От тактики «срочной замены» к стратегии партнерства

CNews: Если оглянуться на два-три года назад, как трансформировался подход банков к импортозамещению?

Владимир Носиков: Российские банки всегда предъявляли очень высокие требования к ИТ-инфраструктуре. В 2022–2023 годах, когда началась активная фаза импортозамещения, многие были сфокусированы на быстром результате: нужно было срочно заменить поставщиков, ушедших с рынка, и закрыть риски по критичным сервисам. Иногда это приводило к решениям «на бегу», которые через год-два приходилось пересобирать уже более системно. Сейчас горизонт планирования заметно расширился. Банки смотрят на решения с прицелом на годы вперед, оценивают совокупную стоимость владения (TCO) и хотят понимать, как эти инвестиции будут работать не только на устойчивость, но и на развитие бизнеса.

Кирилл Евдокимов: Полностью соглашусь. 2022 год был годом «тушения пожаров» — в первую очередь меняли не столько профильное банковское программное обеспечение широким фронтом, сколько критичную инфраструктуру, обеспечивающую функционирование внутренних процессов и процессов обслуживания клиентов: приложения, у которых истекали лицензии без возможности продления, системы ВКС, почту, решения ИБ. К середине 2024 года фокус сместился в сторону более глубоких вещей: платформ данных, миграции с Microsoft SQL Server, Oracle, решений для бизнес-аналитики (BI). И здесь произошло важное изменение: банки перестали воспринимать импортозамещение как угрозу и начали выстраивать партнерства с вендорами. Отечественные разработчики получили уникальную возможность узнавать о реальных «болях» бизнеса и дорабатывать продукты под конкретные задачи, а банки — влиять на дорожные карты решений. Это оказалось ценнее, чем просто «сделано в России».

Четыре колеса банковского автомобиля

CNews: Решения вендора Data Sapience закрывают широкий спектр задач: от управления данными до клиентского опыта. С чего банки начинают свой путь чаще всего?

Владимир Носиков: Нельзя выделить одну-единственную «горящую» тему. Банк, как автомобиль на четырех колесах: инфраструктура, данные, клиентские сервисы и системы управления рисками. Если одно колесо спущено, далеко не уедешь. Приоритеты расставляет сама жизнь. Первое — критичность: если система влияет на непрерывность бизнеса, это задача номер один. Второе — эффективность: где можно быстрее сократить издержки и убрать ручную работу. Третье — рост дохода: в условиях высокой конкуренции банки все активнее инвестируют в маркетинговые технологии и монетизацию клиентской базы. Но в основе всего все равно лежат данные. Без качественного и управляемого фундамента ни одно прикладное решение не даст максимального эффекта, поэтому спрос на платформы данных и инструменты подготовки витрин остается очень высоким.

В продуктовом портфеле Data Sapience эти задачи закрывает платформа Data Ocean, в которую входят Lakehouse-платформа Data Ocean Nova, инструмент пакетной репликации и интеграции данных Data Ocean Flex Loader и низкокодовое решение (low-code) для потоковой обработки данных в реальном времени Data Ocean SDI. Эти продукты сегодня особенно востребованы на рынке, поскольку позволяют банкам поэтапно выстраивать современный и управляемый контур работы с данными. Решения платформы Data Ocean уже внедрены в ИТ-ландшафт ведущих организаций финансового сектора, среди которых Альфа-Банк, Газпромбанк, «Ак Барс» Банк, Совкомбанк, СберСтрахование и другие крупные игроки.

Кирилл Евдокимов: Добавлю про риски. Для банков традиционно важным моментом является автоматизация принятия решений в задачах управления рисками. И Data Sapience помогает закрыть эту задачу с помощью платформы TALYS Ocean. Онлайн-движок TALYS.SDE можно использовать в качестве элемента кредитного конвейера, для предстраховых проверок или для онлайн-выявления подозрительных операций в ПОД/ФТ или антифроде. В части ПОД/ФТ, кстати, есть отдельное решение TALYS.AML, которое отвечает за обязательный контроль, выявление сомнительных операций в офлайн- и онлайн-режимах, позволяет расследовать полученные инциденты и подготавливать регуляторную отчетность. Все это очень важно для соблюдения требований 115-ФЗ и стабильной работы банка.

Кроме того, есть еще один регуляторный фактор. Например, требования ЦБ к управлению резервами стимулируют банки наводить порядок с качеством и происхождением данных. И если раньше системы управления метаданными внедряли только лидирующие игроки, то сейчас интерес к ним стал массовым. Мы видим это на примере платформы Data Ocean Governance. Это связано и с импортозамещением: когда переносишь хранилище на новую технологию, без каталогизации и понимания происхождения данных (дата-линейджа) не обойтись. Это позволяет сократить затраты на миграцию и снизить риски потери качества данных.

