ОТП Банк включил проект внедрения процессов и инструментов Data Governance в масштабную программу трансформации культуры и изменения менталитета сотрудников. Он играет стратегическую роль в повышении эффективности, прозрачности и конкурентоспособности бизнеса банка. О реализации проекта рассказывает Николай Шевцов, CDO ОТП Банка и номинант на премию Data Award.

- Каковы основные этапы пути ОТП Банка в Data Governance?

Развитие Data Governance в нашем банке можно разделить на несколько ключевых этапов. Начали с осознания ключевых проблем с данными и инициирования программы. Далее последовала разработка стратегии и целевой модели управления данными, а также создание нормативной базы и запуск пилотных проектов. Затем автоматизация и интеграция инструментов управления данными в единую платформу, расширение охвата и масштабирование программы. Наконец, оценка эффективности и развитие Data Governance как части корпоративной стратегии.

- Что было сделано в последнее время?

За последний год команда офиса данных в ОТП Банке проделала колоссальную работу по внедрению дата-культуры, опираясь на принципы и подходы, заложенные в рамках Data Governance. Мы провели обучение для более чем 400 сотрудников основам управления данными, разработали бизнес-глоссарий, внедрили процесс мониторинга качества данных, а также интегрировали стандарты безопасности и защиты данных на всех уровнях организации.

Благодаря усилиям нашей команды данные в банке теперь воспринимаются как стратегический актив, а управление ими становится частью корпоративной культуры. Мы внедрили систему автоматизированного контроля качества данных, которая снизила количество ошибок в отчетности на 30%, а также улучшили процессы согласования и актуализации метаданных.

Эти изменения позволили значительно повысить доверие к данным и обеспечили основу для принятия более обоснованных и эффективных бизнес-решений. Базируясь на качественных данных, мы можем перейти к следующему этапу — внедрению инструментов искусственного интеллекта.

- Что это значит для бизнеса?

Внедрение принципов Data Governance как основы корпоративной культуры помогает бизнесу сразу по нескольким направлениям. Самое главное, это дает возможность интегрировать принципы Data Governance в повседневную работу сотрудников и бизнес-процессы. Важно привить отношение к данным как к стратегическому активу, который должен управляться и защищаться на всех уровнях организации.

- В каких направлениях ведется работа?

Во-первых, мы уделяем большое внимание бизнес-глоссарию и бизнес-требованиям к данным. Нам важно, чтобы все знания, алгоритмы, и требования (Business Requirement Document, BRD) сохранялись в единой платформе с учетом версионности и требований безопасности к данным. В этом смысле, бизнес-глоссарий является ядром нашей системы управления данными, на который в дальнейшем «нанизываются» все остальные компоненты.

Во-вторых, все функциональные требования (Feature-Sliced Design, FSD) также формируются и сохраняются в системе.

Важный момент — формирование BRD и FSD встроено в процесс разработки хранилища данных; это дает возможность иметь всегда актуальную и никогда не устаревающую документацию ко всему хранилищу. Внедрение и управление метаданными повысило прозрачность данных, позволило значительно снизить время на поиск нужной информации аналитиками, и упростило их использование.

В-третьих, мы уделяем большое внимание управлению качеством данных. Внедряем системы и процессы для обеспечения их качества – автоматизированный контроль, мониторинг, валидацию данных. Наши стандарты и правила для обеспечения полноты, консистентности и качества данных в банке внедряются с использованием платформы Data Quality.

Отдельно скажу о процессах безопасности и защиты данных. Мы обеспечиваем соответствие данных нормативным и юридическим требованиям, включая защиту персональных данных, банковскую тайну и требования регуляторов. Здесь важно внедрение эффективных механизмов контроля доступа к данным и мониторинга использования данных с целью защиты от несанкционированного доступа или утечек.

Важным вектором нашей работы является формирование культуры взаимодействия, командной работы, сотрудничества между различными подразделениями банка для достижения целей в области управления данными.

Наконец, оценка результатов и постоянное улучшение. Мы проводим регулярную оценку качества и результативности внедренных процессов с использованием конкретных метрик и показателей. Адаптируем и улучшаем подходы Data Governance в ответ на изменения в бизнес-среде и требования рынка.

Мы интегрируем Data Governance в стратегию компании и бизнес-процессы, обеспечивая взаимосвязь и согласованность всех бизнес-подразделений.

- Какими инструментами поддерживаются процессы управления данными?

