«Яндекс.Деньги»: история проекта
24 июля 2002 года.
Запущен партнерский проект «Яндекса» с компанией PayCash. Систему назвали «Яндекс.Деньги».
Март 2007 года.
Компания Yandex N.V. выкупила 50-процентную долю и стала единственным владельцем платежной системы. По разным оценкам, сумма сделки составила $1–2 млн.
Июль 2012 года.
Компания выпустила банковскую карту «Яндекс.Деньги» (эмитентом стал банк «Тинькофф.Кредитные системы»), в сентябре получила лицензию Центробанка и приобрела статус НКО — небанковской кредитной организации.
Июль 2013 года.
Сбербанк России приобрел долю в уставном капитале «Яндекс.Денег» — 75% минус 1 акция.
Ноябрь 2013 года.
«Яндекс.Деньги» представили платежное решение «Яндекс.Кассу». Оно позволяло пользователям и организациям подключить к своим сайтам сразу все популярные способы онлайн-оплаты.
Июль 2014 года.
«Яндекс.Кассу» подключил Aliexpress.
Апрель 2016 года.
В приложении «Яндекс.Денег» для Android появились беcконтактные платежи через NFC. В ноябре того же года платежи заработали для платежного сервиса Apple Pay.
24 июля 2017 года.
«Яндекс.Деньгам» исполнилось 15 лет.
— Какие направления безопасности существуют в ИБ компании «Яндекс.Деньги»?
— У нас есть три основных направления: информационная безопасность, экономическая безопасность и антифрод. Мы имеем в виду антифрод не в классическом банковском понимании, когда отдельно идет мониторинг, отдельно — разработка и написание правил. В нашем случае это аналитический отдел. Не просто мониторщики, разбирающие кейсы, а настоящие аналитики, которые анализируют большие объемы данных и сами пишут правила в нашу самописную систему. Активно используем машинное обучение: аналитики пишут модели, сами их тестируют и обучают. А мы в результате используем это как под антифрод, так и под нужды экономической безопасности. Автоматизируем то, что обычно делалось руками.
— К слову, об антифроде… Недавно вы представили антифрод-систему «Яндекс.Кассы», использующую алгоритмы машинного обучения. За что оно отвечает и каким образом реализованы алгоритмы?
— В обычном фроде всегда есть так называемая проблема выбора: пропустить часть фрода и не заблокировать ни одного клиента, или, наоборот, — заблокировать весь фрод и заодно нескольких клиентов. У нас накоплен большой объем данных, которые помогают нам не пропускать мошенников и не создавать сложности обычным пользователям. И в определенный момент родилась идея сформировать на их основе антифрод-услуги.
Если говорить об используемых алгоритмах машинного обучения: по SLA, решение должно очень быстро давать ответ. Когда антифрод проверяет операцию, вначале она проходит этап «прокси», как мы его называем. Это набор грубых правил в духе лимитов и оценки параметров именно текущей операции без сопоставления с историческими данными. Он помогает минимизировать время обработки операции и либо одобряет ее, либо отказывает. Если сразу не получается ответить, операция отправляется во фрод-машину с набором эвристик. Если фрод-машина не может точно понять «да» или «нет», она прокидывает ее дальше, где операцию проверяют по различным моделям машинного обучения. Фактически машинное обучение как раз и решает проблему выбора: не зарубить ничего лишнего или, наоборот, заблокировать подозрительную операцию.
Но голое машинное обучение — это не совсем правильно. Помните вопрос из детства: а если 100 человек из окна прыгнут, ты тоже прыгнешь? Человек наверняка откажется, а робот посчитает такое поведение нормальным и прыгнет. Поэтому нельзя все доверить только машинному обучению, нужно использовать набор эвристик, которые помогают очеловечить жесткие правила. Конечно, мы можем написать большое количество правил для машинного обучения, но тогда операции в антифроде будут обрабатывать около минуты — это неправильно и слишком долго.
Разметка данных — это всегда анализ обращений по мошенничеству. И здесь часто возникают одинаковые проблемы: нам трудно достать данные из разных таблиц и сматчить их, также есть проблема с тем, что пользователь/банк-эквайер может просто не сообщить нам о мошенничестве, но перестать пользоваться счетом или картой. От того, какой набор данных мы соберем, в большой мере зависят успех или неудача при решении любой задачи с помощью Machinе Learning.
— А как ваши сотрудники настраивают модели Machine Learning?
