<h3>Правила участия</h3>

Нажимая кнопку &laquo;Участвовать&raquo; и/или &laquo;Отправить решение&raquo;, вы соглашаетесь с <a href="https://storage.yandexcloud.net/ds-ods/files/data/docs/competitions/DataFusion2026/Rules_Data_Fusion_Contest_2026.pdf" rel="noopener noreferrer" target="_blank">Правилами участия в соревновании Data Fusion Contest 2026</a>.

<h3>Постановка задачи</h3>Клиенты банка владеют разными банковскими продуктами — различными видами счетов, карт и услуг. Одним из запросов бизнеса является желание ранжировать эти продукты по вероятности их открытия клиентами.В данной задаче продуктов “на полке” 41 штука. В отличие от классических задач рекомендаций, бизнес интересуют вероятности открытия каждого из продуктов. Умея хорошо предсказывать эти вероятности, бизнес имел бы возможность гибко настраивать рекомендации.В этом соревновании участникам предстоит работать с полностью анонимными и обфусцированными данными 1,000,0000 клиентов:<ul><li>Описания банковских продуктов не передаются. Также не передаются и описания признаков. Для признаков передается только информация об их исходном типе (категорийные признаки <code>cat_feature_i</code> и числовые признаки <code>num_feature_j</code>).&nbsp;</li><li>Признаков достаточно много: основной набор в 200 признаков, а также дополнительный набор с более 2,000 признаками.</li><li>В признаках много пропущенных значений, а также присутствуют выбросы.</li><li>750,000 клиентов имеют разметку и составляют тренировочные данные. Оставшиеся 250,000 клиентов составляют тестовые данные.</li></ul>Подробнее про структуру данных можно узнать на странице “<a target="_blank" rel="noopener noreferrer" href="https://ods.ai/competitions/data-fusion2026-cybershelf/dataset">Данные</a>”.<h3>Формат решений</h3>Это соревнование с разметкой предоставленного вам .parquet файла. Вам необходимо создать алгоритм, способный по предоставленным в рамках соревнования данным, создать новый .parquet файл с 42 столбцами:<pre><code class="language-python">customer_id, predict_1_1, predict_1_2, ... , predict_10_1
1750000, -4.921889, -5.700829, ... , -0.954659
1750001, -4.963202, -6.826517, ... , -0.622011
...
1999999, -4.249957, -4.785856, ... , -0.931220</code></pre><ul><li><code>customer_id</code> – идентификатор клиента;</li><li><code>predict_i</code> – предсказание вашего алгоритма для класса <code>target_i</code>. Например <code>predict_1_1</code> для <code>target_1_1</code> и т.д.&nbsp;</li></ul>Предсказания необходимо построить для всех 250,000 клиентов в тестовых данных.&nbsp;Пример&nbsp;sample_submit.parquet&nbsp;доступен на странице “<a target="_blank" rel="noopener noreferrer" href="https://ods.ai/competitions/data-fusion2026-cybershelf/dataset">Данные</a>”.<h3>Проверка решений</h3>Решения проверяются автоматически путем сопоставления с известными истинными историческими значениями суммарных переводов клиентов банка со своих счетов. Истинные исторические значения в тестовых данных доступны только организаторам.Метрика соревнования — Macro Averaged ROC-AUC. Для multi-label это эквивалентно простому усреднению ROC-AUC по каждому классу.&nbsp;Для расчета метрики используется <a target="_blank" rel="noopener noreferrer" href="https://scikit-learn.org/stable/modules/generated/sklearn.metrics.roc_auc_score.html">sklearn имплементация</a>:&nbsp;<pre><code class="language-bash">from sklearn.metrics import roc_auc_score

roc_auc_score(y_true, y_pred, average="macro")</code></pre>Соотношение public/private в соревновании составляет 30/70:&nbsp;<ul><li>75,000 (30%) клиентских записей используются для результатов на public лидерборде. &nbsp;</li><li>175,000 (70%) клиентских записей &nbsp;используются для результатов на private лидерборде.</li></ul>Победители соревнования определяются по результатам на private лидерборде.&nbsp; Для private лидерборда можно выбрать до 2 финальных решений.

<h3>Информация&nbsp;для участников</h3>

<ul>
	<li>В соревновании можно принимать участие из любой точки мира. Участники могут объединяться в команды до 4-х человек. Участвовать можно в любом количестве из предложенных задач и номинаций. Победители соревнования смогут получить денежные призы только на расчетные счета банков, зарегистрированных на территории Российской Федерации.&nbsp; Просим вас позаботиться об открытии счета в РФ заранее.</li>
	<li>Ответы на вопросы по всему Data Fusion Contest 2026 доступны&nbsp;на&nbsp;<a href="https://ods.ai/tracks/data-fusion-2026-competitions/faq" rel="noopener noreferrer" target="_blank">FAQ странице трека</a>.</li>
</ul>

<h3>Призовой фонд задачи 2, &ldquo;Киберполка&rdquo;</h3>

1 место: 500 000 рублей 
2 место: 300 000 рублей 
3 место: 100 000 рублей

Спецноминация Companion:&nbsp;

1 место &mdash; 50 000 рублей 
2 место &mdash; 50 000 рублей

Участникам необходимо решить задачу multi-label классификации для 41 финансового продукта клиентов банка на основе обезличенных данных заранее предоставленных признаков.