Мы используем инструменты каталогизации и управления метаданными, а также платформу управления качеством данных на базе решения Data Ocean Governance компании Data Sapiense. Это прекрасный пример того, как российские разработчики быстро могут создать потрясающий продукт. Хранилище данных (DWH, Data Lake, ETL) реализованы на продуктах Arenadata, на мой взгляд, ставших «золотым стандартом» отрасли. BI и аналитические инструменты построены на решении FineBI.

- Каких показателей качества данных удалось добиться?

Процессы Data Governance встроены в процесс разработки нового хранилища данных. При этом мы автоматизировали контроль качества данных. В результате у нас заметно увеличился процент чистых данных. Снизилась доля отсутствующих данных – например, объем незаполненных email-адресов в клиентской базе сократился с 30% до 5%. Уменьшилось количество устаревших данных – скажем, доля неактуальных контактных данных упала с 20% до 3%. Сократился процент дублирующихся записей клиентов – с 10% до 1%.

- В чем выражается доверие пользователей к данным?

Если пользователи уверены, что данные точные, актуальные, безопасные и понятные, они используют их в аналитике, отчетности и принятии решений. Именно поэтому мы определили ключевые аспекты, на основе которых строили систему – например, доступность и удобство пользования платформой Data Quality, проверенные источники данных, а также необходимое сопровождение и поддержка (внутренние обучения, владельцы данных, дата-стюарды).

Особое внимание уделяется безопасности и конфиденциальности. Понимая свою ответственность, мы надежно защитили данные от несанкционированного доступа, учли все требования регуляторных норм, а также выполнили четкое разделение прав пользователей.

Нашей командой были введены механизмы проверки и контроля качества данных, такие как метрики, отчеты по качеству, история внесенных изменений.

- Какую роль играет проект для развития банка?

Проект по внедрению культуры Data Governance играет стратегическую роль в повышении эффективности, прозрачности и конкурентоспособности бизнеса банка. Он не просто закрывает регуляторные потребности, но в том числе формирует фундамент для оптимизации бизнес-процессов и создания дополнительной ценности.

Например, централизация управления данными снижает риск ошибок, дублирования и потерь, а улучшение качества данных позволяет получать точные и своевременные бизнес-отчеты. Создание единого источника достоверных данных дает руководству доступ к точной аналитике, что позволяет быстрее и эффективнее принимать решения, не говоря уже о повышении доверия к аналитическим инструментам внутри банка.

В этом смысле, Data Governance – необходимый этап для успешной миграции на новое хранилище данных. Он обеспечивает чистоту, безопасность и консистентность данных в новой инфраструктуре.

Кстати, не стоит забывать о последних трендах в использовании данных — искусственный интеллект и машинное обучение тоже требуют качественных данных.

Последнее по счету, но не по значению, – улучшение клиентского опыта. Глубокий анализ клиентских данных позволяет персонализировать продукты и услуги. Снижается вероятность ошибок в расчетах, коммуникациях и персонализированных предложениях.

- О необходимости формирования специфической цифровой культуры говорят многие. В чем ваш проект уникален?

Уникальность внедрения культуры Data Governance в ОТП Банке заключается в сочетании внутренних факторов организации и внешнего контекста рынка.

Помимо жесткого регулирования в российском финансовом секторе, у нас есть мультинациональный контекст. Как часть международной группы OTP Group, мы сталкиваемся с необходимостью соблюдения как локальных, так и групповых стандартов управления данными. Нам необходимо адаптировать международный подход к Data Governance под российские реалии, такие как локализация данных на территории России и приспособление глобальных стратегий к требованиям ЦБ РФ.

Внедрение культуры Data Governance охватывает весь банк и направлено не только на улучшение процессов обработки данных, но и на изменение менталитета сотрудников. Обучение и вовлеченность сотрудников различных уровней в управление данными (особенно в таких отделах, как риск-менеджмент, финансы и маркетинг) создают уникальную модель внутреннего взаимодействия. А назначение стюардов данных, автоматизация процессов работы с данными и регулярные обучающие программы позволяют выстроить прозрачные и устойчивые процессы.

- Это может стать примером для отрасли?

Да, внедрение культуры Data Governance может стать хорошим примером для других банков на российском рынке. Благодаря комплексному подходу к управлению данными мы можем продемонстрировать успешный кейс интеграции международного опыта с учетом российских реалий.

