От качества данных к десятикратному росту: почему финтех маркетплейса держится на связанной инфраструктуре

Данные стали не приложением к финтеху, а его инфраструктурой

Финтех быстро растет, но вместе с этим становится заметнее системная проблема: качество и целостность данных часто не соответствуют той роли, которую они уже играют в финансовых решениях. Ошибки в данных влияют не только на отчетность. Они искажают скоринг, оценку рисков, лимиты, ставки и в итоге доходность финансовых организаций.

В России на это обращал внимание Банк России: существенные нарушения качества информации, которую банки передают в бюро кредитных историй, напрямую влияют на оценку рисков. На международном уровне эта логика также подтверждается: около 75% регуляторов, по данным Альянса финансовой инклюзивности, считают, что качественные данные в финтехе обеспечивают финансовую стабильность, защиту потребителей и эффективность платежных систем.

На этом фоне особенно показательны маркетплейсы и крупные ритейлеры. У них есть не только платежи, но и массив поведенческих данных: просмотры, покупки, возвраты, сезонность спроса, динамика продаж продавцов, частота заказов, структура корзины. Если эти данные остаются отдельно от финансового слоя, финтех дает только дополнительную выручку. Если они соединяются, меняется сама логика роста.

В 2023 году выручка финтех-направления Ozon выросла более чем в десять раз, а финтех стал одним из факторов, поддержавших выход компании на положительную EBITDA. Но важнее не сама цифра, а то, что стояло за ней: многолетняя работа с data-инфраструктурой, начавшаяся еще в 2019 году.

Почему финтех как «дополнительная выручка» быстро упирается в потолок

Для маркетплейса финтех часто выглядит как естественное расширение бизнеса. Есть покупатели, продавцы и транзакции — значит, можно запустить платежный сервис, рассрочку, карту, кредитование продавцов или другие финансовые продукты.

На первом этапе такая модель работает. Появляется новая комиссия, растет удобство оплаты, часть пользователей чаще взаимодействует с платформой. Если продукт запускается через партнера, входной барьер кажется умеренным: не нужно строить весь финансовый контур самостоятельно.

Но проблема проявляется позже. Когда финтех живет «сбоку», каждое финансовое действие почти ничего не возвращает в основной бизнес. Платежи не улучшают понимание пользовательского поведения. Кредитование продавцов не всегда учитывает всю динамику продаж, возвратов и сезонности. Антифрод видит транзакцию, но может не видеть контекст действий до нее.

Такой подход дает линейный эффект: больше продуктов — больше отдельных источников выручки. Но система не становится заметно умнее после каждой операции.

Практический вывод простой: вопрос не только в том, какой финтех-продукт запустить. Важнее понять, какие данные этот продукт вернет в бизнес и как они улучшат следующие решения.


@Freepik (лицензия INV-C-2024-8250540)

Как Ozon связал ритейл и финтех через данные

Ozon здесь важен не как модель для прямого копирования, а как кейс архитектурного выбора. Масштаб компании отличается от большинства игроков рынка, но сам принцип применим шире: финансовый слой становится стратегическим, когда он связан с данными основного бизнеса.

Системная работа с данными в Ozon начала выстраиваться еще в 2019 году. После покупки банка в 2021 году компания не ограничилась готовым «коробочным» решением. Вместо этого была развита собственная ИТ- и data-инфраструктура на микросервисной архитектуре, включая процессинг и CRM.

Это решение важно не как техническая деталь, а как способ изменить качество решений. Когда транзакции, поведение клиентов, платежные события и данные продавцов находятся в связанном контуре, их можно использовать для скоринга, антифрода, ценовых решений, платежных продуктов и кредитования продавцов.

В такой модели финтех-продукты не просто монетизируют существующий трафик. Они используют данные маркетплейса и одновременно создают новые сигналы для него.

Например, кредитование продавцов может учитывать не только оборот, но и устойчивость продаж, сезонность, возвраты, динамику спроса в категории. Платежные продукты могут точнее оценивать риски, если видят не только факт операции, но и поведенческий контекст. Антифрод становится сильнее, когда работает не с изолированной транзакцией, а с историей действий пользователя.

