Big data
для банков
и телекома

Научитесь принимать решения на основе больших данных!
Старт
4 Августа
Длительность
4 месяца
Наш курс объединяет банки и телеком
В последние 5 лет наблюдается все большая конвергенция между финансовым и телеком секторами.

Банки запускают собственных операторов связи (например, Тинькофф Мобайл), а телеком компании покупают банки (например, МТС Банк).
Модель работы с клиентами, пользовательские данные и возможности допродажи услуг во многом похожи.

Банки обогащают свои модели данными от телекомов, а телеком компании начинают предлагать финансовые сервисы.
Поэтому мы объединили в нашем курсе представителей этих двух отраслей. Мы уверены, что это создаст продуктивную среду для кросс-отраслевого взаимодействия.
"
Big Data — это будущее
76%
Крупнейших американских банков используют big data для привлечения клиентов, улучшения коммуникаций и повышения лояльности, по данным McKinsey за 2017 г.
90%
Компаний из списка Fortune 1000 планируют увеличить инвестиции в Big Data и AI в 2020 году.
Одним из важнейших качеств лидера становится умение эффективно использовать эти технологии для трансформации своего подразделения.

Руководители, которые не вкладывает время и силы в развитие этих компетенций, очень быстро теряют свои позиции.
"
Применения машинного обучения в банках и телекомах
Персонализация предложений по продуктам
>50% потребителей готовы пользоваться персональными предложениями от банков и телеком компаний, подключать новые услуги, и рассматривать новые виды кредитов (по данным Forrester).

Компания может использовать не только внутренние клиентские данные о состоянии счета и истории трансакций, но и внешнюю информацию:
  • Поведение в соцсетях
  • История поисковых запросов
  • История перемещений
  • Любая другая сторонняя информация

Чем больше компания знает о своем клиенте, тем более персональным будет клиентское обслуживание, тем больше будет LTV.
Оценка платежеспособности клиентов
Машинное обучение позволяет точнее оценивать платежеспособность клиентов на основе большого объема факторов кредитного риска: транзакции по счету, паттерны поведения, косвенные данные, внешние источники информации.
Предотвращение мошеннических операций
Правильный анализ данных позволяет по косвенным признакам выявлять и предотвращать мошеннические операции заранее. Факторами принятия решения могут быть резкий рост покупательской активности, перевод непривычных сумм на другие счета, вывод средств, а также менее очевидные действия. Предупредительные меры можно принять еще до того, как клиент обнаружит кражу кредитной карты и взлом онлайн-банка.

Например, система антифрода Visa вычисляет в онлайн-режиме мошеннические операции по совокупности признаков и в результате предотвращает мошенничества на $2 млрд ежегодно.

Дополнительные сервисы и рекомендации
На основе больших данных можно давать клиенту рекомендации, несвязанные напрямую с продуктами компании: путешествия, кино, выставки, спорт и пр. За счет точечного таргетирования это приносит клиенту дополнительную ценность, а компании позволяет снизить издержки на продажу конкретного продукта.
Во время курса вы научитесь
Применять AI и ML в своей компании
Узнаете о возможных применениях в разных отраслях
Изучите примеры внедрений
Поймете ограничения, где имеет и не имеет смысла применять
Защищать концепцию перед руководством
Сможете объяснить экономическую целесообразность
Оцените сроки
и стоимость проектов
Анализируете используемые данные и основные модели
Выступать заказчиком
для аналитиков
Научитесь квалифицированно ставить задачи data аналитикам
Поймете, какие люди нужны на ваш проект
Узнаете, какими метриками измерять точность модели
В течение курса вы
Оцените экономическую целесообразность внедрения инструментов AI для своей компании
01
02
Напишете гипотезы data продуктов.
Опишите MVP
03
04
Пообщаетесь
с компаниями, внедряющими ML модели в финтехе
и телекоме
Оцените необходимые ресурсы для выполнения задачи
Среди наших выпускников
Syllabus
1.  Обзор области
Возможности AI, как и где на сегодня применяется. Основные термины и их значения
2. Общий подход к сбору, хранению и обработке данных
Поговорим про возможные источники данных и оптимальные способы работы с ними
3. Примеры задач машинного обучения
Как устроено машинное обучение на пальцах
4. Методы машинного обучения
Обзор методов: от решающих деревьев до нейросетей, в чем отличия и где какие нужны
5. В каких продуктах применим ML
Как оценить применимость ML для задачи и в каких направлениях есть наибольший потенциал для применения
6. Цикл ML проекта и подводные камни на каждом этапе
Рассмотрим полный цикл от анализа и постановки задачи до внедрения
7. Работа с данными и с моделями
Поговорим подробнее про ошибки, смещенность в данных, ключевые метрики, проверку данных на достоверность и поиск аномалий
8. Как управлять ML проектом
Agile, канбан и HADI циклы в работе над ML проектом
9. Основы data driven культуры в компании
Мало иметь хороших аналитиков – нужно выстроить культуру принятия решений на основе данных, иначе их выводы лягут в стол
10. Команда Big Data проекта
Какие люди понадобятся вам в команде: руководитель, бизнес-заказчик, data scientist, data engineer, data steward, аналитик
11. Оценка кредитных рисков
Как и какие модели можно применять для оценки кредитных рисков?
Как прогнозировать дефолты и работать с нехваткой данных?
12. Кросс-сейл и персональные рекомендации
Как повысить LTV клиента за счет дополнительных рекомендаций и экосистемы услуг
13. Финальный проект
Работа с командой аналитиков над MVP своего продукта в области ML
Эксперты курса
Александр Хайтин
CEO Mechanica AI
ex-Yandex Data Factory CEO
(2014-2017)
Александр Фонарев
Со-основатель Rubbles, ведущего агентства по работе с ML моделями для банков и ритейла
PhD в Data Science (Сколтех)
Преподаватель в Школе Анализа Данных Яндекса
Николай Орлов
Big Data Director в Билайн
Экс-Head of Big Data Department в компании "Эвотор"

Антон Попов
Советник по цифровой трансформации для компаний: PayPal, Яндекс, Mail.ru Group, Bosch, Росатом, Intel,
S7 Airlines и др.
Андрей Попов
Эксперт ФРИИ, РВК
Co-founder HumanVenture, RocketFounders, ZenMall.
ex-Intel,ex-RedBull,
ex-I-Jet Media
Денис Бондаренко
Data Engineer
Консультант Big Four, Росатом
ex-БКС, ex-Kraftway

Вы гарантированно
получите
67%
Увеличили заработную плату или заработали повышение во время обучения.
Персонального тьютора, который следит за вашим прогрессом и остается с вами на связи весь курс
Ответы на все вопросы и постоянная обратная связь от менторов по проделанной работе
Поддержку по всем учебным вопросам в течение 1 часа
в рабочее время
Дружное сообщество, которое общается 24/7 в Slack. Групповые проекты и работа в команде.
91%
Успешно закончили программу обучения, получили диплом и довольны курсом.
6000
Состоят в закрытом сообществе студентов, выпускников и менторов.
Запишитесь на курс со скидкой 50%
Поймете возможности и ограничения Big Data
На курсе вы
Узнаете, как квалифицированно поставить задачу аналитикам
Научитесь оценивать сроки и стоимость ML и AI проектов
Поймете, какие дата-продукты стоит внедрять в своей компании
9 500
/ мес.
15 833 ₽
Стоимость обучения при беспроцентной рассрочке на 12 месяцев
Забронировать курс со скидкой
Курс стартует: 4 Августа
Осталось: 5 мест