• Стратегия скорости против устойчивости данных — риски и возможности. Какие плюсы и минусы в подходах необанков и классических банковских институтов мы видим в работе с данными? Как перенять плюсы друг друга и делать устойчиво развивающийся экономический рынок?
• Предпосылки и прогноз динамики роста необанков, риски данных.
• Изменение рынка классических банков и прогноз динамики работы с данными в условиях действия макрофакторов.
• Развитие внешних решений на данных для необанков и банковских институтов. Как применять инновационные технологии ИИ и данные для предоставления новых услуг банкам? Какое преимущество в ускорении это дает банкам, какие эффекты ожидать?
• Качество данных и влияние на рынок в БКИ. Как необанки меняют статистику данных в БКИ и что нужно учитывать?

• Какая стратегия данных сейчас в компаниях? Какие объемы и на какой инфраструктуре реализуются? Как обрабатываются различные типы данных? Сравнение статистики с примерами внутренних и внешних решений, плюсы и минусы.
• Развитие DWH — на что делают упор и почему?
• Развитие платформы данных, А/Б-тесты, ИИ-модели, работа с персонализацией и сегментами.

• Козыри банков — чего нет у необанков в данных и экспертизе? Динамика показателей кредитных портфелей, PD, LGD, EAD и устойчивые показатели, управляющие кредитным риском.
• Кейсы преимущества работы с данными в классических банках: как их усилить, чтобы одержать первенство в гонке с необанками? Накопленная внутренняя кредитная история, выработанные методологии показателей, опыт работы с регуляторными метриками и нормативными базами, адаптация к различным макроситуациям, внедренные автоматизированные решения СПР, открытая и активная работа с внешними решениями.
• Кредитный анализ и принятие решений на данных. Оценка на данных процессов кредитования — скоринг, андеррайтинг, скорость, качество и метрики кредитного процесса. Как выстроен процесс гибкой адаптации работы с данными под рынок с учетом быстрого отклика в данных?
• СПР как ядро ускорения процессов принятия решений. Обзор и архитектура решений. Какие из них наиболее эффективны, как развивается рынок?
• Гибкое управление кредитными стратегиями на основе управления данными. Выстроенные процессы управления кредитными стратегиями банков и учет эффективной работы специалистов вокруг данных — риск-аналитиков, дата-аналитиков, датасаентистов.

• Предпосылки и прогнозы скорости развития необанков. Объемы и динамика роста необанков и финтехов, прогнозы развития с учетом жесткой регуляторики.
• Новые данные: как необанки связаны с основными бизнесами, какое преимущество получают от доступа к данным, которыми не обладают классические банки? Результаты использования внутренних новых данных в стандартных банковских процессах.
• Скорость, гибкость и эксперименты на данных против выстроенных процессов, устойчивости и многолетней экспертизы. Подход к созданию новых финансовых решений свежим взглядом.
• Новые финансовые продукты на данных. Какие продукты появляются и как они занимают рынок финансовых институтов, «отнимая» динамику у классических банков? BNPL-сервисы, виджеты рассрочки, интеграция в маркетплейсы, лояльность, B2B-продукты и т.д. Как эти продукты строятся на данных и какое преимущество дают клиентам?
• Вызовы и проблемы необанков на новом рынке: СПР, ИБ, банковская тайна, взаимодействие с БКИ, внешние вендоры, CRE, изменение устойчивого рынка и отсутствие статистики кредитования. Как с этим борются необанки и какие решения находят?

• Обсуждение общей проблематики и общих возможностей. Агрегация преимуществ всех направлений — единая система скоринга, антифрода, реестра блэклистов, соревнования и лидерборды по моделированию и анализу данных в области финансовой экспертизы и кредитования.
• Запуск открытой рабочей группы для всех желающих в финтехах, кто хочет развивать совместную экспертизу данных!

• Какие новые возможности коллаборации, общие вызовы и проблемы мы видим сегодня?
• Как изменился банковский наем в ИТ за счет новых направлений, санкций, необанков и т.д.?
• Как можно использовать внешние решения в ежедневной работе в финтехе: вендоры, опенсорс, чат-боты, LLM и т.д.
• Как развивать HR-бренд компании? Какие механики использовать и на что делать упор для удержания и усиления мотивации команды данных? Как противодействовать хедхантингу?
• Федеративное обучение и новые подходы к использованию данных друг друга. Приватный шеринг данных за счет LLM и доступное моделирование на данных друг друга с защитой банковской тайны. Возможности текущего нового рынка финтеха в коллаборации.
• Общие базы фрода и блэклистов. Новые механики фрода из разных направлений необанков.

• AI в работе клиентского сервиса телефоны и чаты
• Статистический подход против AI based моделей в антифроде

Цели:

Темы:

• Как на данных решаются задачи создания и управления страховыми тарифами
• Какие модели и на каких данных работает антифрод моделирование
• Ускорение и сохранение качества работы сервисов
• Разработка программного обеспечения от экспертов отрасли. Фреймворки и языки программирования. Большие данные и машинное обучение

• Архитектурные решения дата платформ в компаниях
• Акцент на автоматизацию против человеческих процессов
• AI в геоаналитике транспортных компаний

• Кейс в транспорте + продукт (ETL боль для IT директора)
• РЖД: искусственный интеллект и контроль качества данных
• Цифровая система управления автоматизации бизнес-процессов сбора, обработки, представления и анализа цифровой информации, необходимой для принятия управленческих решений в ситуационном центре АО "ФПК" при организации перевозок пассажиров в условиях нештатных ситуаций
• Перспектива использования ИИ на транспорте