Также видим повышенное внимание банков к работе с мастер-данными. Это важно, поскольку качественное управление мастер-данными позволяет обеспечить соответствие требованиям Банка России к качеству данных и управлению операционными рисками, выполнить нормы по противодействию легализации доходов и защите персональных данных, а также повысить эффективность бизнес-процессов за счет создания единого достоверного источника клиентской информации. В 2026 году мы, например, закрыли успешный проект с Россельхозбанком по миграции с зарубежного решения Ataccama ONE на новую платформу по управлению клиентскими данными CDI 2.0, в основе которой лежит наш продукт Data Ocean Governance MDM.

Маркетинг, который считает деньги

CNews: Владимир, в проектах CM Ocean фигурируют впечатляющие цифры роста конверсии. За счет чего автоматизация маркетинга дает такой эффект?

Владимир Носиков: Управление ценностью клиента (CVM) — это стратегия взаимной выгоды (win-win): клиент получает более релевантные предложения, банк — рост ценности клиентской базы (LTV). Такие платформы позволяют уйти от массовых рассылок к персонализированным коммуникациям, а в дальнейшем и к гиперперсонализации. Маркетолог в едином интерфейсе может собирать сложные сценарии, работать с микросегментами и подбирать наиболее релевантное предложение для конкретного клиента. Чем точнее оффер соответствует потребности и текущему контексту — тем выше конверсия.

На практике эффект достигается сразу в двух точках. Во-первых, автоматизация снимает большой объем ручной работы: выборки, сверки, перенос данных, запуск типовых кампаний. Во-вторых, она позволяет команде быстрее тестировать гипотезы и масштабировать удачные сценарии. И такой эффект доступен не только крупнейшим банкам, но и организациям меньшего масштаба. Например, в проекте с банком «Хлынов» нам удалось автоматизировать до 80% рутинных операций. Это не про сокращение людей, а про изменение роли команды: меньше ручных действий, больше времени на аналитику, гипотезы и развитие клиентских сценариев. Сегодня персонализация становится для банков уже не маркетинговой опцией, а одним из факторов конкурентоспособности.

CNews: Что более востребовано для бизнеса: пакетные коммуникации или работа в реальном времени?

Владимир Носиков: Здесь речь не о выборе одного подхода вместо другого, а о разных задачах. Пакетный маркетинг — это плановая работа с клиентской базой на основе накопленных данных: когда банк заранее понимает, какое предложение и какой аудитории нужно сделать. Маркетинг в реальном времени — это реакция на конкретное действие клиента здесь и сейчас. Например, клиент зашел в мобильное приложение, начал оформлять продукт, но не завершил действие. В этот момент у банка уже есть контекст и история взаимодействия, и система может подобрать наиболее релевантное следующее предложение или подсказку. Именно поэтому конверсия в сценариях в реальном времени (real-time) часто особенно высока: коммуникация происходит в момент актуального интереса. На практике наилучший результат дает связка обоих подходов.

В платформе CM Ocean эти задачи закрываются в связке продуктов Batch Flow и Real-Time Flow, что позволяет банку одновременно выстраивать и плановые коммуникации, и реакцию на события в реальном времени.

Данные как фундамент и новый актив

CNews: Кирилл, в последнее время мы видим всплеск интереса к системам работы с метаданными. Это требование регулятора или запрос бизнеса?

Кирилл Евдокимов: И то, и другое. В современном мире банки — это, в первую очередь, история про данные, а не про деньги как физическую субстанцию. Объемы информации растут, и аналитикам все сложнее находить нужные данные для проверки гипотез. Системы управления метаданными, как Data Ocean Governance EMM, позволяют сократить срок вывода продукта на рынок ( time-to-market): они ускоряют поиск и подготовку данных, делая банк гибче. С другой стороны, Банк России выпустил множество методических рекомендаций по самооценке качества управления данными. Пока это советы, но все понимают, куда движется регуляторика. Кроме того, метаданные — это база для внедрения ИИ-агентов. Без каталога и бизнес-глоссария, которые переводят запрос пользователя с человеческого языка на язык техники, любые эксперименты в этом направлении будут крайне ограничены.

CNews: Где находится та точка боли, когда банк понимает, что без профессионального инструмента для управления качеством данных не обойтись?

