Когда A2P-трафик проходит по «серым» маршрутам и не тарифицируется по установленной стоимости, оператор теряет дважды: выручку и доверие абонентов к SMS как каналу. В статье разбираем, какие инструменты защищают SMS-трафик, чем они отличаются и почему разрозненный набор систем не закрывает задачу целиком.

Как фрод влияет на выручку и репутацию оператора

Масштаб потерь от нелегальных A2P-маршрутов измеряется миллиардами. По оценке Mobile Ecosystem Forum, «серые» маршруты должны были обойтись мобильным операторам почти в 50 миллиардов долларов за период с 2018 по 2023 год, а только на 2021 год пришлось около 7,9 миллиарда долларов потерь. В том же исследовании 70% респондентов отметили, что в 2020 году упустили до 10% годовой выручки от A2P SMS из-за фрода.

Вторая сторона проблемы — доверие абонентов. SMS изначально не проектировался как защищенный двусторонний канал, и это прямо отражается на пользователях: по данным Федеральной торговой комиссии США, в 2024 году потребители сообщили о потере 470 миллионов долларов из-за мошеннических схем, начавшихся с текстовых сообщений.

Для оператора это двойной ущерб: недополученная выручка от A2P-трафика и рост спама и мошенничества, который снижает доверие к оператору и к SMS как каналу. Поэтому борьба с фродом решает сразу две задачи: безопасности и монетизации.

Какие инструменты для борьбы с фродом есть на рынке и чем они отличаются

Угрозы для SMS-трафика разнообразны, поэтому на рынке сложилось несколько классов решений с разной зоной ответственности.

Системы выявления фрода (Fraud Management System, FMS). Комплексные решения, которые анализируют трафик и события в сети оператора на предмет аномалий и мошеннических схем. Их сильная сторона — широкий охват разных типов фрода и накопленные данные расследований. Главный недостаток в том, что они часто выявляют проблему уже после прохождения трафика, и не всегда могут заблокировать мошенническое сообщение в момент доставки.

ML-аналитика и мониторинг данных. Отдельный класс инструментов, который операторы все активнее добавляют к фильтрации трафика. По данным Mobile Ecosystem Forum, аналитику данных и мониторинг называют ключевой мерой выявления фрода 37,5% операторов. В 2019 году таких было всего 6,3%. Аналитика хорошо находит новые и меняющиеся схемы, но сама по себе не управляет доставкой: она дает интеллект для принятия решений, а не исполняет их.

Сигнальные решения. Защищают сеть на уровне сигнального трафика — от атак и манипуляций в протоколах SS7 и Diameter. По данным Mobile Ecosystem Forum, сигнальное решение развернули почти половина опрошенных операторов — 45%. Но эти системы не предназначены для контроля коммерческой стороны A2P-трафика — тарификации и маршрутизации сообщений.

Когда эти системы живут по отдельности, у оператора появляются типичные проблемы:

• решения о блокировке принимаются с задержкой, а часть «серого» трафика успевает пройти незамеченной;
• возникают слепые зоны при агрегации трафика, где ни одна система не отвечает за полную картину;
• растет совокупная стоимость владения (TCO) — приходится поддерживать и интегрировать несколько систем;
• нет прямого влияния на тарификацию и маршрутизацию — защита и монетизация оказываются в разных контурах.

Именно на стыке этих задач работает SMS firewall.

Как SMS firewall комплексно защищает сеть и выручку

Ключевое отличие SMS firewall от набора разрозненных инструментов в том, что защита и монетизация перестают быть отдельными задачами.

Это дает оператору несколько возможностей в одном решении:

• выявлять и блокировать «серые» маршруты и SIM-банки, чтобы увеличивать выручку от A2P-сообщений;
• контролировать SMS-кампании в реальном времени и блокировать неавторизованный трафик, не затрагивая легитимных пользователей;
• автоматически формировать и поддерживать «черные» и «белые» списки заблокированных и разрешенных отправителей;
• настраивать коммерческие условия терминации напрямую — связывать решение о доставке с тарификацией и маршрутизацией.

Как подобрать SMS firewall под свою инфраструктуру

SMS firewall оценивают по конкретным возможностям: насколько полно решение обрабатывает трафик, какие схемы фрода выявляет, как управляет тарификацией и какую поддержку дает вендор. Удобное, гибкое и надежное решение складывается из вполне измеримых характеристик, и их стоит проверять заранее.

Требования операторов и SMS-агрегаторов при этом частично расходятся. Оператор отвечает за сеть и терминацию, ему важны интеграция с сигнальным и биллинговым контуром, управление терминацией. Агрегатор работает как посредник между отправителями и операторами, и для него на первый план выходят прозрачность трафика, отчетность и управление маршрутами доставки.

Чтобы оценить решение, можно разложить требования на четыре группы: базовые возможности, защита от атак, монетизация A2P-трафика и уровень поддержки вендора.

