Мульти-локационная программа AI-аналитики для крупного банка

Есть особый класс корпоративных клиентов, который заставляет по-другому думать о масштабе программ обучения. Крупнейшие банки с распределённой командой — это уже не «провели два дня, ушли», это длительный проект на несколько кварталов, в котором одна и та же программа адаптируется под разные локации, команды и специфику работы с данными.

В этом кейсе я расскажу, как устроена мульти-локационная программа по аналитике данных и ИИ, которая одновременно идёт в шести локациях одного из крупнейших российских банков. Шесть локаций — разные: у каждой своя команда, свой руководитель, свой контекст, своя зрелость работы с данными. И мне нужно было найти формат, который работает везде, но при этом не превращается в одинаковое «под копирку».

Контекст: почему шесть локаций — это шесть разных проектов

Крупнейший банк — огромная структура. У него есть центральные московские команды, региональные центры, специализированные направления. Data-команды распределены по всей структуре. И когда такой банк решает запустить программу обучения «работе с ИИ в аналитике данных», это не одна программа — это шесть (или больше) программ, каждая из которых привязана к конкретной команде с её собственным контекстом.

На первой встрече с представителями банка я предложил простой тест. Попросил их описать одним абзацем каждую из локаций — кто там работает, чем занимается, какие главные задачи. Через десять минут на доске было шесть совершенно разных описаний.

В одной локации основная задача — работа с корпоративными клиентами крупного бизнеса. Команда там работает с большими отчётами, со сложной финансовой аналитикой, с дорогими моделями. Им нужна Gen BI методология уровня 5–6, где агент умеет делать каскадные запросы и OLAP-срезы.

В другой локации команда работает с розничным направлением и массовыми данными — миллионы транзакций, сотни метрик, множество сегментаций. Им нужен совершенно другой акцент — больше про производительность, про кэш, про оптимизацию запросов.

В третьей — команда занимается развитием экосистемы банка, интеграциями с партнёрами, новыми продуктами. Им нужен акцент на прототипирование и быструю работу с новыми источниками данных, а не на глубокий анализ одного из них.

Шесть локаций — шесть разных задач, шесть разных контекстов, шесть разных уровней зрелости на Gen BI Maturity Index и шкале автономности процессов.

Если провести одну и ту же программу для всех шести без адаптации, в двух локациях она «зайдёт», в двух пройдёт средне, а в двух будет бесполезной. Это не то, что я хотел. Поэтому я сделал иначе.

Архитектура: одно ядро, разные обёртки

Подход, который я выработал, построен на принципе одно ядро — разные обёртки. Ядро — это основная методологическая часть программы, одинаковая для всех локаций. Обёртка — это специфика примеров, кейсов, акцентов, которые подбираются под конкретную команду.

Ядро программы состоит из четырёх тем.

Первая — шкала автономности процессов. Моя базовая методика, которая даёт всей команде общий язык для разговора о применении ИИ в работе с данными. На этом языке мы потом разбираем остальные темы.

Вторая — Gen BI Maturity Index. Отдельная авторская шкала для генеративной аналитики. Идёт параллельно основной шкале и описывает, как должен дозревать процесс работы с данными через LLM — от простых выгрузок до прогностической аналитики.

Третья — авторская data category map. Моя карта категорий данных в банке, которая помогает команде понять, какие типы данных у них есть, какие подходят для работы с LLM, какие нет, какие требуют семантического слоя, какие — просто прямого доступа. Эту карту я разрабатывал много лет, и в этой программе она стала центральной частью третьего модуля.

Четвёртая — 12+ практических кейсов по работе с данными через ИИ. Блок из реальных или близких к реальным задач работы с данными: классификация платежей, сегментация клиентов, анализ метрик продуктов, работа с историческими данными, прогнозирование, обнаружение аномалий.

Ядро одинаково для всех шести локаций. А обёртка — конкретные примеры в лекциях, данные в практикумах, фокусные темы для каждой команды — разная.