Кирилл Евдокимов: Обычно это момент, когда ручной труд и «костыли» перестают справляться. Например, когда регуляторную отчетность перед сдачей в ЦБ выверяют глазами несколько человек, пытаясь исправить ошибки на «последней миле». Или когда из-за недоверия к данным при оценке рисков используются заведомо консервативные подходы, что ведет к неэффективному замораживанию капитала. На практике это выражается так: если у вас неверный номер телефона или вы обратились к мужчине в женском роде из-за ошибки в графе «пол» — это удар по репутации и потерянная коммуникация. Если у вас есть разночтения в данных в регуляторной отчетности — это штрафы . Рано или поздно объем ручной работы становится таким, что без инструмента управления качеством данных, например, Data Ocean Governance DQ, который позволяет своевременно выявлять ошибки в данных, банк просто не может двигаться дальше.

Прогноз: скорость плюс ИИ

CNews: Банк прошел импортозамещение, навел порядок с данными. Что станет следующим вызовом через два-три года?

Кирилл Евдокимов: Очевидный тренд — индустриализация искусственного интеллекта и операционализации моделей машинного обучения (MLOps). Современные компании все больше интересуются решениями этого класса и их внедрением. Мы это видим на примере платформы Kolmogorov AI. Более половины текущих пресейлов связаны с ИИ. При этом подобные продукты помогают компаниям значительно ускорять бизнес-процессы.

В одном из кейсов на Kolmogorov AI мы развернули ассистента для поиска и анализа информации в корпоративных документах (персональный RAG-ассистент): у заказчика были тысячи файлов разного формата (PDF/DOCX/PPTX/XLSX), при этом сотрудники тратили много времени на взаимодействие с документацией. В рамках логики работы ИИ-агента настроили конвертацию, векторизацию, индексацию и поиск релевантных фрагментов с последующей генерацией ответа с использованием больших языковых моделей (LLM), плюс режим персональных/командных коллекций с ролевым доступом. Эффект — сокращение времени поиска до 70% и прозрачность ответов за счет ссылок и цитат из конкретных документов, что снижает риск использования неактуальной информации.

Рынок движется от единичных экспериментов к промышленным агентам, операционализации моделей машинного обучения (MLOps) и фабрикам ИИ-агентов, где важны не единичные экземпляры, а конвейер, управляемый жизненный цикл, контроль источников/доступов и измеримый показатель времени до получения ценности (Time to Value) на конкретных процессах.

Дальше банки будут конкурировать тем, у кого быстрее выстроен конвейер поставки качественных данных для обучения моделей. Качество данных эволюционирует от понятия «чистоты» к понятию «глубины» и уникальности накопленного опыта. Данные начнут превращаться в товар, вырастет спрос на их интеграции (data-интеграции) и функционал «даташопов».

Владимир Носиков: Следующий вызов — это способность превращать данные в решения быстрее конкурентов. Важно не просто иметь данные или модели, а быстро проверять гипотезы, запускать новые сценарии и так же быстро отказываться от неэффективных. Конкурентное преимущество будут получать те банки, у которых лучше выстроен цикл «данные — гипотеза — действие — измерение результата». Существенную роль здесь сыграют платформы с элементами искусственного интеллекта, которые помогают ускорять и саму аналитику, и принятие маркетинговых решений. Так CM Ocean развивается как платформа управления ценностью клиента (CVM) с активным использованием искусственного интеллекта, где ИИ-агенты берут на себя широкий круг задач, делая маркетинг более точным и быстрым.

Вместо послесловия

CNews: Ваше пожелание банкам, которые находятся в процессе миграции.

Владимир Носиков: В текущее непростое время компании естественно становятся осторожнее, но именно сейчас важно, образно говоря, точить топор. Готовить процессы, данные и технологии к будущему росту. Импортозамещение не стоит воспринимать как вынужденную замену одного софта другим. Это возможность пересобрать процессы, сделать их быстрее, прозрачнее и эффективнее. Те, кто использует этот этап именно так, в дальнейшем выигрывают и в скорости, и в качестве работы с клиентом.

Кирилл Евдокимов: Главный совет — не бойтесь, импортозамещение дает возможности для пересборки процессов. И две рекомендации, как избежать ошибок. Первое: смотрите в будущее — выбирайте платформу с потенциалом масштабирования, чтобы через два года не начать все заново. Второе: трезво оценивайте свои силы при выборе программного обеспечения с открытым исходным кодом (open source). Кастомизация и поддержка требуют значительных ресурсов. Зачастую готовое вендорское решение с техподдержкой оказывается и быстрее, и надежнее.