Чем больше пунктов закрывает решение, тем выше шанс, что оно справится не только с защитой сети, но и с возвратом выручки от A2P-сообщений. Именно эти возможности — обработка всего трафика, детекция в реальном времени, ML-ядро и прозрачная монетизация — мы закладывали в основу EW SMS Firewall.

Что дает внедрение SMS firewall от Eastwind

EW SMS Firewall обеспечивает монетизацию международного A2P-трафика и защищает телеком-сети от спама и фрода. Благодаря этой системе оператор или агрегатор получает три результата:

• больше прозрачности — видно, какой трафик проходит по сети и какая его часть идет мимо тарификации;
• выше безопасность — спам, мошеннические рассылки и атаки на сеть блокируются в момент доставки;
• больше выручки — «серые» маршруты перекрываются, и A2P-трафик тарифицируется по установленным условиям.

Насколько значим последний пункт, показывает оценка Mobilesquared: там, где SMS firewall не установлен, не менее 80% трафика проходит по «серым» маршрутам. Перекрытие этих маршрутов и есть та выручка, которую возвращает оператор.

Главный сдвиг, который приносит SMS firewall, состоит в том, что защита сети из статьи расходов превращается в статью доходов. Когда защита и монетизация трафика управляются из единого контура, борьба с фродом начинает работать на выручку: тот же механизм, что отсекает «серый» трафик, обеспечивает корректную тарификацию A2P.

EW SMS Firewall объединяет эти два контура: обработка всего трафика, детекция в реальном времени и ML-ядро закрывают задачу безопасности, а прозрачная тарификация и контроль терминации возвращают доход.

До старта проекта мобильный оператор Kcell уже использовал инфраструктуру для анализа больших данных и профиль абонента, ранее разработанный Eastwind. Чтобы еще больше увеличить конверсию офферов в маркетинговых кампаниях, мы разработали модели машинного обучения и интегрировали их с кампейн-менеджером EW AdTarget.

Задача: увеличить конверсию маркетинговых кампаний

На момент запуска проекта в Kcell уже использовали большие данные для управления клиентской ценностью (Customer Value Management):

• данные агрегировались в Hadoop-кластере;
• использовался профиль абонента, разработанный Eastwind;
• функционировала внутренняя дата-команда.

При запуске кампаний в EW AdTarget специалисты ориентировались на профиль абонента, но логику выборки они настраивали вручную через бизнес-правила. Из-за этого точность таргетинга и конверсия были ниже, чем хотел оператор. Чтобы получать больше эффекта от больших данных, заказчик поставил такие задачи:

• Увеличить выручку от кампаний за счет более релевантных офферов для абонентов.
• Повысить лояльность абонентов благодаря выбору оптимального времени и канала коммуникации с клиентами.
• Сократить отток, своевременно отправляя релевантные предложения клиентам с высоким риском ухода.
• Увеличить выручку от продажи устройств, отправляя релевантные офферы абонентам с устаревшими моделями телефонов.

Для реализации нового проекта внутренних ресурсов оператора не хватало. Заказчик посчитал экономически эффективным привлечь специалистов Eastwind и не расширять штат своих сотрудников. Нашей задачей было разработать предиктивные ML-модели и интегрировать результаты с кампейн-менеджером EW AdTarget.

Для заказчика было важно как можно скорее запустить модели в прод. Мы приступили к проекту в октябре 2025, а через два месяца уже внедрили AutoML — технологию для автоматического обучения ML-моделей. Она позволяет сразу использовать их в работе, постепенно настраивая параметры в зависимости от результатов.

Решение: разработать и внедрить в CVM-контур 5 ML-моделей

На начало проекта дата-инфраструктура и единый профиль абонента у Kcell уже были интегрированы в CVM-систему, и бизнес-пользователи могли бесшовно использовать их возможности в кампейн-менеджере EW AdTarget. Благодаря этому проект шел быстрее. Мы сфокусировались на создании витрины признаков, автоматическом переобучении моделей и их последующей интеграции. Аппаратное обеспечение тоже было установлено ранее, что дополнительно сэкономило время на реализацию.

На всех этапах разработки мы логировали и контролировали метрики, чтобы при необходимости можно было сравнить параметры или масштабировать ML-модели.

Kcell уже работал с профилями абонентов, но мы дополнительно провели аудит существующих витрин. Структура данных за время эксплуатации изменилась, а для корректного обучения моделей критична согласованность расчетов.

Мы разработали единую витрину признаков для всех ML-моделей. В нее вошли:

• тарифы и услуги;
• использование трафика (голос, интернет, сообщения);
• финансовая информация и история платежей;
• данные о девайсах и смене устройств;
• атрибуты активности;
• логи посещения сайтов.

Витрина формируется автоматически по расписанию и проходит встроенные проверки, чтобы обеспечить достоверность и точность прогнозов. Для обучения конкретных моделей мы предусмотрели фильтры, чтобы исключить ошибки и обеспечить стабильность результатов.

Чтобы модели оставались актуальными при изменении поведения абонентов, мы внедрили AutoML-контур. Переобучение запускается:

• по расписанию;
• при накоплении достаточного объема новых данных;
• при снижении метрик качества ниже порога, предусмотренного в настройках.

