Прогнозируется, что объем рынка аналитики больших данных достигнет 29,87 млрд долларов к 2030 году по сравнению с 10,56 млрд долларов в 2025 году. Банки переходят на анализ больших данных, потому что традиционные методы аналитики не справляются с огромными объемами разнообразной информации и не могут предоставить аналитические данные в реальном времени. Без этой технологии банки могут неверно оценивать кредитные риски и риски мошенничества, не оправдывать все ожидания клиентов и испытывать трудности с поддержанием конкурентоспособности.
На сегодняшний день аналитика больших данных является ценной частью современной стратегии. Однако долгое время финансовая индустрия с большим подозрением относилась к ее внедрению. В этой статье описываются наиболее распространенные сценарии использования больших данных в банковской сфере, а также их преимущества, проблемы, этапы внедрения, реальные примеры и перспективы.
Что такое большие данные?
Большие данные — это сложные и разнообразные наборы данных, состоящие из различных типов информации, собираемой из множества источников и слишком масштабной для обработки традиционными инструментами. Существуют четыре ключевые характеристики больших данных:
- Объем: подразумевает огромный размер данных.
- Множественность (разнообразие): означает, что большие данные состоят из различных типов данных (см. выше) и являются гетерогенными.
- Скорость: предполагает высокую скорость генерации данных и их непрерывный поток.
- Изменчивость: означает возможность несогласованности информации из-за различных источников.
Следовательно, обработка больших данных требует использования специфических инструментов и технологий бизнес-аналитики, таких как машинное обучение, облачные вычислительные платформы, а также сервисы работы с большими данными. Они позволяют организациям хранить, обрабатывать и анализировать массивные объемы данных в реальном времени и извлекать ценные для работы инсайты. Эффективное использование аналитики данных помогает банкам перейти от традиционных методов принятия решений, которые часто опираются на исторические данные и интуицию, к стратегиям на основе данных, повышающим точность и скорость операций.
Большие данные для банков: 6 сценариев использования
В банковской сфере существует множество сценариев использования больших данных, среди которых наиболее распространенными являются сегментация и профилирование клиентов, персонализация, управление рисками и кредитный скоринг, обнаружение и предотвращение мошенничества, прогнозная аналитика и соблюдение нормативных требований. Давайте рассмотрим их подробно.
Сегментация и профилирование клиентов
Крайне важно знать и понимать своих клиентов, чтобы эффективно удовлетворять их потребности. Большие данные помогают банкам собирать разнообразную информацию о своих клиентах и использовать ее для создания высокоточных портретов клиентов и предложения индивидуальных услуг. Эффективная сегментация клиентов дает банкам ряд преимуществ:
- Улучшение маркетинговых кампаний
- Анализ финансовых привычек клиентов
- Прогнозирование потребностей, желаний и поведения клиентов
- Снижение риска предложения нерелевантных финансовых решений
- Повышение вовлеченности и лояльности клиентов
Персонализированный опыт
Зная привычки и предпочтения клиентов с помощью больших данных и аналитики, финансовые организации могут предоставлять наиболее релевантные продукты и услуги. На основе того, насколько хорошо продукт продается, не продается или кому именно он продается, банки могут создавать предложения, которые, вероятнее всего, будут успешными в будущем.
Кроме того, банки могут использовать внешние данные, такие как рыночное поведение или эффективность ипотечных продуктов, для создания продуктов, которые будут одновременно выгодными для клиентов и прибыльными для банка. В результате финансовые организации, полагающиеся на большие данные для улучшения персонализации, выстраивают более глубокие отношения с клиентами и повышают их лояльность в долгосрочной перспективе. По данным Mastercard, 72% клиентов считают персонализацию крайне важной, а 76% ждут омниканального опыта при взаимодействии с банками.
Управление рисками и кредитный скоринг
Собирая и анализируя исторические данные с помощью инструментов прогнозной аналитики, финансовые компании могут прогнозировать потенциальные риски. Если организация заранее знает о финансовых неопределенностях, ей становится намного проще предотвратить их или эффективно смягчить, а также сократить убытки. Наиболее распространенные финансовые риски, которых следует избегать:
- Оценка кредитного риска. Финансовые компании используют большие данные, аналитику и модели кредитного скоринга на базе искусственного интеллекта, чтобы оценить вероятность того, что физическое лицо не сможет выполнить долговые обязательства. На основе этих данных они одобряют или отклоняют заявки, тем самым снижая убытки.