Public

Данные

Rules

Нажимая &quot;Отправить&quot; я соглашаюсь с условиями <a href="https://storage.yandexcloud.net/ds-ods/files/data/docs/competitions/DataFusion2026/Rules_Data_Fusion_Contest_2026.pdf">Правил проведения онлайн-соревнования Data Fusion Cotest 2026</a>.

Agreement_services

Я согласен(-на) с <a href="https://storage.yandexcloud.net/ds-ods/files/data/docs/odsaifooter/20250312_Service_agreement_ODSai.pdf">Соглашением об услугах</a>. Обработка персональных данных Участников Активностей производится на основании Соглашения об услугах).

Agreement_ads

Даю согласие <a href="https://storage.yandexcloud.net/ds-ods/files/data/docs/competitions/DataFusion2026/%D0%A21_SOPD_RIM.pdf">Организатору</a> соревнования на получение информации рекламного характера.

Agreement_jobs

<a href="https://storage.yandexcloud.net/ds-ods/files/data/docs/competitions/DataFusion2026/Soglashenie_sodeistvie_jobs.pdf">Согласие</a> на сотрудничество по содействию мне в трудоустройстве.

Благодарим за интерес к серии соревнований&nbsp;Data Fusion Contest 2026.

Заполните, пожалуйста, форму ниже.

Согласия, отмеченные&nbsp; (*) - обязательные.

#	Teams (374)	Macro ROC-AUC	Last	Entries
1	Andrey Kuznetsov	0.8605192056	25h	108
2	Максим и Андрей	0.8592680505	2h	188
3	Kirill Krivosheev	0.8578890117	12h	57
4	Пожиратель миров	0.8572794362	3h	100
5	Епифанов Антон	0.8572145819	9h	116
6	mTale	0.8569354481	29min	117
7	Evgenii Nikolaev	0.8567103709	12h	47
8	HoneyDed	0.8566509319	8h	47
9	мария_диджитал	0.8563584243	14d	13
10	монтажный техникум курск	0.8563291418	15min	111
11	it_frog	0.8563287534	41h	62
12	Artem Kovalev	0.8563243203	11h	38
13	витя где ням ням	0.8561267411	3h	98
14	Vanzalez	0.8554433918	2d	9
15	t9f92e07b2ad1	0.855413605	26h	79
16	jeaa1f03502fb	0.855030782	5h	154
17	shakla	0.8547879676	18h	57
18	Владислав Ежергин	0.8547659194	3d	120
19	The Ы	0.8545178931	19h	78
20	Evgeny Kazenov	0.8544264327	3h	41
21	w2cb790b1d2c9	0.8544168555	16h	41
22	b3124a384c875	0.854271987	19d	13
23	Vladimir Testov	0.8542267098	14h	6
24	Ivan Glebov	0.8542209445	15h	65
25	DevLake	0.8541489817	38h	44
26	Professor_Vadim	0.8540483506	19h	116
27	Андреященко Павел	0.8540311213	34h	45
28	Dmitrii	0.8539378055	20d	36
29	Andrei Filipchyk	0.8538893473	6d	42
30	777	0.8538819917	2d	36
31	ALT	0.853829938	45h	15
32	Roman Polomoshnov	0.853829938	2d	9
33	skjazz	0.8535155747	28h	20
34	вайб-инженеры	0.8534553248	12h	36
35	Владимир Калюта	0.8533200755	13h	54
36	MISIS 73	0.8533023785	12h	18
37	Panda Play	0.8529385917	15d	30
38	mf3912b208d12	0.8527949095	5d	22
39	Мистер Фиш	0.8527726312	9d	30
40	ИИ это сложно	0.8527245516	25d	3
41	R2BD is anime	0.8527074845	11h	39
42	Alexander Pavlov	0.8526791273	11d	21
43	ocbdb24ddd365	0.8525003177	16d	11
44	Andrei Babkin	0.8523747541	27d	37
45	n412a8c85ff94	0.8523039702	4d	31
46	Azizam	0.8520261384	17d	41
47	Nikita Baramiia	0.8515097336	12h	21
48	Di Ko	0.8514878296	13d	67
49	Цыренов Мэргэн	0.8513196543	4d	72
50	Aidar Siraev	0.8511000121	2d	42