Благодаря AutoML модели автоматически адаптируются к изменениям в поведении абонентов. Это экономит ресурсы команды оператора и позволяет быстрее реагировать на изменения.

Мы разработали пять ML-моделей и интегрировали их в кампейн-менеджер EW AdTarget. Результаты анализа автоматически выгружаются в профиль абонента и используются как рекомендации. Бизнес-правила остаются на стороне команды маркетинга Kcell.

Churn prediction

Модель предсказывает отток абонентов по критерию неактивности в трех горизонтах: 30 дней, 7 дней, 1 день.

Бизнес-задача модели — снизить отток абонентов благодаря раннему выявлению клиентов с высоким риском ухода и точечному воздействию на них. Это поможет сохранить выручку и укрепить лояльность клиентов.

Критерий неактивности — отсутствие платных событий за 31 день:

• нет пополнений баланса;
• нет исходящей активности;
• нет генерации трафика;
• нет списаний в рамках тарифа.

Next Best Offer

В этом проекте ML-модель выбирает один тариф из списка, заранее заданного заказчиком. Рекомендация для абонента строится с учетом четырех параметров: ARPU, объема потребляемого трафика, скидок, вероятности подключения.

Бизнес-задача модели — увеличить доход мобильного оператора благодаря продвижению более дорогих тарифов тем, кто активно пользуется услугами. Это поможет заказчику увеличить выручку и удерживать клиентов через расширение потребления.

Для более точного продвижения команда Eastwind разделила модели на две категории и внутри каждой разработала модели для отдельных тарифов:

• несемейные — 11 моделей,
• семейные — 7 моделей.

При разработке NBO-моделей мы обнаружили, что одни и те же услуги были по-разному представлены в разных системах заказчика. Из-за этого модель могла давать неточные рекомендации.

Мы унифицировали представление тарифов и изменили логику сопоставления справочников, чтобы рекомендации стали корректными и пригодными для CVM-кампаний.

Device Change

Модель предсказывает вероятность, с которой абонент купит новое устройство в двух горизонтах: 30 дней и 90 дней.

Бизнес-задача модели — увеличить продажи устройств с помощью выявления пользователей, склонных к их замене. Это поможет повысить конверсию офферов в продажу девайсов и сервисов.

Чтобы сузить целевую аудиторию, мы исключили из выборки устройства, которые не являются телефонами: планшеты, умные часы, модемы и т. д. В качестве критерия использовали дату, когда устройство впервые появилось сети. Дата определяется на основе идентификатора IMEI.

В анализ мы отобрали три категории абонентов:

• с активностью в течение последних 30 дней;
• подключенных к сети больше 90 дней назад;
• не менявших устройство последние полгода.

Next Best Channel

ML-модель выбирает наиболее удачный пуш-канал для коммуникации с абонентом.

Бизнес-задача модели — увеличить количество положительных откликов на взаимодействие, чтобы повысить конверсию офферов.

Мы анализировали ответы абонентов по каналам коммуникации из кампейн-менеджера EW AdTarget:

• SMS — с разделением логики для разного рода кампаний,
• DSTK (Dynamic SIM Toolkit),
• голосовой робот,
• пуш в мобильное приложение.

Next Best Time

Модель определяет наиболее удачный промежуток времени для коммуникации с абонентом.

Бизнес-задача модели — увеличить количество положительных откликов от абонентов и улучшить их пользовательский опыт.

Для анализа мы отобрали только тех абонентов, с которыми была коммуникация за последние 30 дней и ответ по которой зафиксирован в EW AdTarget. Для почасового прогноза оказалось недостаточно входных данных, поэтому мы выбрали три промежутка времени:

утро: 9-11 ч • день: 12-17 ч • вечер: 18-20 ч

Затем мы проанализировали поведение абонентов в разные дни недели, выявили схожие и отличительные черты. В итоге интервалы для коммуникаций остались примерно одинаковыми по длительности, но внутри каждого мы задали разные настройки.

Рабочие дни:

• пн-пт: 9-12 ч
• пн-пт: 12-18 ч
• пн-чт: 18-21 ч
• пт: 18-21 ч

Выходные дни:

• утро: 9-12 ч
• день: 12-18 ч
• сб-вс: 18-21 ч

Тесты заказчик проводил на первоначальных значениях.

При выборе временных интервалов мы также учли регуляторные ограничения, по которым коммуникации с абонентами разрешены только с 9:00 до 21:00.

Результат: 5 ML-моделей в проде за месяц и прирост к выручке до 7,3%

Первым этапом клиенту было важно разработать ML-модели и запустить их в эксплуатацию, чтобы оценить первоначальную эффективность. Вторым этапом — провести тюнинг моделей с учетом результатов A/B-тестирования.

На первом этапе команда Eastwind за месяц:

• собрала витрину признаков;
• рассчитала параметры ML-моделей;
• обучила модели;
• запустила модели в работу в режиме AutoML.

После этого мобильный оператор провел первые кампании с использованием ML-моделей и оценил результаты их работы.