- Управление рисками поставщиков. Имея в распоряжении большие данные, финансовые организации могут лучше оценивать своих поставщиков и степень возможных рисков. Таким образом, организации могут заранее застраховать себя от угроз и минимизировать вероятность мошеннических действий.
- Обнаружение оттока. С помощью подходящего инструмента управления рисками финансовые организации могут анализировать поведение клиентов и, следовательно, выявлять вероятность оттока на ранней стадии. Это помогает улучшить показатели удержания, так как банки могут вовремя предпринять необходимые меры.
- Стресс-тестирование. Банки используют как внутренние, так и внешние данные для оценки того, как их финансовое положение изменится в неблагоприятных экономических условиях. Посредством анализа данных банки моделируют различные сценарии, такие как высокая инфляция или рост безработицы. Это позволяет им более точно выявлять потенциальные риски и корректировать кредитную политику.
Обнаружение и предотвращение мошенничества
Когда банки используют большие данные для анализа в реальном времени, они могут лучше выявлять закономерности, аномалии и подозрительную активность в транзакциях, которые обычно приводят к мошенничеству. В результате финансовые компании могут вовремя заметить противоправную деятельность и отреагировать на любой потенциальный риск, устранив его до того, как будет нанесен серьезный ущерб. Таким образом, банки могут избежать дорогостоящих потерь и усилить безопасность внутри организации. Если клиенты доверяют банку, они с большей вероятностью выберут его снова.
Согласно отчетам Market Research, более 72% институтов финансового сектора ставят на первое место обнаружение мошенничества, в то время как 65% заявляют, что прогнозная аналитика помогает им принимать более точные решения в банковской сфере.
Прогнозная аналитика
Банки могут использовать исторические, актуальные и внешние данные в сочетании с аналитическими инструментами для прогнозирования будущих результатов и принятия более разумных решений на их основе. Большинство финансовых компаний используют аналитику больших данных для прогнозирования:
- Поведения клиентов
- Оттока клиентов
- Спроса на банковские продукты
- Финансовых рисков
- Нагрузки на филиалы и кол-центры
- Будущих финансовых потребностей клиентов
Кроме того, банки могут анализировать данные банкоматов и другого оборудования, чтобы предсказать возможные поломки. Это позволяет банку заранее заменить деталь или провести техническое обслуживание, выполнить ремонт в удобное время (когда меньше клиентов) и подготовить резервные решения на случай сбоя.
Соблюдение нормативных требований
Банки работают в одном из наиболее жестко регулируемых секторов, поэтому эффективное управление соблюдением нормативных требований имеет для них первостепенное значение. Аналитика больших данных помогает банкам решать эти задачи, объединяя данные из множества источников и поддерживая различные виды деятельности по соблюдению требований:
- Автоматизация мониторинга соблюдения требований
- Отслеживание и аудит финансовых данных
- Обнаружение регуляторных рисков
- Более быстрое создание отчетов
- Усиление процессов противодействия отмыванию денег (AML) и «Знай своего клиента» (KYC)
- Поддержка таких требований, как отчетность по Базелю III и МСФО (IFRS)
В результате аналитика больших данных помогает банкам снижать риски несоблюдения нормативных требований, быть готовыми к регуляторным проверкам и быстрее реагировать на меняющиеся финансовые требования.
Банки могут получить огромную пользу от использования аналитики больших данных, улучшить клиентский опыт, безопасность, операционную эффективность, процесс принятия решений и сократить расходы. Эти преимущества заслуживают более детального рассмотрения.
Улучшение клиентского сервиса
Аналитика больших данных позволяет компаниям создавать и анализировать подробные профили клиентов для предоставления более персонализированных продуктов. Это помогает банкам оправдывать растущие ожидания клиентов: 71% опрошенных ожидают от своего банка персонализированного взаимодействия, а 76% испытывают разочарование, если эти ожидания не оправдываются.
Повышение безопасности
Получая более глубокое представление о финансовых транзакциях и работе систем, банки могут выявлять мошенничество с точностью до 98,5%, защищать конфиденциальные данные и поддерживать доверие клиентов. Следовательно, аналитика больших данных помогает банкам выстраивать надежные стратегии безопасности и снижать вероятность киберугроз.
