<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 (219)	Macro ROC-AUC	Last	Entries
1	Dmitrii	0.8536400248	5h	32
2	Andrei Babkin	0.8523747541	9h	37
3	Aleksei Gavrilov	0.8520495461	109min	13
4	Andrey Kuznetsov	0.8516956921	29h	28
5	PENZA_AI	0.8509793753	10h	22
6	Kirill Krivosheev	0.8507303505	7d	13
7	BASSBUSTED	0.850507679	2h	10
8	Владислав Ежергин	0.8496114562	23h	39
9	Максим Немов	0.8495704354	7h	2
10	Evgeny Kazenov	0.8482199147	70min	13
11	Professor_Vadim	0.8480258545	9h	32
12	Di Ko	0.8477409544	4d	37
13	Пожиратель миров	0.8474596662	7h	29
14	бактерия	0.8472271318	25h	10
15	Artem Voronov	0.8470503482	11d	15
16	стол	0.8470146861	108min	27
17	jeaa1f03502fb	0.8466618869	11h	67
18	витя где ням ням	0.846619038	12h	39
19	Sergey Britvin	0.8461950525	24h	57
20	Azizam	0.8460958885	29h	25
21	mTale	0.8458858626	5h	46
22	DevLake	0.8456403885	27h	15
23	The Restarters	0.8455737914	6min	42
24	Владимир Калюта	0.8446371898	6h	16
25	Andrey Pedchenko	0.8443962117	5h	39
26	f5cf81d97e096	0.8442753104	9h	35
27	Епифанов Антон	0.8436563777	1min	18
28	Цыренов Мэргэн	0.8427102861	22h	25
29	Artem Erokhin	0.8427041804	33h	29
30	Марк Дядченко	0.8427041804	35h	3
31	TORCHKI	0.8427041804	22h	1
32	Special Cursoed	0.8425083176	26h	18
33	insuperabilehart	0.8420250337	6d	10
34	КСВ	0.8419645573	3h	64
35	lighcart	0.8418541502	28min	27
36	scb1ced84c2f8	0.8418057128	6d	6
37	Panda Play	0.8413917213	35h	20
38	AIR	0.8412391188	17d	3
39	больше мне надо больше	0.8409790316	5d	18
40	artem goncharov	0.8404444171	5d	11
41	Поедатель Оперативки	0.8402525386	31h	20
42	Andrei Filipchyk	0.8399527198	70min	6
43	itmo	0.8397582465	23h	14
44	Deluxe	0.8397356968	37h	2
45	David	0.8393489576	26h	7
46	Михаил Кондрашов	0.8392020878	7d	11
47	Nam Ne DANO	0.8391691715	2d	26
48	- - - -	0.8391345405	3d	37
49	Dimk k	0.8389368798	22h	49
50	ocbdb24ddd365	0.8388437277	2d	2