Иван Жуков: «В финтехе скорость аналитики — это и есть эффективность»

Современный финтех переживает «кризис эффективности», что, в частности, отмечают аналитики IBM. Компании тратят недели на подготовку отчетности, теряют миллионы долларов из-за ошибок в кредитных конвейерах и неэффективного маркетинга, который больше не попадает в целевую аудиторию. В условиях, когда традиционные методы скоринга перестают окупаться, единственным драйвером роста становится внедрение передовых технологий и переход к предиктивной аналитике, уверен Иван Жуков, ведущий специалист в разработке и масштабировании продуктово-ориентированных цифровых сервисов. В проектах, за которые он отвечал, автоматизированные системы обработки больших данных в разы сократили время проверок и подготовки отчетов внутри финтех-компаний, а также позволили снизить потери, связанные с ошибками в кредитных процессах и внутренним фродом. Сегодня Иван руководит командой аналитиков данных в IT Finance — компании, специализирующейся на лидогенерации для компаний в финансовой вертикали и работе с большими данными. В интервью эксперт рассказал, как построить аналитическую инфраструктуру, которая не просто составляет отчеты, а генерирует прибыль в жестких рыночных условиях.

𝓲

Фото: Личный архив Ивана Жукова

— Иван, вы около десяти лет работаете с финтех-компаниями — крупными и стартапами. По вашим наблюдениям, почему «кризис эффективности» стал реальностью именно сегодня?

— Эта жесткая реальность обусловлена тем, что старая модель «рост любой ценой на дешевых деньгах» больше не работает. Раньше финтех-компании могли позволить себе низкую операционную эффективность, если они показывали взрывной рост пользовательской базы. Сегодня ситуация изменилась. Мы вошли в фазу зрелости рынка. Насыщение привело к тому, что экстенсивный путь стал слишком дорогим. Единственный путь к прибыли теперь лежит через интенсивное развитие: сверхточный скоринг, автоматизацию, использование альтернативных данных. По большому счету, «кризис эффективности» — это фильтр, который оставит на рынке только тех, кто смог превратить данные в главный производственный актив.

— В какой момент вы поняли, что старые модели в финтехе перестают работать?

— Пожалуй, лет 6–7 назад, когда столкнулся с тем, что у крупных финансовых компаний огромное количество отчетностей, километровые списки клиентов, и в процессе их обработки неизбежно появлялись ошибки. Мне приходилось постоянно взаимодействовать с IT и бизнес-подразделениями, чтобы исправлять их и автоматизировать процессы.

— Вы были инициатором перехода от пассивной аналитики, которая просто фиксирует убытки, к активному управляющему контуру на базе машинного обучения, что важно, например, при принятии банком решения о выдаче кредита. Это стало новым направлением на рынке, и вашу разработку несколько лет использовал один из федеральных банков. На чем основан такой подход?

— Один из принципов — умный роутинг. В CPA-сетях лиды часто распределяются по очереди или по фиксированным правилам. У нас по-другому: в момент заявки мы оцениваем пользователя и подбираем оффер, который лучше всего соответствует требованиям конкретной финансовой организации в том числе исходя из клиентского пути пользователя, истории его взаимодействия с нами. За счет этого растет доля одобренных заявок, снижается стоимость привлечения и увеличивается выручка площадки. Второй ключевой момент — Real-time триггеры и современный стек. В финтехе скорость аналитики — это и есть эффективность. Наша аналитика опирается на гибридный стек: потоковая консолидация данных через Flink и распределенные вычисления в Greenplum, пайплайны на dbt для воспроизводимости моделей и масштабируемый Lakehouse-слой (S3, Iceberg, Trino) для работы с огромными массивами данных. И, наконец, предиктивное управление себестоимостью и монетизацией через ML. Комбинация этих принципов, впервые примененная на рынке финтеха, снижает долю пустых затрат и повышает эффективность на больших объемах операций.

— Ваш профессиональный путь в одном из ведущих мобильных операторов России совпал с этапом выделения его B2B-направления в отдельный бренд. Как аналитик данных вы улучшили текущие кампании и разработали новые пайплайны для обработки данных. Какие еще изменения вы внесли, которые стали ключевыми драйверами роста и превратили скоринговые модели в масштабируемый бизнес с ростом выручки и клиентской базы?

