• Предиктивная аналитика отвечает на вопрос «что, скорее всего, произойдёт дальше» и в финтехе выражается вероятностью события или прогнозом числа, которые затем превращают в действие (лимит, скоринговый порог, приоритет проверки).
• Перечислены основные классы моделей для задач финтеха: классификация, временные ряды, обнаружение аномалий, кластеризация, регрессия.
• Описан типовой конвейер данных и моделей: сбор данных → расчёт признаков → обучение → сервис предсказаний → мониторинг и переобучение.
• Для кредитных и антифрод-решений отдельно выделены требования к трассируемости и объяснимости результата, а также необходимость воспроизводимости решения.
• Причины деградации качества сведены к трём блокам: плохие/неполные данные, смена поведения (дрейф), отсутствие контроля в эксплуатации; отдельно отмечены юридические и этические ограничения.
• Приведены примеры и заявленные эффекты: Mastercard (в 2 раза быстрее обнаружение компрометированных карт; на 300% быстрее идентификация мерчантов с высоким риском), JPMorgan (сокращение ручной работы по анализу денежных потоков примерно на 90%), кейс Сбербанка из академической работы.

Почему это важно: В материале показано, как предиктивные модели переводят решения из режима отчётов и правил в режим вероятностей, где прогноз помогает принять решение в моменте. Это связано с высокой ценой ошибки и тем, что рынок, требования и схемы мошенничества меняются быстрее обновления ручных правил. Поэтому рядом с моделью критичны единые признаки, трассируемость данных и процессы MLOps.

На что обратить внимание: В тексте подчёркивается, что эффект модели в эксплуатации ограничивается качеством и полнотой событий, а также тем, как организованы мониторинг и переобучение при изменениях. Отдельный слой требований задают объяснимость и аудит: журналирование входов, версии модели и результата связывают с разбором инцидентов. При проектировании закладывается риск дрейфа данных и концепта, когда поведение клиентов и рынок меняются быстрее, чем модель адаптируется.