---

Читайте также: От качества трафика к качеству данных: как fintech- и retail-медиа повышают маркетинговую эффективность

---

Аналитика должна участвовать в продукте до запуска, а не после

Связанная инфраструктура сама по себе не гарантирует эффекта. Важно, как компания принимает продуктовые решения.

Во многих организациях data-команды работают как сервис отчетности: продукт уже запущен, метрики изменились, аналитиков просят объяснить результат. Такой подход полезен, но он поздно включается в процесс.

В Ozon Fintech аналитика была встроена в разработку и вывод продуктов. Изменения оценивались заранее, проверялись через A/B-тесты, а влияние на ключевые показатели отслеживалось как часть продуктового цикла. Это позволяло не просто фиксировать результат, а управлять им до масштабирования решений.

Отдельную роль в этой работе сыграло формирование data-функции и процессов вокруг нее. Александр Толмачев, CDO Ozon Fintech, участвовал в построении команды и подхода, при котором аналитика стала частью продуктового процесса, а не внешней функцией.

На масштабе Ozon возникла и другая задача: стандартные инструменты не всегда справлялись с подготовкой данных для анализа пользовательских путей. Через процесс оплаты ежедневно проходят данные более чем 5 миллионов пользователей. Для анализа поведения и продуктовых механик команда работала с данными около 46 миллионов пользователей.


@Freepik (лицензия INV-C-2024-8250540)

Как объяснял Александр Толмачев:

«Работа с большими объёмами данных всегда требует нестандартных подходов, потому что классические инструменты быстро упираются в ограничения», — рассказывает Александр Толмачев. 

«Мы тестировали разные варианты. Везде узким местом оставался препроцессинг, без которого продуктовые команды не могли использовать результаты. Свой фреймворк дал то, чего не дали готовые решения: контроль над всем циклом и возможность быстро менять подход под конкретные продуктовые задачи».

В другом комментарии он подробнее описывал, почему готовых инструментов оказалось недостаточно на уровне практического использования данных продуктовыми командами:

«Работа с большими объемами данных всегда требует нестандартных подходов, поскольку классические инструменты быстро упираются в ограничения. Поэтому я, как человек, который горит данными, сознательно продвигаю максимально экспериментальный подход при работе с ними. Например, в Ozon Fintech, где ежедневно только через процесс оплаты проходят данные от более чем 5 миллионов пользователей, стояла задача автоматически собирать максимум поведенческих действий для анализа процессов и построения графов.

На практике мы столкнулись с множественными вложенными циклами поведения пользователей, большим количеством «шумовых» действий без явного целевого эффекта, а также высокой сложностью самих графов — с большим числом узлов и связей. Мы тестировали разные подходы: от open-source библиотек до коммерческих решений. 

Однако везде узким местом оставался препроцессинг данных, без которого продуктовые команды не могли эффективно использовать результаты. В итоге мы разработали собственный Python-фреймворк для препроцессинга данных», — отмечает Александр.

Технические детали здесь важны не сами по себе. Главный вывод для рынка в другом: на стыке ритейла и финтеха возникают зоны, где готовые решения могут ограничивать скорость и качество продуктовых решений. Не каждой компании нужно строить собственный фреймворк, но каждой нужно понимать, какие части data-стека критичны для будущего роста.


@Freepik (лицензия INV-C-2024-8250540)

Толмачев также описывал внутренний подход к анализу пользовательского поведения на более техническом уровне:

«Я создал подход, который основан на классических графовых алгоритмах с alpha miner для выявления чувствительных нод и ребер поведения пользователей. Это статистический метод детектирования ключевых элементов в поведении пользователей. В результате, можно представить поведение всех пользователей как многомерные матрицы основных действий и вероятностей перехода. Используя классические уравнения матричных преобразований, собранные действия за период можно сравнивать с действиями из следующего периода», — добавил Александр Толмачев.