Тесты проводили на однородных группах абонентов:

• группа сформирована по рекомендациям ML-модели;
• группа собрана по бизнес-правилам специалиста.

При тестировании модели Churn Prediction одной группе отправляли оффер по рекомендациям модели, второй — ничего. А для оценки Device Change для сравнения взяли ML-модель, используемую клиентом ранее.

На втором этапе мы добавили в список каналов двух голосовых роботов для коммуникации с абонентами, в том числе, «умного». Он может строить диалог, подбирать стиль и голос для общения с абонентом. Мы обновили витрину признаков по результатам первых тестов и усовершенствовали гиперпараметры ML-моделей.

Kcell получил не просто набор моделей, а масштабируемую ML-инфраструктуру, интегрированную с действующей CVM-системой. Модели постоянно проходят контроль качества и переобучаются для повышения точности прогнозов.

В ситуации, когда CVM-система работает, но продажи не растут, а отток увеличивается, телеком-операторы пытаются менять офферы, сегменты, каналы. Часто это не приносит ожидаемый результат, потому что проблема лежит в самой платформе. Возможно, она устарела и не позволяет управлять коммуникациями на уровне клиента, как того требует время. Актуальное CVM-решение — это уже не про кампании, а про управление клиентской ценностью в реальном времени.

Из этой статьи вы узнаете, как понять, что ваша текущая платформа ограничивает развитие CVM-направления, и что с этим делать.

Почему мобильным операторам нужно меняться

По данным McKinsey, эффективность телеком-компаний в течение последних двадцати лет была значительно ниже по сравнению с другими отраслями. Темп роста общей доходности для акционеров (Total Shareholder Return, TSR) держался на уровне 29% против 235% в среднем для всех других секторов экономики. Но сейчас ситуация меняется, и показатели в телеком-отрасли начали расти — с 2024 года TSR вырос на 28%. Во многом это происходит благодаря изменению подхода к ведению бизнеса и внедрению новых технологий.

McKinsey выделяет четыре стратегические инициативы, которые могут заложить основу для успешного будущего телеком-операторов:

• автоматизация процессов с помощью искусственного интеллекта и устранение разрозненности данных;
• диверсификация офферов за счет недорогих дополнительных продуктов и гиперперсонализации;
• модернизация устаревших систем и технологий;
• сокращение и консолидация активов.

Мобильные операторы, которые примут меры в этих четырех направлениях, наверняка смогут улучшить свои финансовые показатели. Если не адаптироваться, придется столкнуться с еще более высокой конкуренцией.

Эти изменения напрямую влияют на подход к работе с абонентами — и первостепенную роль начинает играть управление ценностью клиентов (Customer Value Management). Успех CVM во многом зависит от уровня автоматизации, который определяется зрелостью IT-платформы. Современные CVM-решения становятся точкой, где сходятся данные, AI и взаимодействие с клиентом. Большинство операторов уже движутся в сторону трансформации, но иногда упираются в ограничения текущей инфраструктуры, которые проявляются в нескольких аспектах.

Как понять, что CVM-система не справляется

Первые сигналы неэффективности текущего решения обычно лежат на уровне метрик, когда падает конверсия кампаний, снижается инкрементальная выручка или растет отток клиентов.

Но сами по себе метрики — это только симптомы. Причина лежит глубже:

• в команде: когда не хватает специалистов или экспертизы;
• в процессах: когда CVM-команды не тестируют новые механики и сценарии;
• в стратегии: когда руководство не поддерживает направление CVM или нет общего видения, как оно должно развиваться;
• в технологиях: когда CVM-решение не закрывает актуальные задачи бизнеса.

Здесь мы подробнее разберем последний аспект.

Данные о клиентах — ключевой источник увеличения прибыли для телеком-операторов. Но когда информация хранится в разных системах (CRM, биллинге, DWH) и нет единого озера данных, специалистам приходится вручную собирать профиль абонента.

В результате:

• данные могут быть противоречивыми;
• профиль клиента быстро устаревает;
• кампании запускаются с задержкой;
• конверсия ниже ожидаемой.

Современные CVM-решения интегрируются с источниками данных и строят коммуникации исходя из профиля клиента 360°. Он учитывает интересы, социальный статус, связи и другие уникальные характеристики абонента. Автоматизация позволяет актуализировать профиль в моменте, чтобы обеспечивать максимальную релевантность оффера.

Когда кампании запускаются по расписанию, а не по событиям, реакция на изменения в поведении клиента происходит с задержкой, потому что офферы:

• формируются заранее;
• не учитывают текущий контекст;
• не актуализируются в момент взаимодействия.

Современные CVM-решения позволяют строить коммуникации в реальном времени, где решение принимается в момент события, а не заранее. Это помогает увеличить конверсию и эффективность кампаний.

Когда SMS, USSD, пуши и цифровые каналы функционируют разрозненно, коммуникации могут дублироваться, конфликтовать и, тем самым, ухудшать клиентский опыт. Без центра оркестрации компания не может управлять взаимодействием с клиентом как единым процессом. Из-за этого снижается персонализация и ARPU.

