ваш экспертный опыт, поделитесь, пожалуйста, с какими типичными барьерами сталкивается внедрение AI/ML в финансовом секторе и как вы рекомендуете их преодолевать? 

— Барьеров, действительно, немало, и они встречаются на каждом этапе. Начать стоит с данных. У многих банков данные фрагментированы, встречаются ошибки и дубликаты. Чтобы построить хорошую модель машинного обучения, данные нужно чистить, восстанавливать, обогащать, это большая работа. Важно также озаботиться качеством новых данных, ведь они нужны и для обучения модели, и для ее функционирования после запуска. 

Следующий распространенный барьер — недостаток компетенций в области data science и машинного обучения. Хороших специалистов на рынке не так много, они стоят дорого. Поэтому важно или растить таланты внутри, или налаживать партнерство с вендорами, которым можно доверять.

Большим препятствием часто оказывается неготовность ИТ-инфраструктуры и ИТ-процессов банка. Внедрение реально работающего AI/ML это не пилот на коленке, он требует мощностей, специального софта, непрерывного мониторинга моделей в продуктиве и, как правило, изменений в архитектуре данных и ИТ-ландшафте. К этому нужно быть готовым.

И самый, пожалуй, серьезный вызов, который я вижу во многих проектах, — это консерватизм банковской культуры. Банковские данные содержат особенно чувствительные данные клиентов, и поэтому вопрос конфиденциальности стоит очень остро. Особенно этот скепсис характерен для рисковиков, андеррайтеров, комплаенса. И это нормально: они привыкли отвечать за свои решения. Убедить их в том, что математическая модель принимает решения не хуже, а то и лучше человека, бывает очень непросто. Наиболее действенные методы здесь — обучение, вовлечение их в процесс разработки и валидации модели и, конечно же, быстрые видимые результаты на пилотных проектах. Когда видишь эффект своими глазами, уровень доверия возрастает.

— Спасибо за такой детальный анализ! Полина, учитывая ваш бэкграунд работы с международными клиентами, как вам удавалось адаптировать методы работы к культурным особенностям разных стран?

— Безусловно, культурные различия нельзя сбрасывать со счетов при работе над международными проектами. Ключевой момент, который я для себя вынесла, — никакой универсальной формулы нет, в каждой новой стране нужно как бы обнулять свои установки и с чистого листа выстраивать коммуникацию, пытаясь максимально глубоко понять особенности местной культуры. В этом помогает неформальное общение, совместные обеды, где можно лучше узнать своих визави.

Нужно помнить, что за внешними различиями всегда скрываются универсальные ценности — нацеленность на результат, взаимное уважение и, конечно же, цифры, которые одинаково понятны всем. Фокусируясь именно на этом общем фундаменте, всегда можно найти общий язык, даже если культурные коды отличаются. И, безусловно, не стоит забывать про обаяние и чувство юмора: оно всегда помогает наводить мосты. 

— Вы правы, в командной работе самое главное — взаимоуважение и общность целей. Теперь вернемся к теме искусственного интеллекта. Сегодня много говорят об этике применения ИИ. Основываясь на вашем опыте, какие этические принципы вы считаете фундаментом для разработки AI/ML-моделей в финансах?

— Вопрос этики ИИ действительно выходит сегодня на первый план, особенно в таких чувствительных отраслях, как финансы. Банки оперируют огромными массивами личных данных, принимают решения, которые влияют на жизнь людей. Поэтому этическая планка здесь должна быть очень высокой.

Первый безусловный принцип — это защита персональных данных, их конфиденциальность и безопасность. Любые данные, которые используются для обучения моделей, должны быть надежно обезличены. Утечки здесь недопустимы.

Второй краеугольный камень — это отсутствие дискриминации. Модели машинного обучения, сколь бы сложными и точными они ни были, всегда рискуют воспроизводить предвзятости, заложенные в данных. Скажем, модель кредитного скоринга может дискриминировать женщин или представителей этнических меньшинств просто потому, что раньше они реже получали кредиты. Этого нельзя допускать. Нужно на уровне метрик и процессов валидации моделей исключать подобные эффекты.

Очень важна также прозрачность и объяснимость моделей. Особенно если решения модели влияют на жизнь конкретного человека, будь то выдача кредита или установление лимита по карте. Человек имеет право знать, на основании чего модель приняла то или иное решение.

Наконец, никакая, даже самая совершенная модель не должна быть последней инстанцией. У человека всегда должно оставаться право на апелляцию, на вмешательство «человеческого фактора». ИИ — это помощник и советчик, но не истина в высшей инстанции. Если мы возьмем за основу эти базовые принципы, то сможем использовать искусственный интеллект в финансах не только эффективно, но и этично.

— Давайте заглянем в будущее. Какие направления применения Machine Learning в банках вы считаете наиболее перспективными на горизонте 5-10 лет?

— То, что сегодня кажется инновационным и прорывным, через 5-10 лет станет стандартом индустрии. Я вижу несколько ключевых направлений. Во-первых, это гиперперсонализация: банки будут использовать AI для создания по-настоящему индивидуального клиентского опыта, от интерфейса до продуктового предложения. Во-вторых, это предиктивная аналитика — способность не просто анализировать прошлое, но и точно прогнозировать будущее поведение клиентов, рыночные тренды, риски.

Третье перспективное направление — это автоматизация принятия решений в реальном времени. Представьте себе банк, где 90 % всех решений — от одобрения кредита до торговых операций — принимаются алгоритмами в доли секунды. При этом важно сохранить баланс между автоматизацией и человеческим контролем.

— Очень содержательный прогноз. Посмотрим, что нас будет ожидать в будущем. И в завершение, представьте, что вы консультируете компанию из финансового сектора, которая лишь начинает внедрять ИИ. Что бы вы им порекомендовали, исходя из своего богатого опыта?

— Мой главный совет — начинать с малого, но мыслить масштабно. Выберите конкретный, относительно небольшой сценарий использования, где можно быстро показать измеримый результат. Это может быть, например, модель предсказания оттока клиентов или персонализация коммуникаций. Важно добиться быстрых побед, которые убедят скептиков и создадут momentum для более масштабных изменений.

При этом с самого начала нужно думать о масштабировании — выстраивать процессы и инфраструктуру так, чтобы потом можно было легко тиражировать успешные решения. И, конечно, крайне важно инвестировать в людей — как в технических специалистов, так и в бизнес-пользователей, которые будут работать с AI-решениями.

— Полина, спасибо вам за эту беседу! Такой глубокий анализ рынка это именно то, что сейчас нужно бизнесу.

— Всегда рада делиться знаниями. В нашей сфере важно учиться на опыте друг друга, это ускоряет прогресс всей отрасли.

По материалам: aif.ru