— Запросы рынка подтолкнули меня к расширению продуктовой линейки. Я решил выделить лидогенерацию и B2B-сигналы в отдельное стратегическое направление. Оно развивалось параллельно со скорингом, что позволило клиентам не только получать оценку рисков, но и выбирать триггеры для своих бизнес-сценариев. Для нового направления был создан пилотный контур с системой проверки гипотез. Это помогло наглядно демонстрировать коммерческую ценность решений заказчикам. Чтобы обеспечить масштабируемость, я формализовал процессы так, чтобы аналитические продукты можно было быстро адаптировать под разных клиентов без потери качества. Также моя команда внедрила модельный подход, применяя современные ML-методы для обработки текстовых и категориальных сигналов. В итоге классический скоринг и B2B-сигналы стали сопоставимы по объему и значимости. Это позволило увеличить клиентскую базу более чем в два раза и добиться роста годовой выручки B2B-продукта на 60%.

— Как вы поделились, определяя логику проекта, связанного с одобрением кредитов, банка «Открытие», у которого тогда было порядка 4 миллионов клиентов, вы уделяли особое внимание сокращению времени подготовки данных, снизив показатель с полутора недель до нескольких дней. Почему вы считаете, что для финтеха операционная скорость аналитики важнее просто точности моделей?

— В финтех-процессе ценность дает не только точность алгоритма, но и скорость доставки сигнала в решение. В проекте по предодобренным кредитам процесс исторически был «пакетным»: раз в квартал формировался огромный список клиентов для коммуникаций.

Проблема в том, что за 90 дней жизни оффера профиль риска клиента мог измениться, а банк продолжал предлагать кредит тем, кому его уже нельзя было выдавать. Триггерная модель: «есть событие — есть действие» — работает иначе. Вместо квартального цикла — еженедельная проверка качества микса, которая занимает всего 2–3 рабочих дня. Я принимал активное участие в процессах согласования, построения логики и контроля метрик, отвечая за поставку микса в бизнес и SLA по доставке и мониторингу. Микс проверялся одинаково, без разночтений и постоянных пересогласований, а бизнес получал пакет быстрее и стабильнее, без просадки конверсии из-за неактуальных офферов.

— Глобальная проблема банковской сферы — мошенничество, ущерб от которого мировой отрасли, по итогам 2025 года, превысил 517 миллиардов долларов. Вы в свое время работали с фродом в крупном банке с филиалами по всей стране. Какие «красные флаги» в данных должен видеть специалист, чтобы предотвратить потери?

— В финансах «красные флаги» — обычно не один признак, а сочетание аномалий, которое складывается в подозрительный сценарий. В моей практике были случаи, когда кредиты наличными оформлялись на подставные данные при участии сотрудников отделений банка. Чтобы вскрыть схему, мы ушли от поиска единичных инцидентов и построили графовую логику: «заявка — сотрудник — контактные данные — операции в банкоматной сети». Так удалось выявить статистически нетипичные концентрации связей в конкретных офисах. Для повышения точности мы наложили внешние данные, в частности, информацию от мобильных операторов о сим-картах сотрудников и сопоставили их с телефонами в подозрительных заявках. Также анализировали гео-паттерны: где именно снимались средства и совпадало ли это с местом оформления. Свои наработки мы передали управлению, отвечающему за безопасность. Это позволило выявить проблему на ранней стадии, не дожидаясь, пока «пирамида» схлопнется и банк увидит массовые просрочки. Банк получил возможность точечно блокировать сценарии и существенно снижать потери.

— Помимо обязательных данных из БКИ, банки все чаще используют дополнительные внешние источники: телеком и интернет-сигналы, данные e-commerce и маркетплейсов и другие. Как это меняет оценку кредитоспособности и сам процесс принятия решения?

— Тренд на использование внешних данных возник, по моей оценке, примерно пять-семь лет назад. В силу консервативности банков этот процесс шел медленно, но сейчас становится все более популярным. Сегодня сложно представить принятие решения без сторонних моделей и данных из внешних источников. Для клиентов с небольшой историей в банке это играет большую роль. Внешние данные и их интеграция улучшают охват и точность оценки клиентов, а также позволяют раньше заметить ухудшение качества. Однако важно не только подключить источники, но и создать надежный механизм их поставки с мониторингом качества данных.

— Исходя из собственной практики в проектах, где речь идет о данных миллионов пользователей и миллиардных бюджетах, скажите, что необходимо финтех-компаниям, чтобы пережить «кризис эффективности»?

— Выживание упирается в три вещи: порядок в данных, контроль качества потока и быструю управляемость экономики. Практика показывает, что успех определяет не сложность модели сама по себе, а ее синергия с дисциплиной данных и гибкостью управления. Поэтому в эпоху «кризиса эффективности» наиболее устойчивыми окажутся финтех-компании, сделавшие аналитику частью операционной ДНК.

Автор: Георгий Литвинов