Построение в финтех-компании культуры принятия решений на основе данных (data-driven culture)

Диплом (ВКР) по теме «Построение в финтех-компании культуры принятия решений на основе данных (data-driven culture)»

Работа по теме «Построение в финтех-компании культуры принятия решений на основе данных» включает анализ текущих бизнес-процессов, внедрение BI-инструментов, реорганизацию доступа к данным и оценку экономической эффективности изменений. В ВШЭ по специальности 09.03.02 требуется детальная проработка как теоретических, так и практических аспектов — от диаграмм IDEF0 до расчёта KPI трансформации.

Нужен разбор вашей темы Построение в финтех-компании культуры принятия решений на основе данных (data-driven culture)? Получите бесплатную консультацию: @Diplomit | +7 (987) 915-99-32 (WhatsApp)

Актуальность темы

Финтех-компании теряют до 30% потенциальной прибыли из-за отсутствия централизованного доступа к данным (отчёт McKinsey, 2024). В российских компаниях только 38% сотрудников имеют доступ к аналитическим панелям — это ниже среднего показателя по ЕС (61%).

По практике, студенты ВШЭ, выбирающие эту тему, сталкиваются с тем, что руководители отделов принимают решения на основе интуиции, а не метрик. Проблема усугубляется фрагментацией данных: CRM, бухгалтерия и платежные шлюзы работают в разрозненных системах. Решение — построение единой data-платформы с контролем доступа и регулярными отчётами.

Зачем тратить время на ручной сбор отчётов, если можно автоматизировать процессы и повысить точность прогнозов? Это не просто мода — это выживание в условиях высокой конкуренции.

Цель и задачи

Цель исследования: разработка и обоснование модели внедрения data-driven культуры в российской финтех-компании на примере ООО «ФинПлат».

Задачи:

1. Проанализировать текущую культуру принятия решений в компании (опросы, интервью).
2. Оценить уровень зрелости данных по модели Gartner Data Maturity Model.
3. Разработать архитектуру централизованного хранилища данных (DWH) на базе ClickHouse.
<4>Спроектировать BI-панель в Metabase с KPI по конверсии, LTV, churn rate.
4. Обосновать изменения в организационной структуре (введение роли Data Steward).
5. Рассчитать экономический эффект от сокращения времени на подготовку отчётов.

Задачи соответствуют структуре методички ВШЭ: анализ → проектирование → разработка → экономика. Каждая задача отражается в соответствующей главе.

Объект и предмет исследования

Объект: ООО «ФинПлат» — российская компания, предоставляющая микрокредиты через мобильное приложение.

Предмет: процессы сбора, обработки и использования данных для принятия управленческих решений в отделах маркетинга и рисков.

Обратите внимание: объект — это компания, предмет — именно процессы работы с данными. Студенты часто путают их, что вызывает замечания научного руководителя.

Ожидаемые результаты и практическая значимость

• Снижение времени на подготовку еженедельного отчёта с 8 часов до 15 минут.
• Повышение точности прогноза дефолтов на 22% за счёт внедрения ML-модели (логистическая регрессия на Python).
• Рост конверсии в платёж на 7% благодаря A/B-тестированию на основе данных.

Практическая значимость — не абстрактные «улучшения», а конкретные метрики, которые можно измерить и защитить на экзамене.

Рекомендуемая структура дипломной работы

Пример введения для ВШЭ

В условиях высокой конкуренции в секторе digital-финансов компании вынуждены принимать решения быстрее и точнее. Однако в ООО «ФинПлат» до 68% управленческих решений принимаются без анализа данных, что приводит к неоптимальному распределению бюджета и росту просрочек. Анализ внутренних процессов показал, что данные о клиентах фрагментированы: CRM, платежный шлюз и колл-центр используют разные базы. Цель работы — разработать модель внедрения data-driven культуры, включающую техническую инфраструктуру и организационные изменения. Исследование опирается на методики Gartner и ISO/IEC 38500. Практическая значимость — снижение времени на отчётность и рост точности прогнозов.

Как написать заключение по Прикладная информатика

В ходе работы была проанализирована текущая культура принятия решений в ООО «ФинПлат». Установлено, что уровень зрелости данных — «начальный» по шкале Gartner. Разработана архитектура DWH на ClickHouse, спроектированы BI-панели в Metabase. Внедрение модели позволило сократить время на подготовку отчётов на 85%. Экономический эффект составил 1,2 млн руб. в год. Рекомендуется внедрить роль Data Steward и запустить обучающие курсы по работе с данными для менеджеров. Цель исследования достигнута, все задачи выполнены.

Требования к списку литературы ВШЭ

Список должен содержать не менее 20 источников, из них 10% — за последние 2 года. Оформление — по ГОСТ Р 7.0.100-2018. Примеры источников:

• ГОСТ 34.602-2020. Информационная технология. Жизненный цикл программных средств.
• Кузнецов, С.Д. Основы баз данных. — М.: Издательский дом Вильямс, 2023.
• Davenport, T.H. (2024). How Data Science Is Transforming Financial Services. Harvard Business Review.

Частые вопросы по теме «Построение в финтех-компании культуры принятия решений на основе данных (data-driven culture)»

• В: Сколько страниц должна быть практическая часть? О: В ВШЭ — 30–40 стр. с диаграммами, кодом и скриншотами.
• В: Нужен ли реальный код в приложении? О: Да, фрагменты ключевых модулей (например, ETL-скрипты на Python) обязательны.
• В: Как проверить уникальность перед сдачей? О: Используйте Антиплагиат.ВУЗ с настройками вашего вуза (обычно 75%+).
• В: Можно ли использовать Metabase вместо Power BI? О: Да, если обосновать выбор (стоимость, open-source, интеграция).

Вопросы, которые часто задают студенты

Можно ли использовать готовые решения в ВКР?

Да, но с адаптацией. Например, шаблон BI-панели можно взять из open-source, но данные, структура и интерпретация должны быть оригинальными. Главное — показать понимание процесса, а не просто вставить чужой код.

Сколько страниц должна быть практическая часть?

Рекомендуемый объём — 30–40 страниц. Включайте диаграммы, скриншоты панелей, фрагменты кода и пояснения. В ВШЭ ценят визуализацию и практическую реализацию.

Можно ли использовать open-source решения?

Абсолютно. ClickHouse, Metabase, Python — отличный выбор. Главное — обосновать: например, Metabase бесплатен, имеет API и легко интегрируется с PostgreSQL. Это повышает экономическую эффективность.

Уникальный пример: схема ETL-процесса

Вот как может выглядеть схема загрузки данных в DWH:

-- Пример ETL-скрипта на Python (фрагмент)
import pandas as pd
from sqlalchemy import create_engine

def extract():
    crm_data = pd.read_sql("SELECT * FROM leads", src_engine)
    payments = pd.read_sql("SELECT * FROM transactions", src_engine)
    return pd.merge(crm_data, payments, on='user_id')

def transform(df):
    df['LTV'] = df.groupby('user_id')['amount'].transform('sum')
    df['churn'] = (df['last_payment'] < pd.Timestamp('now') - pd.Timedelta(days=90)).astype(int)
    return df[['user_id', 'LTV', 'churn']]

def load(df):
    df.to_sql('analytics_table', dest_engine, if_exists='replace')

Такой код можно включить в приложение. Главное — прокомментировать каждую функцию.