Для широкой аудитории этот пример можно упростить: компаниям важно не просто собирать большие объемы данных, а превращать поведение пользователей в понятные продуктовые решения. Иначе данные остаются массивом событий, а не инструментом роста.

Как связка ритейла и финтеха запускает накопительный цикл

Когда данные ритейла и финтеха связаны, рост перестает быть суммой отдельных продуктов. Возникает цикл, где каждое новое действие улучшает будущие решения: сначала маркетплейс получает поведенческие и транзакционные сигналы. Покупатель смотрит товары, сравнивает цены, добавляет позиции в корзину, оплачивает заказ, возвращает товар или делает повторную покупку. Продавец формирует историю оборота, показывает устойчивость спроса, проходит сезонные пики и меняет ассортимент.

Затем эти данные работают в финансовом слое. Скоринг становится точнее, потому что учитывает не только финансовые показатели, но и реальную динамику торговли. Антифрод видит больше контекста. Платежные продукты могут лучше учитывать поведение разных групп пользователей.

После этого финтех начинает влиять на маркетплейс. Кредитование продавцов увеличивает оборотный капитал, помогает расширять ассортимент и поддерживать продажи. Удобные платежные инструменты повышают частоту покупок и удержание. Более точные риск-модели снижают потери и позволяют предлагать условия, ближе соответствующие профилю пользователя или продавца.

Затем новая активность создает новые данные. Они снова попадают в модели, улучшают скоринг, антифрод, персонализацию и продуктовые решения.

В короткой формуле: изолированный финтех дает выручку сейчас, а связанный финтех улучшает качество решений завтра.


@Freepik (лицензия INV-C-2024-8250540)

Что могут сделать компании меньшего масштаба

У большинства ритейлеров и маркетплейсов нет масштаба Ozon, собственного банка и потребности в сложных внутренних инструментах. Но это не отменяет главного принципа: связность данных нужно проектировать на старте, а не добавлять после запуска продукта.

1. Договариваться о данных с партнерами до запуска

Если финансовый продукт запускается с банком, платежным провайдером или кредитным партнером, доступ к данным должен быть частью первой договоренности. Нужно заранее определить, какие данные возвращаются в ритейл-контур, в каком формате, с какой детализацией и с какой скоростью.

Иначе компания может получить комиссионную выручку, но потерять основу для будущих моделей.

2. Подключать аналитику до релиза продукта

Аналитика должна участвовать в проектировании продукта, а не только в оценке результата. До запуска важно понять, какую метрику должен изменить продукт, какие риски нужно отслеживать и какие данные потребуются для дальнейших решений.

Даже небольшая команда может работать по этому принципу. Важен не размер data-отдела, а его место в процессе принятия решений.

3. Контролировать слои, где встречаются ритейл и финтех

Не все нужно строить внутри. Часть инфраструктуры можно отдавать партнерам. Но компания должна контролировать зоны, где соединяются поведение покупателей, данные продавцов, платежи, риски и финансовые решения.

Именно там формируются будущие преимущества: точный скоринг, сильный антифрод, персональные предложения и лучшее понимание экономики продавцов.

Финтех в ритейле уже нельзя рассматривать только как набор дополнительных сервисов. Карта, рассрочка, платежный инструмент или кредит для продавца легко копируются. Гораздо сложнее повторить систему, в которой данные ритейла и финтеха постоянно усиливают друг друга.

Кейс Ozon показывает, что устойчивый эффект возникает не только из-за масштаба, а из-за архитектурного и организационного выбора: связать данные, встроить аналитику в продуктовый процесс и контролировать критические точки инфраструктуры.

Для маркетплейсов и ритейлеров следующий шаг — проверить не только список финтех-продуктов, но и то, как эти продукты возвращают данные в бизнес. В ближайшие годы конкуренция будет смещаться от отдельных финансовых сервисов к глубине данных, качеству моделей и способности превращать разрозненные сигналы в единый цикл роста.

NEW RETAIL