— Это нетривиальный вопрос… Дело в том, что антифрод-аналитик — это не математик и не разработчик, это человек искусства. Наши разработчики постоянно экспериментируют, у них нет жестких правил настройки, они могут использовать любые варианты, если посчитают, что это принесет успех. В целом мы, как и все, находим проблему, собираем набор данных, генерируем признаки, выбираем модель и т.д. Если все о’кей, выкладываем.
70%
времени
которое тратится на разработку решения, занимают сбор данных, их разметка и анализ.
30%
времени
уходят на внедрение или на практическую работу. Сюда же входит самообучение модели.
— По вашему опыту, сколько времени занимают разработка продукта на основе искусственного интеллекта и его внедрение?
— 70% времени, которое тратится на разработку решения, занимают сбор данных, их разметка и анализ. Иначе говоря, большую часть времени приходится тратить на обучение модели. Многое зависит от того, какие данные вы планируете прогонять через нее, на чем учить. Если это анализ логинов, на сбор и разметку данных уйдет меньше времени. Другое дело, если мы говорим об операциях эквайринга, здесь все сложнее: гораздо больше полей, нужно отсечь те, которые не будут участвовать в анализе, понять, какие данные повысят точность модели, а какие создадут дополнительные нагрузки. Это, скорее, творческие решения. А оставшиеся 30% уходят на внедрение или на практическую работу. Сюда же входит самообучение модели.
У нас в «Яндекс.Кассе» работают много различных моделей, в среднем на разработку каждой из них уходило от 1 до 3 недель. Хотя некоторые модели можно сделать за 3 дня, а на некоторые и месяца не хватает. Случаются и разочарования, когда после долгой разработки понимаешь, что вместо этой модели можно обойтись действующими статичными правилами и эвристиками.
— С какими еще сложностями можно столкнуться при реализации ML-проектов? Помимо того, что эта модель может оказаться ненужной.
— Самая большая и распространенная: на тестовой выборке все было хорошо, а на боевых данных все стало плохо, непонятно или пошло не так. И дело может быть даже не в модели. Или выяснилось, что всего 1% ложно заблокированных (это, на минуточку, 1000 пользователей, которые расстроятся и потеряют доверие к сервису) — непозволительная роскошь для антифрод-системы. Поэтому, прежде чем запускать решение в production, мы проводим этап «предпрода», когда изменения фиксируются внутри отдельных баз данных. Мы делаем разметку внутри базы данных и смотрим, как поведет себя антифрод, если модель будет работать. После этого аналитик смотрит данные и вносит коррективы: где машина пропустила мошенническую операцию, где недоработала. И когда мы понимаем, что модель вместе с обычными правилами работает лучше, чем раньше, то внедряем ее.
Мы реже применяем машинное обучение для онлайн-скоринга, потому что:
- чтобы накопить достаточно данных для обучения, нужно позволить мошенникам использовать систему, а такой возможности у нас нет;
- мошенники, как только их начнут блокировать, меняют схему или уходят в другие сервисы, и модель быстро может стать неактуальной;
- после блокировки мы должны как-то объяснить коллегам и пользователю, почему, зачем и что делать, а далеко не все модели легко интерпретируемы;
- построение модели — иногда длительный процесс, который может не завершиться успехом, а предотвратить мошенничество мы должны в любом случае. Поэтому необходимо либо сначала предотвратить мошенничество статическими правилами, либо выбрать не сильно проблемный для нас вид мошенничества.
У нас в «Яндекс.Кассе» работает много различных моделей, в среднем на разработку каждой из них уходило от 1 до 3 недель. Хотя некоторые модели можно сделать за 3 дня, а на некоторые и месяца не хватает. Случаются и разочарования, когда после долгой разработки понимаешь, что вместо этой модели можно обойтись действующими статичными правилами и эвристиками.
— Какие задачи, в том числе из сферы ИБ, на ваш взгляд, можно отдать машинному обучению, а куда технологию нельзя пускать ни в коем случае?
— Задачи по распознаванию картинок и текста лучше решать с помощью ML, и мы для перепроверки сайтов контрагентов именно его и используем. Машинное обучение хорошо подходит для кредитного скоринга, потому что дает простор для генерации разных нетривиальных параметров. Задачи поиска ботов тоже можно отдать на откуп ML — для их детектирования иногда нужно анализировать данные из внешних источников. Поиск аномалий в системе платежей — опять же с помощью ML: без него много ложных срабатываний, к примеру, в период распродаж и в праздничные дни, с ним лучше.