Современные CVM-решения позволяют синхронизировать контакты с клиентами через разные каналы коммуникации: SMS, USSD, IVR, пуш, сайт, мобильное приложение и другие. Это обеспечивает консистентность клиентского опыта. А благодаря контактным политикам и персонализации офферов растет конверсия кампаний.

Машинное обучение помогает автоматизировать процессы и повысить персонализацию офферов. Но когда ML-модели не актуализируются, их предсказания теряют точность.

Это происходит, если модели не учитывают новые данные о продуктах, клиентах и дообучаются вручную. Из-за этого цикл обновления моделей замедляется, и офферы устаревают быстрее, чем меняется поведение клиентов.

Современные CVM-решения строятся вокруг самообучающихся моделей, которые автоматически оптимизируются на основе результатов кампаний, учитывают изменения в продуктах и в поведении клиентов.

Даже при наличии аналитических данных и ML-моделей CVM-команды часто тратят много времени на рутинные задачи: анализ аудитории, подбор сегментов, подготовку сценариев, генерацию текстов и оценку результатов кампаний. Из-за этого разработка кампаний увеличивается, а гибкость снижается. Если контекст меняется уже после запуска, флоу приходится перестраивать вручную.

Современные CVM-решения снижают нагрузку на CVM-команду благодаря AI-агентам. Они берут на себя часть повторяющихся задач по сегментации, генерации контента, построению флоу, взаимодействуют с ML-моделями и другими компонентами системы. В результате повышается скорость работы и точность маркетинга, а затраты сокращаются.

Когда отчеты формируются вручную, телеком-операторы не могут:

• отслеживать эффективность кампании в реальном времени,
• быстро корректировать сценарии,
• видеть полный вклад CVM в бизнес-метрики.

В результате маркетинг работает вслепую и не может оперативно влиять на результат. Корректировки вносятся только по итогам отчетного периода, когда момент уже упущен.

Современные CVM-решения позволяют в реальном времени следить за результатами кампаний и вносить изменения на лету. При этом процессы полностью автоматизированы, и собирать данные вручную не нужно.

Как выглядит современная CVM-система

Сегодня CVM — это платформа, которая управляет ценностью клиента на протяжении всего жизненного цикла. Благодаря этому современные CVM-системы позволяют:

• увеличить выручку на 5–8%;
• увеличить допродажи до 50%;
• снизить отток до 30%.

С автоматизацией маркетинга CVM-команда фокусируется на стратегии и гипотезах, а не на операционных действиях. Это сокращает время на запуск кампаний, позволяет быстрее адаптироваться к изменениям, чаще экспериментировать и находить эффективные решения, опираясь на аналитику.

Как решить проблему устаревшего CVM-решения

Если возможности текущего решения не отвечают требованиям рынка, можно пойти по одному из двух путей:

1. Обновить текущее решение, если:

• ваша платформа интегрируется с современными инструментами;
• роадмап вендора совпадает с вашей стратегией;
• стоимость модернизации оправдана.

2. Заменить платформу, если она:

• не интегрируется с инструментами машинного обучения и платформами для работы в реальном времени;
• не позволяет подключить цифровые каналы коммуникации: сайт, мобильное приложение, соцсети;
• не в полной мере автоматизирует процессы, оставляя много ручного труда.

Решение Eastwind Marketing Platform (EW MP) поможет вам трансформировать подход к управлению клиентской ценностью без остановки бизнес-процессов. Вы получите единый центр управления коммуникациями с возможностью «на лету» отслеживать метрики и вносить изменения. А интеграция кампейн-менеджера с ML-моделями позволит ускорить процессы, добиться гиперперсонализации и повысить точность целевого маркетинга.

Мы завершили внедрение кампейн-менеджера EW AdTarget и платформы EW Navigator для омниканального взаимодействия с абонентами у мобильного оператора из Кыргызстана. Дополнительно команда Eastwind разработала для заказчика модели Next Best Offer, чтобы помочь оператору увеличить продажи и сократить отток.

Зачем мобильному оператору модели Next Best Offer

Мы развернули базовый функционал EW AdTarget и перенесли кампании со старого кампейн-менеджера на новый к концу 2024 года. Оператор сразу начал запускать маркетинговые активности, а мы продолжили работу над дополнительными возможностями. Оператор решил не только автоматизировать маркетинг, но также усилить эффективность CVM с помощью больших данных, чтобы:

• обеспечить более стабильное поступление доходов,
• увеличить выручку от кампаний,
• повысить лояльность абонентов,
• сократить отток.

Для решения этих задач мы разработали модели Next Best Offer — алгоритмы, которые анализируют поведение абонентов и подбирают наиболее релевантный оффер в реальном времени.

Модели NBO помогают мобильному оператору:

• переводить пакетных абонентов на релевантные тарифы с ежемесячной оплатой;
• напоминать клиентам о включенных в их тариф услугах и опциях и давать рекомендации по подключению;
• увеличивать конверсию cross-sell и up-sell;
• предлагать клиентам с риском оттока персональные тарифы из закрытой линейки.

