Проект внедрения процессов и инструментов Data Governance включен в масштабную программу трансформации культуры и изменения менталитета сотрудников ОТП Банка. Эта инициатива имеет стратегическое значение для повышения эффективности, прозрачности и конкурентоспособности бизнеса банка. О реализации проекта рассказывает Николай Шевцов, CDO ОТП Банка и лауреат премии Data Award 2025.

Каковы основные этапы пути банка в Data Governance?

Начали мы с выделения и систематизации проблем при работе с данными. Затем, после проработки и анализа полученных результатов, была инициирована программа трансформации. После этого была разработана корпоративная стратегия и целевая модель управления данными, создана соответствующая нормативная база и запущены пилотные проекты. Затем начался процесс автоматизации и интеграции инструментов управления данными в единую платформу с расширением охвата и масштабированием программы. Наконец, была проведена оценка эффективности внедрения процессов и инструментов управления данными.

Николай Шевцов: «Внедрение принципов Data Governance как основы корпоративной культуры помогает бизнесу совершенствоваться сразу по нескольким направлениям и, самое главное, позволяет привить сотрудникам отношение к данным как к стратегическому активу»

Что уже сделано?

Команда офиса данных проделала колоссальную работу по внедрению дата-культуры, опираясь на принципы и подходы, заложенные в Data Governance. Основам управления данными было обучено более чем 400 сотрудников, разработан бизнес-глоссарий, внедрен процесс мониторинга качества данных, а также были интегрированы стандарты безопасности и защиты данных на всех уровнях.

Сегодня данные в компании воспринимаются как стратегический актив, а управление ими стало частью корпоративной культуры. Система автоматизированного контроля качества данных позволила на 30% снизить количество ошибок в отчетности, были улучшены процессы согласования и актуализации метаданных.

Все это дало возможность значительно повысить доверие к данным и обеспечило основу для принятия обоснованных и эффективных бизнес-решений. Базируясь на качественных данных, мы можем перейти к внедрению инструментов искусственного интеллекта.

По каким направлениям сегодня 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 данных и требований к их безопасности. В этом смысле бизнес-глоссарий стал ядром нашей системы управления данными, на которое в дальнейшем «нанизываются» все остальные компоненты.

Во-вторых, в системе также формируются и сохраняются все функциональные требования (Functional Specification Document, FSD). Важный момент — формирование BRD и FSD встроено в процесс разработки хранилища данных, что позволяет всегда иметь актуальную документацию по всему хранилищу. Внедрение и управление метаданными повысили прозрачность данных, позволили значительно сократить время аналитиков на поиск нужной информации, а также упростить ее использование.

В-третьих, мы уделяем большое внимание управлению качеством данных — внедряем автоматизированный контроль, мониторинг и валидацию данных. Наши стандарты и правила для обеспечения полноты, консистентности и качества данных в банке внедряются с использованием отечественной платформы управления качеством данных Data Ocean Governance от компании Data Sapience.

Отдельного внимания заслуживают процессы 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 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 подразделений.

Какие инструменты используются?

У нас есть инструменты каталогизации и управления метаданными, а также платформа управления качеством данных на базе решения Data Ocean Governance. Хранилище данных, Data Lake и ETL реализованы на продуктах Arenadata. Бизнес-аналитика и аналитические инструменты построены на инструменте самообслуживания FineBI китайского вендора FanRuan.

Как изменилось качество данных?

Итогом автоматизации процессов контроля качества стало снижение доли отсутствующих данных, например, объем незаполненных email-адресов в клиентской базе с 30% сократился до 5%. Уменьшилось количество устаревших данных — доля неактуальных контактных данных с 20% упала до 3%. Дублирование уменьшилось с 10% до 1%. Но главное — повысилось доверие пользователей к данным, используемым в аналитике, формировании отчетности и при принятии управленческих решений. Именно поэтому при определении требований к проекту ключевыми были доступность и удобство пользования платформой Data Quality, работа с проверенными источниками данных, а также сопровождение и поддержка (обучения, владельцы данных, дата-стюарды).

Нашей командой были определены механизмы проверки и контроля качества данных: метрики, отчеты по качеству, история внесенных изменений и пр.

Какую роль проект играет для развития бизнеса банка?

Проект по внедрению культуры Data Governance не просто закрывает регуляторные требования, но и создает основы для оптимизации бизнес-процессов, создания дополнительной ценности. Например, централизация управления данными снижает риск ошибок, дублирования и потерь, а улучшение качества данных позволяет получать точные и своевременные бизнес-отчеты. Единый источник достоверных данных дает доступ к точной аналитике, что позволяет быстрее и эффективнее принимать решения, не говоря уже о повышении доверия к корпоративным аналитическим инструментам. В этом смысле Data Governance — необходимый этап для успешной миграции на новое хранилище данных. Он обеспечивает чистоту, безопасность и консистентность данных в нашей корпоративной инфраструктуре.