Сокращение операционных расходов
Аналитика больших данных позволяет банкам автоматизировать рутинные задачи обработки данных, такие как отчетность о соблюдении нормативных требований, кредитный скоринг и анализ рисков. Эти технологии помогают финансовым компаниям сократить объем ручного труда и снизить операционные расходы на 10–15%, а в некоторых категориях экономия достигает 35%.
Повышение операционной эффективности
Используя аналитику больших данных, банки могут автоматизировать ресурсоемкие задачи, а также улучшить распределение ресурсов и процесс принятия решений. В свою очередь, полученные аналитические выводы и автоматизация рабочих процессов повышают операционную эффективность на 20–30%.
Точное и быстрое принятие решений
Аналитика больших данных позволяет банкам превращать массивы разнообразных данных в критически важные для бизнеса бизнес-инсайты в различных финансовых сферах. В результате организации могут принимать решения быстрее и точнее, пересматривать свои стратегии и реагировать на меняющиеся рыночные условия и предпочтения пользователей.
Действительно, большие данные стали естественным компонентом банковской и финансовой индустрии, помогая улучшить сегментацию клиентов, управление рисками, операционную эффективность и предоставление индивидуальных услуг. С нашей точки зрения, истинная ценность больших данных заключается не в объеме собранной информации, а в способности организации своевременно и эффективно ее трансформировать. Институты, внедряющие передовую аналитику в повседневное принятие решений, получат больше возможностей для улучшения клиентского опыта, укрепления системы управления рисками и более быстрого реагирования на изменения рынка.
Для успешного внедрения технологий и извлечения из них реальной выгоды банкам необходимы четко определенная стратегия работы с данными, современные аналитические платформы, надежное управление данными и постоянные инвестиции в квалифицированных специалистов. Не менее важно извлекать уроки из реальных примеров внедрения, так как практические кейсы часто демонстрируют как преимущества, так и проблемы, связанные с масштабной реализацией.
Банкам также необходимо учитывать потенциальные препятствия, включая устаревшую инфраструктуру, проблемы с соблюдением нормативных требований или нехватку ресурсов. Все эти шаги помогают финансовым организациям извлечь максимум пользы из больших данных и минимизировать возможные риски внедрения до осуществления значительных инвестиций.
Проблемы внедрения аналитики больших данных в банковской сфере
Несмотря на преимущества, банки все еще могут сталкиваться с трудностями при внедрении аналитики больших данных, такими как информационные изоляты (дата-силосы), качество информации, нехватка опыта и ресурсов, проблемы интеграции, безопасности и конфиденциальности.
Проблемы с качеством данных
Анализ больших данных часто требует тщательной валидации, очистки и мониторинга. Неточные, противоречивые или устаревшие данные могут привести к ошибочным выводам и решениям, даже если компании используют самые сложные аналитические фреймворки. По данным IBM, более четверти организаций заявляют, что теряют более 5 млн долларов ежегодно из-за низкого качества данных, а 7% теряют 25 млн долларов и более.
Проблемы безопасности и конфиденциальности данных
Чем больше данных банки собирают и анализируют, тем выше риск несанкционированного доступа, утечки данных и кибератак. Такие инциденты безопасности влекут за собой крупные штрафы, юридические последствия и репутационный ущерб. Кроме того, ненадлежащее обращение с конфиденциальными данными грозит несоблюдением нормативных требований и еще больше подрывает безопасность и доверие клиентов.
Информационные изоляты (дата-силосы)
Банки и финансовые компании интегрируют данные из разных источников, иногда устаревших систем, и хранят информацию в изолированных хранилищах без бесшовного доступа и интеграции. Такой подход усложняет управление данными, замедляет их обработку и может привести к неполноценному анализу. В результате организации страдают от разрозненности данных, неспособности получить единое представление о своей деятельности или клиентах, а также от неэффективного принятия решений.
Нехватка необходимых ресурсов
Правильная обработка данных требует множества ресурсов, включая специализированных сотрудников (например, специалистов по работе с данными), внедрение (а иногда и разработку) модели машинного обучения для обработки информации, а также выбор подходящего аналитического решения. Добавьте к этому тот факт, что организация должна иметь масштабируемую и надежную инфраструктуру, и вы поймете, почему многие банки считают этот процесс слишком громоздким.
