Этика чековых данных: как избежать ошибок и сохранить доверие клиентов

Можно ли использовать информацию о том, что покупают люди в магазинах, для оценки их кредитоспособности? Стоит ли банкам анализировать чеки клиентов, чтобы принимать решения о выдаче займов? Как сделать это честно и безопасно? Эти вопросы становятся все актуальнее. Мы в Platforma, как эксперты в сфере анализа больших данных, обнаружили интересный материал об этических аспектах использования потребительской информации и решили адаптировать его для вас.

Что происходит, когда компании нарушают правила

Данные о том, что люди покупают в продуктовых магазинах, могут принести пользу не только бизнесу. Они помогают покупателям получить доступ к финансовым услугам, особенно тем, кто раньше не мог взять кредит из-за отсутствия кредитной истории. Но работать с такой информацией нужно очень осторожно.

Когда компании используют личные данные клиентов без разрешения или ставят свою прибыль выше интересов людей, это приводит к серьезным проблемам. Два громких случая 2025 года показывают, насколько это может быть опасно.

В январе General Motors столкнулась с регулятивными мерами после того, как ее обвинили в сборе конфиденциальных потребительских данных. Оказалось, что компания через программу Smart Driver собирала данные о том, где ездят водители и как они управляют машиной. При этом GM не объясняла людям, что именно делает с их информацией. Хуже того — она продавала эти данные другим организациям, которые помогают страховым компаниям принимать решения. В итоге у многих водителей выросли тарифы на страховку, а кому-то и вовсе отказали в этой услуге.

Похожая история случилась с Arity — дочерней компанией страховщика Allstate. Техас подал на фирму в суд, обвинив ее в том, что она собирала информацию о вождении через мобильные приложения без должного согласия клиентов. Эти сведения тоже использовались для изменения страховых условий.

Когда согласие не требуется

В некоторых случаях разрешение клиентов на обработку информации необязательно. Если данные полностью обезличены и объединены в большие массивы, их можно использовать для создания моделей искусственного интеллекта.

Так, банки и страховые фирмы могут применять обезличенную информацию о покупках продуктов для разработки систем оценки финансовых рисков. При этом компании не будут знать, что именно покупал Иван Петров или Мария Сидорова.

Финансовые организации также могут изучать общие тенденции трат для улучшения своих моделей оценки клиентов и создания новых продуктов. Согласие понадобится только тогда, когда информация будет использоваться для прямых решений о конкретном человеке — например, при одобрении кредита или установлении цены страховки.

Как работать с данными правильно: реальные кейсы

Информация о продуктах питания очень ценна — она показывает, как люди живут, сколько зарабатывают, на что готовы тратить деньги. Это помогает банкам лучше оценивать клиентов и находить тех, кому раньше несправедливо отказывали в кредитах.

Так, один из крупнейших продуктовых ритейлеров в Африке разрешает банкам получать доступ к потребительским данным только с явного согласия людей и только в тех случаях, когда у человека нет кредитной истории. Иными словами, информация о покупках используется исключительно для того, чтобы помочь людям получить кредит, когда обычные способы не работают.

Еще один хороший пример — крупная африканская компания, которая занимается медицинским страхованием. Вместо того чтобы наказывать людей за покупку вредной еды, она поощряет приобретение полезных продуктов. Купил овощи и фрукты — получи кешбэк или скидку. Такой подход укрепляет доверие клиентов и мотивирует их питаться лучше.

Четыре принципа ответственной работы с данными

Чтобы получить максимум пользы от информации о покупках, сохранив при этом доверие клиентов, финансовые организации должны следовать четырем основным правилам.

1. Используйте данные как дополнение

Информация о покупках должна помогать, а не заменять обычные способы оценки клиентов. Особенно это важно, когда у человека вообще нет кредитной истории. Главная цель — помочь тем, кому раньше несправедливо отказывали в кредитах, но не навредить тем, у кого и так все в порядке с документами.

2. Поощряйте здоровые привычки

Вместо штрафов за «неправильные» приобретения лучше начислять бонусы за «правильные». Медицинская страховая может предложить кэшбэк и скидки за здоровые покупки, чтобы стимулировать поведение, которое выгодно как самому бизнесу, так и потребителям.

3. Обеспечьте прозрачность и контроль

Не прячьтесь за сложными юридическими терминами. Организации должны простым языком объяснять, как будут применяться клиентские данные. Показывайте, какую выгоду получит человек — например, больше шансов на одобрение кредита. И обязательно давайте возможность сказать «нет».

4. Будьте справедливыми ко всем

Не допускайте, чтобы ваши компьютерные программы предосудительно относились к клиентам. Например, если человек покупает дешевые продукты, это не значит, что у него проблемы с финансами — возможно, он просто умеет экономить. Регулярно проверяйте свои системы, чтобы они одинаково хорошо работали для людей с разными доходами и из разных демографических групп.

Как решить технические и человеческие проблемы

Чтобы успешно работать с данными о покупках, нужно решить два типа задач.

Первая задача техническая. Нужны специальные технологии, которые позволят банкам и магазинам обмениваться информацией, но при этом не передавать друг другу личные данные клиентов. Современные платформы умеют это делать — они анализируют общие тенденции, сохраняя приватность каждого человека.

Вторая задача социальная — люди должны иметь четкое понимание, зачем им делиться своими данными. Важно объяснить простыми словами, какую выгоду они получают. Рассказы об успешных историях и конкретные примеры демонстрируют людям ощутимые преимущества.

Каждый бизнес работает в уникальной правовой среде, поэтому руководителям финансовых компаний важно тесно сотрудничать с юридическими и комплаенс-командами, чтобы убедиться, что их стратегии соответствуют последним нормативным актам и лучшим практикам.

Именно поэтому мы в Platforma создали продукт «Прогноз спроса», который воплощает принципы ответственной работы с большими данными. Наше решение помогает предугадывать потребности покупателей и планировать поставки более эффективно, используя обезличенную информацию о покупках и транзакциях от крупнейших игроков рынка. Точность наших прогнозных моделей достигает 95% — это позволяет оставить конкурентов далеко позади благодаря передовым инструментам анализа больших данных.