Мы регулярно делимся нашим опытом на конференциях, референс-визитах других банков, после последнего референса мне и команде было приятно слышать обратную связь: «Во время дискуссии мы как будто перенеслись в будущее, где все уже продумано и работает. Объем выполненных вами работ невероятен».

- Вы упомянули о фокусировке на ROI. Уже пытались оценить финансовый результат? Чем можно похвастаться?

Могу рассказать о нескольких кейсах, где мы уже успели оценить финансовый эффект от их результатов. Первым из них стало существенное увеличение выдачи кредитов благодаря внедрению инструментов Data Quality и мастер-системы клиентских данных.

Ранее мы сталкивались с известными проблемами некачественных клиентских данных: дубликатами в клиентской базе, из-за чего заявки могли отклоняться из-за неправильной оценки кредитной истории; некорректными контактными данными, что затрудняло коммуникацию; ошибками при синхронизации данных между различными системами, что увеличивало время обработки заявок. Для ее решения мы внедрили инструменты Data Quality – автоматизированные проверки, очистку данных, мониторинг качества. Одновременно создали единое MDM-решение для клиентских данных, что позволило синхронизировать информацию между CRM, скоринговыми системами и внутренними базами. Разработали механизм дедупликации и стандартизации данных, что позволило снизить количество дублирующихся профилей.

Улучшение качества данных позволило увеличить количество обработанных заявок без дополнительных затрат на маркетинг, а исключение дубликатов позволило точнее рассчитывать скоринг заемщиков, снизив процент отказов. В итоге общий объем выданных кредитов увеличился на 1 млрд руб. в год за счет роста конверсии заявок в выдачи.

Другой пример – новый алгоритм поиска клиентов, направленный на рост клиентской базы. Ранее мы использовали стандартные методы поиска клиентов, основанные на базовых фильтрах и ручных подходах. Это приводило к пропуску перспективных клиентов, чьи профили не попадали в стандартные сегменты, низкой конверсии из-за недостаточной персонализации и в целом высокой стоимости привлечения клиента из-за неточного таргетинга.

Мы разработали новый алгоритм поиска клиентов на основе моделей машинного обучения, который анализирует исторические данные по клиентам и их поведение, альтернативные источники данных (в том числе социальные сети и поведенческие паттерны), скоринговые модели вероятности оформления кредита. Важно, что была проведена интеграция ML-алгоритма с системами CRM и маркетинговой аналитики, что позволило персонализировать предложения. Кроме того, выстроили автоматизированную систему приоритизации лидов для операторов, работающих с клиентами.

В результате мы получили значительный приток новых клиентов за счет более точного поиска и персонализации предложений. Снизилась стоимость привлечения, так как рекламные кампании стали более целевыми, а также увеличилась одобряемость заявок, ведь предсказательная модель подбирала клиентов с высокой вероятностью одобрения.

Еще один проект связан с автоматизированным контролем качества анкет. Мы сталкивались с высокой долей ошибок и опечаток при заполнении клиентских данных. Внедрение алгоритмов автоматического исправления опечаток в момент заполнения анкеты (сравнение с базами, машинное обучение) и разработка механизма валидации данных в режиме реального времени привели к отличным результатам: количество анкет с критическими ошибками сократилось на 95%. Благодаря этому произошел заметный рост конверсии заявок в одобренные кредиты.

- В каких направлениях планируется дальнейшая работа?

Самое главное – усиление управления качеством данных: внедрение более продвинутых автоматизированных контролей для повышения охвата и глубины проверок, автоматизация процессов исправления ошибок и внедрение механизмов обратной связи от пользователей. Планируем дальнейшее развитие каталогизации и управления метаданными – расширение глоссария, Data Lineage для критических процессов. Будем проводить интеграцию и унификацию хранилищ данных, в том числе переход на гибридную архитектуру (Data Mesh) интеграция новых источников данных – открытые API, маркетинговые данные, внешние реестры.

Развиваем аналитику и ИИ на платформе данных. В числе прочего, разрабатываем варианты решений на основе ИИ для автоматического обнаружения аномалий и прогнозирования качества данных и усиливаем поддержку self-service аналитики для бизнес-пользователей. Развиваем real-time аналитику для принятия решений в режиме реального времени.

Наконец, повышение зрелости Data Governance и корпоративной культуры данных. Будем увеличивать вовлеченность владельцев данных и фокусироваться на обучении сотрудников и популяризации культуры Data Governance. Уже созданы обучающие курсы, видеоролики и программы для коллег. Однако мы планируем создать еще больше образовательных мероприятий.