Интеграция с устаревшим программным обеспечением
По данным Deloitte, почти 60% руководителей банков считают устаревшую инфраструктуру одним из главных факторов, ограничивающих рост бизнеса и препятствующих внедрению аналитики больших данных. Интеграция современных аналитических платформ, миграция данных и их обработка в реальном времени могут быть сложной задачей. Для этого банку придется перепроектировать существующую систему, чтобы сделать ее совместимой с необходимым программным решением, что потребует значительного времени и ресурсов.
Дефицит квалифицированных кадров
Интеграция и управление большими данными и аналитикой требуют квалифицированных дата-инженеров, специалистов по машинному обучению и экспертов по аналитике. Однако многие банки сталкиваются с нехваткой специалистов, обладающих необходимыми техническими знаниями и глубоким пониманием нормативных требований и операционных сложностей, специфичных для финансового сектора. Это двойное требование сужает круг подходящих кандидатов, усиливает конкуренцию за экспертов и замедляет внедрение аналитики больших данных в банковской сфере.
Проблемы аналитики в реальном времени
Аналитика в реальном времени особенно важна для банков в целях обнаружения мошенничества, управления рисками и принятия более быстрых решений на основе данных. Без надежных возможностей обработки данных в реальном времени, таких как передовые технологии потоковой передачи данных, автоматизированные аналитические системы и масштабируемые инфраструктуры данных, финансовые организации сталкиваются с задержками. Такая ситуация снижает способность управлять ликвидностью и рисками в режиме реального времени.
Проблемы масштабируемости и производительности
Поддержание масштабируемости и производительности систем становится все более сложной задачей для банков по мере роста объемов данных и пользовательских запросов. Управление этим ростом требует масштабируемой инфраструктуры, способной эффективно обрабатывать большие объемы данных, поддерживать скорость и надежность, а также наличия технической экспертизы и постоянных инвестиций. Без должным образом оптимизированной ИТ-инфраструктуры банки могут столкнуться с замедлением обработки данных и неспособностью поспевать за спросом.
Технологии аналитики больших данных в банках
В банковской сфере аналитика больших данных опирается на комбинацию ряда технологий, включая платформы больших данных, облачные вычисления, базы данных, а также технологии искусственного интеллекта и машинного обучения.
Платформы больших данных
Платформы больших данных предоставляют инструменты для сбора, обработки и хранения больших объемов данных, зачастую в режиме реального времени и на высокой скорости. Такие системы обычно состоят из нескольких ключевых компонентов:
- Сбор данных (Apache Airflow, AWS Glue, Apache Kafka).
- Хранение данных (Amazon S3, Azure Data Lake Storage, Snowflake, Amazon RDS/Aurora).
- Обработка и трансформация данных (кластеры Hadoop/Spark, AWS Glue, AWS Lambda, Azure Functions, dbt, Apache Flink, Google Dataflow).
- Аналитика и визуализация данных (Tableau, Power BI, Looker, Amazon QuickSight, Looker Studio).
- Наблюдаемость данных (Monte Carlo, Datadog, Great Expectations, Databand).
Искусственный интеллект и машинное обучение
Аналитика больших данных задействует ИИ для более качественного анализа данных. Объединяя большие данные, технологии аналитики на базе ИИ и модели машинного обучения, финансовые организации и банки могут:
- Прогнозировать новые тенденции в отрасли и на рынке
- Анализировать поведение и предпочтения клиентов
- Предоставлять персонализированные услуги и продукты
- Выявлять потенциальный отток клиентов
- Прогнозировать и предотвращать мошеннические действия
- Обнаруживать подозрительные транзакции в режиме реального времени
- Улучшать оценку рисков
- Генерировать полезные финансовые инсайты
Например, компании используют такие фреймворки машинного обучения, как TensorFlow, PyTorch и Apache Spark MLlib, инструменты обработки больших данных, такие как Apache Hadoop, Apache Spark, Apache Flink, а также платформы аналитики в реальном времени, такие как Apache Kafka, Amazon Kinesis, Azure Stream Analytics.
Платформы облачных вычислений
Используя платформы облачных вычислений, финансовые организации могут хранить, управлять и анализировать большие объемы данных за счет масштабируемости и вычислительных ресурсов по требованию.