Какие работы выполнили во время проекта

Для работы с большими данными и точных предсказаний оператору нужна инфраструктура. Команда Eastwind разработала ее с нуля:

• выстроили процесс ежедневной загрузки, очистки и валидации данных, агрегированных оператором: звонки, SMS, потребление трафика, списания, интересы абонентов;
• сформировали витрины из более чем 200 признаков, настроили их отбор и ранжирование;
• обучили и ввели в эксплуатацию 33 NBO-модели для сегментов B2C и B2B;
• настроили ежедневный пересчет признаков и обновление прогнозов — результаты автоматически загружаются в EW AdTarget для запуска кампаний.

Система ежедневно собирает и обрабатывает данные, обновляет витрины и определяет лучшее предложение для абонента. Для пользователей со склонностью к оттоку действует специальная модель, подбирающая тарифы из закрытой линейки для удержания.

Что дает интеграция моделей NBO с EW AdTarget

Результаты расчетов NBO автоматически поступают в EW AdTarget, что позволяет CVM-команде оператора запускать персональные кампании без ручной настройки.

Преимущества для телеком-оператора:

• автоматизация маркетинга: при обновлении данных о клиенте или продукте модели автоматически переобучаются в потоковом режиме — без ручного вмешательства;
• рост конверсии благодаря более точному подбору офферов;
• повышение удовлетворенности пользователей благодаря рекомендациям и напоминаниям о включенных опциях.

Всего специалисты Eastwind создали и обучили 33 ML-модели, для каждой из которых было отобрано по 30-50 максимально показательных признаков.

Сколько времени занял проект

От первых обсуждений до передачи готовых моделей прошло около 1 года и 4 месяцев — сюда вошли закупка оборудования, настройка процессов и подготовка данных. Завершающим этапом стало обучение команды мобильного оператора

С решениями Eastwind мобильный оператор сможет перейти от массовых рассылок к персонализированным омниканальным коммуникациям. Такой подход поможет увеличить ARPU, повысить лояльность абонентов и сохранить абонентскую базу.

Digital Myanmar Forum & Exhibition прошел под лозунгом «Цифровая Мьянма: формирование цифрового будущего в эпоху AI». Цель мероприятия — ускорить цифровую трансформацию сектора государственных услуг, расширить возможности бизнеса, создать новые рабочие места и построить инновационную технологическую экосистему в стране.

В деловой программе и экспозиции участвовали министерства, местные и зарубежные технологические компании. Всего было около 50 стендов. На открытии форума присутствовал глава государства.

Учитывая фокус на решениях национального уровня, Eastwind представила продукты, которые могут быть востребованы в проектах такого масштаба:

• EW CEIR — систему контроля за оборотом мобильных устройств в стране;
• EW SMS Firewall и EW Voice Firewall — решения для защиты текстовых и голосовых каналов мобильных операторов от спама и фрода;
• EW Polyphone — национальный мессенджер с функциями, необходимыми для обеспечения messaging sovereignty.

Команда Eastwind пообщалась с представителями операторов связи, интеграторами и другими участниками локального IT-рынка. Это помогло нам лучше понять текущие задачи отрасли и приоритетные направления развития.

Форум в Пьин-У-Лвин стал для Eastwind возможностью представить свои решения в контексте цифровой трансформации Мьянмы и укрепить профессиональные связи на локальном рынке. Для компании это часть системной работы в регионе с учетом местной специфики и задач заказчиков.

В ноябре 2025-го команда Eastwind выступила на отраслевой конференции Zain Risk Forum и провела ежегодную рабочую сессию с оператором Zain Kuwait, у которого внедрено решение EW SMS Firewall. Мы поделились с операторами группы Zain накопленной экспертизой по применению AI & ML для защиты трафика, обсудили новые направления развития и получили обратную связь по текущим проектам.

Команда Eastwind на Zain Risk Forum

В этом году Zain Risk Forum состоялся в шестой раз. Конференция прошла в Бахрейне. Традиционно она объединяет мобильных операторов группы Zain и вендоров, которые поставляют для них решения и готовы поделится опытом в области информационной безопасности: от управления рисками до защиты данных.

На форуме команда Eastwind рассказала, как EW SMS Firewall помогает операторам защищать абонентов от фрода и снижать финансовые потери. Мы показали участникам практические кейсы Zain Kuwait:

• как EW SMS Firewall блокирует спам и фрод с помощью эвристического анализа и URL-сканера.
• как AI-модуль усиливает защиту от фрода благодаря более глубокому и оперативному анализу трафика.

После выступления мы предложили участникам проверить AI-модуль в действии: протестировать его на историческом SMS-трафике и посмотреть аналитику по результатам анализа. Предложение заинтересовало участников.

Итоги года с Zain Kuwait: успешный пилот AI-модуля, анализ голосового трафика и запуск URL-сканера

После конференции команда Eastwind отправилась в Кувейт, чтобы провести ежегодную сессию с мобильным оператором Zain Kuwait. Это была уже третья встреча с представителями заказчика. Мы подвели итоги года, обсудили действующие решения и представили план развития EW SMS Firewall.