А вот широко применять ML в сфере ИБ уже сложнее. Машинное обучение настраивается с помощью большого объема данных, а сколько нужно собрать инцидентов, чтобы настроить его для ИБ? Если закинуть 500 млн операций и из них 100 будут связаны с инцидентами ИБ, это же мелочь, модель не будет работать. В идеале машинному обучению можно поручить анализ логов, но опять же нужно много схожих инцидентов, чтобы машина смогла выработать правила. Если инцидентов будет мало, модель будет совершенно бесполезна — либо совсем неприменима, либо будет генерировать ошибочные срабатывания. Мы планируем экспериментировать с машинным обучением, но первые результаты появятся не раньше следующего года — пока мы не придумали, где его можно применить.
— Как компания может подготовить ИТ-инфраструктуру и персонал к внедрению продуктов на основе Machine Learning?
— Есть несколько нюансов в подготовке инфраструктуры. Во-первых, нужна нормальная «железка», на которой вы будете обкатывать модели. Мы для этого используем промышленные видеокарты NVIDIA Tesla, но все зависит от объема данных, который вы планируете использовать. Можно обойтись и виртуальной машиной — все зависит от ваших данных. Во-вторых, должно быть налажено хорошее взаимодействие со службой эксплуатации, чтобы понимать, какой набор данных нужно отсечь и передать для работы.
— Как вы планируете развивать антифрод-решение? Особенно интересно использование алгоритмов машинного обучения.
— Сейчас мы экспериментируем и размышляем над использованием машинного обучения в кредитовании. Например, чтобы машина прогнозировала уровень для клиента и возможность уйти в дефолт. Но проблема заключается в том, что машинное обучение применимо далеко не везде. Наши эксперименты показывают, что порой набор обычных статичных правил куда лучше машинного обучения. О перспективах… Не буду называть конкретные решения — их очень много. Если в общих чертах, мы планируем дорабатывать архитектуру, развивать интерфейсы управления. Могу сказать, что чем больше клиентов будет проходить через антифрод, тем выше будет объективность оценки «фрод / не фрод» и тем меньше будет ложных срабатываний системы.
— Чтобы сделать крутой продукт, нужна сильная команда. Как вы собирали команду экспертов по Data Science?
— Мы до сих пор набираем, ищем людей. На днях приходил кандидат, который учится в университете, будет пробоваться антифрод-аналитиком. Из каких вузов набираем, не скажу — там выпускают слишком мало толковых кандидатов. Наши антифрод-аналитики должны быть не просто прикладными математиками, они должны быть знакомы с банковской сферой. Либо мы должны быть уверены, что они этому смогут быстро обучиться, а таких людей на рынке очень мало. И тенденция такова, что в большинстве российских компаний антифрод-аналитиками сейчас работают молодые люди.
— Что может препятствовать проникновению технологий машинного обучения в ИТ-ландшафты отечественных компаний? Низкая психологическая готовность рынка, например?
— Мне кажется, препятствует то, что машинное обучение — это сложная математика, теория вероятностей, статистика, программирование. и они, во-первых, далеко не всем понятны, а во-вторых, не всегда приводят к решению бизнес-задачи. Но не потому, что алгоритмы не работают, а потому, что сама постановка задачи может быть некорректной: data set для обучения не собран должным образом, в модели использовались не те признаки, аналитикам только сегодня поставили задачу, а дедлайн был сформулирован как «решить надо было еще вчера». Первое и последнее ставят в тупик даже хороших аналитиков. Многие компании с помощью машинного обучения пытаются решать задачи, которые гораздо проще решить другими способами. А потом расстраиваются, что ничего не получилось, и когда возникает другая задача — теперь уже под ML, к нему не прибегают.
Второй барьер — это проблема KPI. Для машинного обучения необходимо закупить железо, нанять или обучить специалистов, заложить зарплатный фонд. Эти затраты должны как-то окупаться и приносить деньги компании. Сейчас во всем мире сталкиваются с проблемой, как это можно монетизировать. Все началось с желания бизнеса монетизировать накопленный объем данных, но далеко не все хотят рисковать, пока не появятся устойчивые модели по извлечению прибыли из этих массивов информации с помощью машинного обучения.
— А что, по вашему мнению, ждет Machine Learning в российском бизнесе через несколько лет?