Как адаптируется программа под локацию

Практически адаптация выглядит так. Перед каждым запуском программы в новой локации я провожу с руководителем команды этой локации предварительную встречу — два-три часа, на которых мы обсуждаем специфику именно их работы. Что они делают каждый день, какие задачи «часто встречающиеся», какие инструменты они уже используют, какие болевые точки. И где, по их мнению, ИИ мог бы дать максимальную пользу.

После этой встречи я адаптирую программу. Это не «переделать всё с нуля», это настройка обёртки. В ядре остаются шкала автономности, Gen BI Maturity Index, data category map. Но примеры в лекциях меняются под специфику команды. Практические кейсы тоже подбираются под их контекст: если команда работает с розничными клиентами — кейсы про розничные клиентские данные. Если с корпоративным бизнесом — про корпоративную аналитику.

Это занимает примерно неделю дополнительной подготовки на каждую локацию. И это окупается, потому что программа оживает в глазах участников. Они видят не «теоретический курс про AI», а разговор про их реальную работу.

В одной из локаций на первой же лекции команда задала мне вопрос, на который я не мог ответить сходу: «А как LLM работает с нашими данными по программе лояльности, которые лежат в вот такой схеме с вот такими джойнами?». Я честно сказал: «Не знаю. Давайте разберёмся вместе». И мы провели следующие 40 минут лекции, глядя на их реальную схему данных и думая, как применить Gen BI Maturity Index конкретно к этой задаче. Вот этот момент «давайте разберёмся вместе» — это и есть живая программа, которая работает. Не «я вам расскажу», а «мы вместе поймём».

💡 Хотите, чтобы ваша data-команда прошла такую программу? Программа «Аналитика данных и ИИ» для data-команд банков — 2–3-дневный интенсив с адаптацией под специфику вашей команды. Включает шкалу автономности, Gen BI Maturity Index, авторскую data category map и 12+ практических кейсов. Обсудить программу →

12+ training-кейсов: как устроена практическая часть

Одна из ключевых частей программы — 12+ training-кейсов, на которых команда тренирует практические навыки работы с ИИ в аналитике. Каждый кейс — это конкретная задача с описанием контекста, данных, ожидаемого результата и подсказками по методике решения. Вот несколько примеров (обобщённо, без раскрытия конкретных данных клиента).

Классификация платежей по статьям. Задача — автоматизировать присвоение категорий входящим платежам на основе их описания. Раньше это делалось вручную или простыми правилами. Сейчас можно применять LLM для семантической классификации, плюс RAG поверх истории классификаций для консистентности. Это кейс про Уровень L2 шкалы автономности — документный интеллект, применённый к структурированным данным.

Анализ оттока клиентов. Задача — выявить паттерны поведения, которые предсказывают уход клиента. Классический ML-кейс, но с дополнением в виде LLM для объяснения предсказаний аналитику: почему модель считает, что этот клиент собирается уходить, какие факторы наиболее значимы, что можно было бы предпринять. Гибрид классического L0 с LLM-дополнением на уровне L1.

Автоматизация подготовки регулярных отчётов. Задача — команда каждый месяц готовит типовые отчёты для руководства. Большая часть работы — рутинная: выгрузить данные, построить графики, написать пояснительный текст, оформить в стандартном шаблоне. Это кейс L3 — инструментальный агент, который сам идёт в BI-систему, извлекает данные, строит визуализацию, готовит текст и собирает финальный документ. Человек остаётся в контроле финального этапа — редактирует и утверждает.

Поиск аномалий в операционных данных. Задача — найти необычные паттерны в потоке транзакций, которые могут указывать на фрод, ошибки в системах или новые бизнес-явления. Классические методы аномалия-детекции плюс LLM для интерпретации найденного — что это за паттерн, на что он похож, стоит ли его расследовать. Комбинация L0 и L1.

Каждый такой кейс прорабатывается в формате групповой работы: команда разбивается на подгруппы, каждая берёт один кейс, думает над архитектурой решения, заполняет AI Leverage Canvas для инициативы, защищает перед остальными.

Data category map: авторская карта категорий данных

Отдельно стоит рассказать про data category map — карту, которую я разработал для работы с данными в банковском контексте. Это одна из центральных методик программы, и её адаптация под каждую локацию — часть ценности, которую я приношу.