С Zain Kuwait мы сотрудничаем в формате managed services: команда Eastwind полностью сопровождает работу антифрод-решения — от настройки правил до анализа трафика. На встрече мы представили результаты работы за год по четырем направлениям.

Managed services

Мы рассказали, каких угроз удалось избежать благодаря EW SMS Firewall и что для этого сделал наш customer success manager:

• показали статистику обнаруженных мошеннических сценариев;
• разобрали правила реагирования на фрод, которые настроили за год;
• представили аналитику трафика и действия, выполненные на ее основе.

Также мы провели несколько встреч с руководителями подразделений клиента, заинтересованными в статистике и аналитике трафика. По итогам договорились настроить кастомизированные панели дашбордов и провести обучающую сессию по работе с данными.

AI Anti-Fraud

Ранее мы успешно провели пилот AI-модуля EW SMS Firewall в Zain Kuwait. На встрече мы продемонстрировали его возможности на специальном стенде с использованием исторического трафика оператора. Сейчас ведется работа по внедрению модуля в продуктивную среду.

URL-сканер

В прошлом году оператор начал коммерческую эксплуатацию URL-сканера EW SMS Firewall — модуля для блокировки SMS с фишинговыми ссылками. На встрече мы подвели итоги его работы и наметили действия по обновлению алгоритмов и расширению возможностей модуля.

В 2025 году мы столкнулись с масштабными спам-атаками на жителей Кувейта. Злоумышленники применяли изощренные схемы для обмана пользователей:

• ссылки с упоминаниями о национальной валюте;
• маскировку своих доменов под кувейтский национальный домен для повышения доверия к сообщениям;
• передовые методы обхода стандартных проверок URL. Например, они использовали сервис Cloudflare для блокировки автоматического сканирования и устраняли возможность блокировки через IP-адреса известных поставщиков безопасности, что значительно затрудняло защиту от спама.

Аналитика голосового трафика

У оператора Zain Kuwait уже установлено решение для контроля за голосовым трафиком от другого вендора, однако клиент сталкивается со сложностями в эксплуатации системы. Чтобы упростить работу и повысить ее эффективность, мы провели анализ голосового трафика на базе модуля Voice Firewall от Eastwind.

В ходе тестирования нам удалось выявить признаки флеш-коллов, которые не фиксируются действующим решением оператора. На основе этих результатов мы помогли настроить правила так, чтобы антифрод-система не пропускала подозрительные вызовы, и договорились продолжить сотрудничество в этом направлении.

Планы на 2026 год: усиление URL-сканера, автоматизации и новая аналитика

В конце встречи мы обсудили направления развития EW SMS Firewall на следующий год. Основные приоритеты:

• расширение функционала URL-сканера по принципам zero trust;
• разработка новых аналитических дашбордов;
• внедрение Agentic AI: переход к режиму, когда комплекс ML-моделей (Multi-Agent System) самостоятельно анализирует SMS-трафик в различных разрезах, формирует правила фильтрации и применяет их в EW SMS Firewall без участия специалистов managed services.

Поездка на Ближний Восток позволила убедиться в эффективности наших решений и лучше понять потребности мобильных операторов в целом и нашего заказчика в частности. Полученная обратная связь поможет нам развивать EW SMS Firewall и усиливать экспертизу по защите трафика.

В конце 2025 года команда Eastwind посетила Ташкент, чтобы провести обучение для CVM-команд мобильных операторов. Мы показали, как работать с последними обновлениями кампейн-менеджера и повышать эффективность рассылок.

В обучении приняли участие девять специалистов: сотрудники, которые непосредственно запускают кампании, и руководители, отвечающие за маркетинговые коммуникации. Команда Ucell присутствовала очно, а представители МегаФон Таджикистан подключались онлайн.

Перед началом обучения мы узнали, какие темы интересуют участников, и адаптировали программу под их задачи. Тренинг длился шесть дней. За это время команды изучили несколько тем.

Сегментация целевой аудитории:

• как подключать внешние источники данных о клиентах;
• как строить сегменты на основе различных критериев — социального графа, истории участия в кампаниях и других.

Инструменты для создания кампаний:

• как использовать шаблоны контента и офферов для ускорения работы;
• как строить флоу кампании;
• как согласовывать проект кампании со стейкхолдерами.

Запуск тестовых кампаний:

• через разные каналы: SMS, USSD, пуш;
• с проверкой в реальном времени и без нее;
• с динамическими атрибутами;
• для А/В-тестирования.

Работа с отчетами:

• как анализировать данные по разными показателям — по событиям, бизнес-транзакциям, атрибутам и KPI;
• как использовать детальный отчет по кампании.

Чтобы закрепить материал, вместе с участниками тренинга мы пошагово создали B2C-кампании для продуктов операторов.

Обучение получилось интенсивным: каждый день участники получали большой объем новой информации. Чтобы закреплять знания, каждый день начинался с ответов на вопросы по теме предыдущего дня.