Они предоставляют масштабируемую среду, в которой могут работать инструменты для работы с большими данными. Наиболее яркими примерами платформ облачных вычислений являются AWS, Microsoft Azure и Google Cloud.
Озера данных и хранилища данных
Большие данные содержат информацию различных типов. Хранилище данных хранит структурированную информацию, очищает ее и подготавливает для бизнес-аналитики (BI) и задач анализа данных. С другой стороны, озеро данных хранит сырые, неструктурированные и полуструктурированные данные в их исходном формате с низкими затратами. Без них банки столкнулись бы с трудностями при управлении растущим объемом, скоростью поступления и разнообразием финансовых данных.
Например, хранилище данных используется для хранения исторических данных о транзакциях клиентов, отчетов о рисках и нормативных отчетов. Озеро данных может использоваться для хранения журналов транзакций, записей колл-центров и информации из мобильных приложений.
- Решения для хранения данных включают Amazon Redshift, Google BigQuery, Snowflake, Microsoft Azure Synapse Analytics, Teradata, SAP BW, Oracle Autonomous Data Warehouse.
- Системы озер данных включают Amazon S3, Azure Data Lake Storage, Google Cloud Storage, Hadoop HDFS, Databricks Delta Lake, MinIO.
Архитектура больших данных в банках
Архитектура больших данных в банках
Архитектура больших данных — это инфраструктура, которая объединяет различные инструменты и методы для сбора, хранения, обработки, анализа, составления отчетов и оркестрации крупных наборов данных. С ее помощью банки могут получать бизнес-инсайты в реальном времени, прогнозировать тренды и принимать стратегические решения.
1. Сбор данных
Архитектуры больших данных начинаются со сбора данных из самых разных источников и в различных форматах, включая как структурированные, так и неструктурированные данные. К ним относятся социальные сети, веб-сайты, транзакционные базы данных, журналы событий, IoT-устройства, облачные платформы, базы данных NoSQL, API, веб-сервисы и сторонние источники данных. Эти наборы данных могут поступать пакетно или в режиме реального времени.
2. Хранение данных
Хранилище данных представляет собой цифровое пространство для хранения и управления данными, а также для преобразования неструктурированных данных в формат, пригодный для использования аналитическими инструментами. Современные архитектуры больших данных обычно полагаются на озера данных и хранилища данных для хранения информации различных типов. Эти хранилища создаются с использованием таких технологий, как реляционные базы данных для структурированных данных, базы данных NoSQL для полуструктурированных и неструктурированных данных, облачные хранилища и распределенные файловые системы, такие как Hadoop Distributed File System (HDFS), для крупномасштабной пакетной обработки данных.
3. Обработка данных
Обработка данных преобразует исходные данные в формат, пригодный для анализа. В зависимости от бизнес-требований этот процесс может выполняться в различных режимах:
- Пакетная обработка предполагает работу с большими объемами исторических данных через заранее определенные интервалы времени. Она лучше всего подходит для операций, не требующих немедленной реакции, таких как аналитика данных, отчетность и пакетные преобразования данных.
- Ввод сообщений в реальном времени относится к сбору данных из источников в реальном времени путем приема и хранения сообщений для потоковой обработки. Он работает с такими источниками, как потоки с датчиков, файлы журналов, обновления в социальных сетях, потоки кликов и IoT-устройства.
- Потоковая обработка непрерывно обрабатывает данные по мере их генерации путем их фильтрации, агрегации и трансформации для анализа в реальном времени. Затем обработанные данные записываются в целевой приемник, например в базу данных или озеро данных.
4. Аналитическое хранилище данных
Аналитическое хранилище данных — это специализированная база данных или система хранения данных, расположенная между этапами обработки данных и аналитики. Оно предназначено для хранения обработанных и очищенных данных, делая их доступными для использования с различными аналитическими методами и инструментами BI. Это жизненно важно для дальнейшего анализа и составления отчетов. Ключевыми особенностями аналитических хранилищ данных в аналитике больших данных являются колонночное хранение, оптимизированная обработка запросов, интеграция данных, поддержка продвинутой аналитики данных, управление данными и безопасность.
Примеры включают хранилища данных, OLAP-базы данных и облачные аналитические хранилища, такие как Snowflake, BigQuery и Redshift.