Data category map отвечает на простой, но часто игнорируемый вопрос: какие категории данных у вас есть и как с ними работает LLM? Банковские данные — это не одна большая масса. Это несколько принципиально разных категорий, каждая из которых требует своего подхода.

Первая категория — структурированные транзакционные данные. Это то, что лежит в корпоративных хранилищах, в таблицах с миллионами строк. LLM с ними работает через генерацию SQL или через семантический слой. Классический Gen BI.

Вторая — полуструктурированные данные. Документы с формализованной структурой, но не табличные: договоры, спецификации, регуляторные отчёты. LLM работает через RAG плюс extraction.

Третья — неструктурированные тексты. Внутренние сообщения, комментарии, обращения клиентов, заметки специалистов. LLM работает классически — через промпты и понимание естественного языка.

Четвёртая — визуальные данные. Графики, фотографии, сканы. LLM-мультимодальные модели уже умеют с ними работать, но это отдельная дисциплина с отдельными инструментами.

Пятая — временные ряды и потоковые данные. Самое сложное для LLM — язык моделей плохо ложится на временные закономерности. Здесь обычно гибрид: классические модели прогнозирования плюс LLM-слой для объяснения и интерпретации результатов.

На программе мы в каждой локации привязываем эту карту к конкретным данным команды. «Вот ваши данные — покажите, где в этой карте находится каждая ваша таблица, каждый документ, каждый источник». Это занимает примерно час на сессии и даёт команде ясное понимание, с чем они реально работают и какие методы ИИ применимы к разным категориям.

Что я узнал от команд в разных локациях

Каждая локация научила меня чему-то новому.

Первое — регионы работают с данными интенсивнее центра. Это контринтуитивно. Я ожидал, что в центральных командах будет больше зрелости, опыта, идей. Оказалось наоборот: в региональных командах часто сидят аналитики, которые делают руками очень много работы, потому что у них нет доступа к дорогим инструментам, которые есть у центральных команд. И поэтому у них больше потребности в AI-автоматизации — они быстрее хватаются за идеи, быстрее строят первые прототипы.

Второе — молодые команды быстрее учатся. Во всех локациях я видел один и тот же паттерн: специалисты до 35 лет впитывают материал в два раза быстрее, задают вопросы в три раза чаще, на практикумах делают в четыре раза больше попыток. Специалисты постарше осторожнее, сдержаннее, но зато глубже обдумывают каждое решение. Это не значит, что одни лучше других — это значит, что смешанные команды работают эффективнее, чем однородные по возрасту. Это наблюдение я теперь специально учитываю при планировании сессий.

Третье — вопрос «а как это применить у нас?» главный. Никакая лекция о методике не заменит разговора, в котором участник сам сформулирует, как это применить к своей работе. Поэтому после каждой методической части я всегда даю 15–20 минут на то, чтобы участники в парах обсудили «как это к вам применимо». Это — самая ценная часть программы, и её нельзя пропускать в погоне за объёмом материала.

Что дальше

Программа продолжает разворачиваться по локациям. Я планирую ещё несколько запусков в 2026 году, плюс работаем над второй волной — более продвинутым модулем для команд, которые уже прошли базовую программу. Вторая волна будет про построение собственных AI-решений, про архитектуру RAG-систем, про интеграцию с корпоративными инструментами.

Этот проект показывает, что крупный банк — это не один клиент, а набор клиентов, каждый из которых требует своей адаптации. Программа обучения для такого клиента должна быть не жёстко зашитой, а адаптивной по своей природе. Не «вот наш курс, все смотрите», а «вот наше ядро, и вот как мы подгоняем его под каждую вашу команду».

Для кого этот формат

Если в вашем банке или корпорации есть несколько data-команд, работающих с разной спецификой, и вам нужна обучающая программа, которая адаптируется под каждую команду, — этот формат работает. Я готов разрабатывать адаптированные версии программы для разных подразделений в рамках одного клиента.

Подробно о программе «Аналитика данных и ИИ» — в отдельной статье. Обсудить адаптацию под вашу компанию — через форму.

Обсудить программу для вашей data-команды →