ИИ для аналитик данных в банковском секторе

ИИ для аналитик данных в банковском секторе: конструктор промптов

Аналитик данных в банке ежедневно работает с кредитными рисками, сегментацией клиентов, детекцией мошенничества и прогнозированием оттоков. ИИ-ассистенты (ChatGPT, Claude, YandexGPT) ускоряют эти задачи, но только при правильно составленном промпте. Ниже — разбор эффективной структуры запроса и готовые шаблоны.

Анатомия эффективного промпта

Промпт для банковской аналитики должен содержать 5 блоков:

1. Роль — задаёт экспертизу (например, «ты — риск-аналитик с опытом в Basel II»).
2. Контекст — тип данных, временной период, регуляторные ограничения.
3. Задача — конкретный результат: SQL-запрос, формула, интерпретация метрики.
4. Формат ответа — таблица, код, список рекомендаций.
5. Ограничения — допустимая погрешность, запрет на персональные данные.

Пример слабого промпта: «Посчитай просрочку». Пример сильного: «Ты — кредитный аналитик. По данным за Q3 2024 (таблица loans: client_id, amount, overdue_days) рассчитай долю просрочки >30 дней по сегментам (retail/sme). Выдай SQL-запрос и интерпретацию в 3 предложениях. Учти, что retail-кредиты до 100k не включаются в выборку».

Готовые шаблоны промптов

1. Сегментация клиентов

Шаблон: «Ты — аналитик CRM. Кластеризуй клиентов по признакам [перечислить: частота транзакций, средний чек, остаток на счете]. Используй метод K-means, укажи оптимальное k по силуэту. Выдай профили кластеров в таблице: название, размер, ключевые метрики, рекомендуемый продукт».

Настройка: замените признаки на свои, добавьте ограничение «не использовать сумму транзакций за последние 7 дней».

2. Детекция аномалий

Шаблон: «Ты — фрод-аналитик. По данным транзакций (id, time, amount, merchant) найди аномалии. Используй межквартильный размах (IQR) для amount и z-score для частоты. Выведи список подозрительных транзакций с обоснованием. Формат: таблица с колонками id, amount, причина».

Настройка: укажите порог z-score (например, >3) и исключите категории merchant, где аномалии допустимы (например, ювелирные магазины).

3. Прогнозирование оттока

Шаблон: «Ты — data scientist. Построй модель оттока на основе [фичи: возраст, срок обслуживания, число обращений]. Сравни Logistic Regression и Random Forest. Выдай метрики precision/recall для порога 0.5 и предложи оптимальный порог. Ответ — таблица сравнения моделей».

Сравнительная таблица: подходы к промптам

Настройка под банковскую специфику

• Всегда добавляйте «не раскрывай реальные номера счетов» — ИИ может генерировать примеры.
• Для регуляторной о��чётности (например, 115-ФЗ) укажите «учти требования ЦБ РФ» — модель скорректирует формулы.
• Используйте few-shot промпты: приложите 2-3 примера желаемого ответа.

Сравнение инструментов для генерации промптов

Используйте конструктор: начните с роли, добавьте контекст, сформулируйте задачу с метриками, задайте формат и ограничения. Тестируйте на исторических данных, чтобы калибровать точность.