Кстати, не стоит забывать и о современных тенденциях при работе с данными — применение искусственного интеллекта также имеет смысл лишь при наличии массива качественных данных.

Улучшение клиентского опыта также далеко не последняя задача проекта — глубокий анализ клиентских данных позволяет персонализировать продукты и услуги, снижая вероятность ошибок в расчетах, коммуникациях и предложениях клиентам банка.

Сегодня много говорится о необходимости цифровой культуры. В чем уникален именно ваш проект?

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 имеется и мультинациональный контекст. Как часть международной банковской 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: размещение данных клиентов на территории России и адаптация 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 работников различных уровней в процессы управления данными (особенно в отделах риск-менеджмента, финансов и маркетинга) создают уникальную модель внутреннего взаимодействия. А назначение стюардов данных, автоматизация процессов работы с данными и регулярные обучающие программы позволяют выстроить прозрачные и устойчивые бизнес-процессы.

Можно ли считать проект примером для отрасли?

Да, внедрение культуры Data Governance может стать хорошим примером для других банков, работающих на российском рынке. Благодаря комплексному подходу к управлению данными мы демонстрируем пример успешной интеграции международного опыта с учетом российских реалий. Мы регулярно делимся нашим опытом на конференциях и в ходе референс-визитов других банков. Например, после недавнего визита было очень приятно услышать мнение: «Мы как будто перенеслись в будущее, где все уже продумано и работает. Объем выполненных вами работ невероятен».

Николай Шевцов: «Обучение и вовлеченность работников различных уровней в процессы управления данными создают уникальную модель внутреннего взаимодействия. А назначение стюардов данных, автоматизация процессов работы с данными и регулярные обучающие программы позволяют выстроить прозрачные и устойчивые бизнес-процессы»

Какие были получены финансовые результаты?

Благодаря внедрению инструментов Data Quality и мастер-системы клиентских данных существенно увеличился объем выданных кредитов. Ранее мы сталкивались с неточностями в клиентских данных: дубликатами, из-за чего заявки могли отклоняться по причине неправильной оценки кредитной истории; некорректными контактными данными, что затрудняло коммуникацию; ошибками при синхронизации данных между различными системами, что увеличивало время обработки заявок. После внедрения автоматизированных проверок, очистки данных и мониторинга их качества подобные проблемы исчезли, а число обработанных заявок увеличилось.

Создание единого MDM-решения для клиентских данных позволило синхронизировать данные между системами CRM и скоринга, а также внутренними базами. Разработанный механизм дедупликации и стандартизации данных позволил снизить количество дублирующихся профилей.

Другой пример — новый алгоритм поиска клиентов, направленный на рост клиентской базы. Ранее мы использовали стандартные методы поиска на основе базовых фильтров и обработки сведений вручную. Это приводило к пропуску перспективных клиентов, чьи профили не попадали в стандартные сегменты, низкой конверсии из-за недостаточной персонализации и высокой стоимости привлечения клиента из-за неточного таргетинга. Мы разработали новый алгоритм поиска клиентов на основе моделей машинного обучения, анализирующий поведение клиентов и их исторические данные, альтернативные источники данных (социальные сети и поведенческие паттерны) и скоринговые модели. Алгоритм был интегрирован с системами CRM и маркетинговой аналитики, что позволило персонализировать предложения. Кроме того, мы выстроили автоматизированную систему приоритизации лидов для сотрудников банка, работающих с клиентами. Итогом стал значительный приток новых клиентов.

Еще один проект связан с автоматизированным контролем качества анкет клиентов, при заполнении которых иногда допускались ошибки и опечатки. Внедрение алгоритмов автоматического исправления опечаток в момент заполнения анкеты (сравнение с базами, машинное обучение), а также механизма валидации данных в режиме реального времени дало отличные результаты — количество анкет с критическими ошибками сократилось на 95%! Благодаря этому произошел заметный рост конверсии заявок в одобренные кредиты.

Что в планах?

Самое главное — усиление управления качеством данных: внедрение более совершенных схем автоматизированного контроля 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) для интеграции с новыми источниками данных: открытые API, маркетинговые данные, внешние реестры.

На платформе данных продолжится развитие аналитики и ИИ. В числе прочего разрабатываем варианты автоматического обнаружения аномалий и прогнозирования качества данных, а также усиливаем поддержку аналитики Self-service для бизнес-пользователей. Кроме этого развиваем аналитику реального времени для повышения оперативности принятия решений.

Наконец, мы работаем над повышением зрелости Data Governance и уровня корпоративной культуры управления данными. Планируем увеличивать вовлеченность владельцев данных, фокусироваться на обучении сотрудников и популяризации культуры Data Governance, в том числе благодаря комплексу образовательных мероприятий.

Николай Смирнов (nsmirnov@osp.ru) — независимый автор (Москва).