Игрушка QIWI
QIWI офис
QIWI лого

Модель, объясняющая аномалии в транзакциях QIWI

Анализ данных

О клиенте

QIWI — популярная электронная платежная система.
С помощью QIWI-кошелька можно делать переводы между людьми, оплачивать счета и покупки в интернет-
магазинах.
Бизнесам QIWI предоставляет услуги эквайринга.
Эквайринг — технология, позволяющая компаниям принимать безналичные платежи.
Прошел платеж или нет
Основной показатель качества
в эквайринге — конверсия.
Платеж не прошел
— клиент недоволен
Надо стараться предупреждать такие случаи.
На стороне системы эквайринга

Ошибка платежа может быть:

На стороне провайдера
На стороне банковских систем
Была история, что у одного сотового оператора зачисления
на счет не срабатывали с 1 до 3 ночи — оказалось, у него были неправильно выставлены часовые пояса.

Наша задача

Выявить признаки аномалий,
из-за которых платежи
не проходят.

Схема работы

Что мы делали:
Смотрели данные о транзакциях, искали закономерности.
Сентябрь - Ноябрь 2018
Гипотеза:
С условным магазином деревянных игрушек транзакции будут успешней, чем с условным онлайн-казино
Заказчик мог бы предлагать разные цены на эквайринг в зависимости
от вероятности успеха транзакции
Не смогли проверить, так как
заказчик не дал доступ к информации
о компаниях-провайдерах
— это запрещено по протоколам безопасности.

Технологии

Классическая
Data Science

Команда проекта

Сергей Веренцов
Разработчик
Рамиль Гизатуллин
Разработчик

Техническое решение

На вход получили дампы баз данных QIWI в системе PostgreSQL
Собрали предварительную разметку из баз данных
Обработали данные
с помощью Python
Построили дерево решений
Можно пройти по нему и увидеть, какой набор признаков ведет
к неуспешным транзакциям
Кластеризовали
по группам провайдеров
Каждый узел —
условие на признак транзакции
Оранжевые узлы
— это там, где много транзакций не прошло.

Трудности разработки

Ограниченный доступ
к данным
Сложность предметной области
Нет гарантий значимых результатов
Проблемы
с коммуникацией
Например, понятие feature importance (важность признаков) привычно
для датасаентиста, а аналитики лучше
знакомы с корреляциями и воронками.

Итоги проекта

Подтвердили гипотезы клиента:
Один пользователь пытался положить на телефон
3,5 миллиарда рублей. Разумеется, ничего не вышло.
Транзакции с большими суммами с большой вероятностью
не пройдут
Есть проблемные провайдеры и группы провайдеров
«Волшебной пилюли» — починить одну проблему, и транзакции вырастут —
не нашлось, к сожалению. Но лишнее подтверждение — это всегда хорошо.

Цитата

Что нам дал проект

Научились лучше планировать
Поняли важность тесной работы с клиентом
В течение недели
работали в Иннополисе вместе с аналитиком QIWI, обменивались компетенциями.

В 2019 году приняли участие
в Product Hub QIWI Universe 3.0

Георгий Коннов,
Руководитель направления QIWI Касса, один из бизнес-заказчиков программы
«...В результате с командой EORA мы сделали кейс по аналитике данных, в ходе которого проанализировали работу наших провайдеров и смогли выявить новые факторы, снижающие конверсию оплаты. Работа с ними приведет к повышению оборота наших партнеров.»

Эмоции от проекта

«Для наших data scientists это был уникальный опыт:
мы получили финансовые данные о транзакциях, которые другими способами достать нереально. Объем данных был очень большой, пришлось развернуть под них целую инфраструктуру.

Мы бок о бок работали со специалистами из QIWI, узнали, как устроены процессы внутри корпорации, научились взаимодействовать со службой безопасности.»
CEO EORA
Роман Доронин
Напишите нам