Поддержка заказчиков — важная часть работы Eastwind. Мы помогаем клиентам эффективнее использовать наши решения, чтобы достигать целей бизнеса.

Мы усилили антифрод-систему искусственным интеллектом, чтобы оперативно выявлять и блокировать SMS-фрод. Также добавили интеграцию с брокером сообщений и автоматическое удаление номеров из черных списков.

AI-модуль: оперативное выявление сложных схем фрода

Раньше специалисты managed services вручную анализировали SMS-трафик, чтобы отслеживать подозрительную активность, выявлять новые источники фрода и обновлять правила фильтрации.

У такого подхода было два недостатка:

• Низкая скорость. Чтобы обработать массив данных, специалисты тратили много времени, а значит, был риск пропустить угрозу;
• Ограниченная выборка. Анализ охватывал не весь объем сообщений, что снижало качество выводов.

Мы автоматизировали анализ всего SMS-трафика с помощью AI-модуля, чтобы выявлять сложные схемы фрода и спама, которые невозможно обнаружить вручную. Это стало возможным благодаря тому, что AI-модуль проверяет конкретные сообщения и поведенческие паттерны отправителя: частоту рассылки SMS, направления и содержание.

Архитектура AI-модуля строится на базе модели NLP (Natural Language Processing), которая анализирует не только содержание, но и контекст сообщения. Это позволяет:

• выявлять даже замаскированные OTP-коды;
• маркировать фрод в потоке трафика;
• предсказывать новые виды фрода, постоянно повышая точность прогнозов и предотвращая потери дохода.

AI-модуль устанавливается в дополнение к EW SMS Firewall и может функционировать в двух режимах:

• онлайн, когда трафик анализируется «на лету»;
• офлайн, когда антифрод-система анализирует SMS-трафик за выбранный период и с заданной периодичностью формирует отчет. Он содержит список подозрительных номеров с текстами сообщений.

Интеграция с Apache Kafka: SRI-запросы и высокая скорость обработки SMS

Обычно для доставки международных A2P-SMS телеком-операторы используют сигнальный протокол SS7 или прямой стык с агрегатором по протоколу SMPP. Изначально архитектура EW SMS была спроектирована именно под особенности этих систем. Однако у двух наших клиентов, мобильных операторов из Мозамбика и Бурунди, система обмена сообщениями построена на Apache Kafka.

Чтобы интегрировать EW SMS Firewall с брокером сообщений, мы реализовали следующие доработки:

• добавили в EW SMS Firewall сервис очередей Apache Kafka для обработки сообщений;
• спроектировали и запрограммировали прокси-узел для приема-передачи запросов и ответов между мобильным оператором и ядром EW SMS Firewall;
• изменили логику обработки SMS — часть проверок перевели из внешних систем в ядро, чтобы обрабатывать сообщения быстрее;
• внедрили SRI-запросы (Send Routing Information) — механизм, позволяющий заранее получать маршрутную информацию о получателе и контролировать цикл доставки сообщений;
• доработали веб-интерфейс.

Черный список: автоматическое удаление номера

После добавления номера в черный список EW SMS Firewall, недобросовестный владелец перестает им пользоваться. Из-за этого через 90 дней мобильный оператор расторгает договор и номер выставляют на продажу другим абонентам. Если при этом номер останется в черном списке EW SMS Firewall, новые клиенты не смогут пользоваться связью.

Теперь при добавлении номеров в черный список специалист managed services может установить дату, после которой номера будут автоматически удаляться из этого списка. Также он может поставить номера на контроль и получать уведомления, когда установленный период закончится. Благодаря этому новые добросовестные абоненты могут пользоваться связью без блокировок.

Дашборд для статистического отчета: фильтры для быстрой настройки

В EW SMS Firewall можно смотреть статистику по всем сообщениям, которые прошли через сеть клиента за период. Ранее для выгрузки данных нужно было настраивать представление в редакторе дашборда. Для этого пользователь должен был знать структуру базы данных, таблиц и их содержимого. Для клиентов это было неудобно, поскольку они не погружаются в систему так глубоко.

Чтобы облегчить формирование отчетов, мы интегрировали EW SMS Firewall с системой визуализации данных Metabase OpenSource. Она позволяет конструировать отчеты, дашборды и уведомления в удобном для пользователей виде.

Благодаря интеграции мы улучшили дашборд для статистического анализа SMS-трафика — добавили в него фильтры. С их помощью клиенты могут привычным способом настраивать представление дашборда и отчетов по нужным критериям.

Другие улучшения EW SMS Firewall

Специалисты managed services постоянно совершенствуют правила блокировки фрода, чтобы быстрее и точнее его выявлять. В числе новых функций — автоматическая блокировка сообщений от международных отправителей, содержащих в тексте название бренда. Клиент может посмотреть отчет по количеству таких SMS и их содержимому.

Кроме описанных улучшений, в систему внедрили и другие мелкие доработки, повышающие удобство и эффективность работы.