5. Анализ и отчетность
Анализ — это процесс обнаружения и интерпретации данных с целью выявления ценных инсайтов, поиска значимых закономерностей и формулирования выводов. Этот этап включает применение аналитических методов, статистических подходов, моделей машинного обучения и инструментов визуализации данных для подготовки результатов к просмотру человеком и представления их в удобном и практичном виде. Результаты представляются в виде отчетов, дашбордов и интерактивных BI-инструментов для поддержки принятия аналитических решений.
К распространенным инструментам, используемым на этом этапе, относятся BI-платформы, такие как Microsoft Power BI, Tableau и Looker, предназначенные для визуализации данных и создания отчетности. Также используются инструменты статистического анализа, такие как библиотеки R и Python, и фреймворки машинного обучения, такие как scikit-learn, TensorFlow и PyTorch, для прогнозной аналитики и сложного моделирования.
6. Оркестрация
Оркестрация представляет собой набор процессов, практик и инструментов, которые обеспечивают выполнение всех упомянутых процессов (сбор, хранение, обработка, преобразование и доставка данных) в автоматическом и цикличном режиме, исключая необходимость ручного контроля каждого этапа. Она обеспечивает мониторинг и ведение журналов для отслеживания статуса заданий, обнаружения проблем, поддержания актуальности данных и оптимизации использования ресурсов в целях лучшего контроля затрат.
Эти рабочие процессы можно автоматизировать с помощью таких систем оркестрации, как Apache Oozie, Apache Sqoop, Azure Data Factory, Apache Airflow, Apache NiFi, AWS Step Functions/Glue Workflows, а также Prefect и Dagster.
Как внедрить аналитику больших данных в банковской сфере
Аналитику больших данных можно внедрить в бизнес-процессы в шесть практических шагов.
Шаг 1: Определите бизнес-цели
Прежде всего, банки должны определить цели внедрения аналитики больших данных в финансовые рабочие процессы. Это может быть сокращение убытков от мошенничества, улучшение клиентского опыта или поиск новых перспектив роста. Если это вызывает затруднения, финансовые компании всегда могут обратиться к экспертам по большим данным, которые помогут проанализировать их архитектуру, найти слабые места и определить, где данные принесут наибольшую пользу.
Шаг 2: Определите источники данных
Банк должен определить все внутренние и внешние источники данных и выявить те из них, которые наиболее важны для достижения его целей. Затем финансовые компании должны определить, как эти наборы данных будут собираться и передаваться в аналитическую систему. Кроме того, организации должны оценить доступность, качество, структуру и пригодность данных для обеспечения точного анализа и принятия обоснованных решений в будущем.
Шаг 3: Постройте инфраструктуру больших данных
Финансовым организациям необходимо спроектировать и внедрить архитектуру больших данных. Для этого им следует выбрать наиболее подходящий технологический стек и определить инструменты и платформы, необходимые для хранения, управления, обработки, анализа и составления отчетности по большим объемам данных. Не забывайте о мерах безопасности для защиты клиентских данных и соблюдения таких нормативов, как GDPR, CCPA, PCI DSS и местных банковских требований.
Не забудьте внедрить практики управления данными (data governance) для обеспечения качества данных, конфиденциальности, соответствия требованиям и надлежащего управления ими на протяжении всего жизненного цикла.
Шаг 4: Разработайте аналитические модели и модели машинного обучения
Банкам необходимо разработать аналитические модели и модели машинного обучения, адаптированные под их бизнес-цели. Для этого финансовым компаниям следует выбрать подходящие методы анализа и машинного обучения, подготовить данные, обучить модели машинного обучения на исторических данных или данных в реальном времени, а также проверить точность алгоритмов, их производительность и соответствие требованиям. Банки также должны развертывать готовые модели в процессах реального времени или пакетных процессах, используя практики MLOps.
По мере накопления новых данных банкам необходимо постоянно контролировать, обновлять и совершенствовать модели для обеспечения их последующего переобучения и поддержания надежных результатов.
Шаг 5: Интегрируйте аналитические решения в банковские процессы
После создания и проверки моделей банкам необходимо интегрировать решения для аналитики больших данных в свою существующую инфраструктуру и финансовые процессы. Это включает в себя подключение аналитических платформ к основным банковским системам, CRM, инструментам обнаружения мошенничества и другим корпоративным приложениям.