— Как специалист по ИТ-безопасности я рассчитываю, что технологии машинного обучения позволят увеличить объективность оценки. Если говорить о бизнесе в целом, я бы обратил внимание на таргетированную рекламу. По моему мнению, здесь применение ML-технологий оправданно и принесет прибыль. В сфере ИБ я в ближайшие годы ничего экстраординарного для машинного обучения не вижу — в принципе, основные области, где его можно использовать, определены и постепенно развиваются.
— И последний вопрос. Ответьте, пожалуйста, по поводу одного из самых обсуждаемых в индустрии слухов: о плетках и битах в вашем кабинете. Это действительно так?
— Да, это не байки. У нас на стене на самом деле висят три плетки, молоток и бита. Сверху подписано «Игрушки СБ для…», и над одной из плеток написано «PR», над другой — «ИТ». Это те, кого мы больше всего любим. Отличный устрашающий механизм, но в дело их пока пускать не приходилось. Скорее, это местная достопримечательность.
Yandex N. V. (NASDAQ, MCX: YNDX) — нидерландский холдинг, головная компания международного технологического гиганта с российскими корнями — «Яндекса».
Что тут происходит
Читатели давно просили нас начать разбирать отчетность и фундамент бизнеса российских эмитентов. Идею сделать обзор «Яндекса» предложил наш читатель Alex Freeman в комментариях к обзору IPO Fix Price. Предлагайте в комментариях компании, разбор которых вам хотелось бы прочитать.
О компании
«Яндекс» — крупная международная технологическая компания с российскими корнями. Ведет бизнес как в России, так и еще в 21 стране. Бизнес-модель компании не подразумевает разработку программного обеспечения на заказ или прямую продажу его клиентам — компания делает упор именно на создании и развитии полноценных пользовательских сервисов на основе произведенного компанией программного обеспечения. Многие сервисы компании — это фактически агрегаторы, многие бесплатны для широкого круга клиентов.
«Яндекс» считает началом своей истории 1990 год, когда начинали разрабатываться первые продукты компании в рамках компаний Arcadia и CompTek. В виде отдельного юридического лица компания появилась в 2000 году, а в 2007 появилась головная нидерландская компания Yandex N. V.
В первые годы существования были созданы: поисковый алгоритм, давший также название одноименному поисковому порталу, рекламный движок, прочие сервисы типа почты, карт. В первой половине 2010-х компания начала путь к активному расширению и диверсификации бизнеса — можно сказать, что она вышла в офлайн — стала производить товары и начала заниматься цифровизацией традиционных офлайн-бизнесов.
Сейчас у «Яндекса» не просто диверсифицированный бизнес. «Яндекс» — один из ведущих игроков, организовавших свою экосистему — большое количество разнообразных сервисов, пытающихся удовлетворить максимальное количество повседневных потребностей пользователя в одном месте. Экосистемность удобна самому «Яндексу» еще и потому, что новые экспериментальные сервисы могут использовать существующие наработки и сервисы как свою инфраструктуру, создавая синергию.
Компания выделяет шесть операционных сегментов бизнеса, в каждом — по несколько сервисов.
Поиск и портал. В данный сегмент входят довольно разнородные сервисы:
- Поисковый движок.
- Поисковый портал и приложение.
- «Яндекс-браузер».
- Голосовой помощник Алиса.
- Почта 360: «Яндекс-почта», облачное файловое хранилище «Яндекс-диск», сервис для видеоконференций «Яндекс-телемост», «Яндекс-календарь», «Яндекс-заметки».
- Геосервисы: «Яндекс-карты», «Яндекс-навигатор», «Яндекс-авто», «Яндекс-заправки», «Яндекс-маршрутизация», «Яндекс-бизнес».
- Другие сервисы: «Яндекс-новости», «Яндекс-погода», «Яндекс-путешествия», «Яндекс-услуги», «Яндекс-кью».
Смысл данного сегмента с точки зрения бизнеса сводится к тому, чтобы предоставить пользователям большое количество удобных и преимущественно бесплатных сервисов, а в процессе их использования показывать пользователям рекламу. Заработок на рекламе долгие годы был и, в общем-то, остается основным источником дохода «Яндекса».
На заработки от рекламы значительно влияет объем рынка онлайн-рекламы — и с ним все хорошо: он растет, перетекая из менее эффективного офлайна. Несмотря на обилие сервисов, основным все равно остается поиск, так что компании очень важно сохранять свою лидирующую позицию в рунете, что непросто, так как главным соперником выступает мировой поисковый гегемон — Google. Пока получается.
Такси. Здесь объединены офлайн-бизнесы компании, связанные с мобильностью:
- «Яндекс-такси» — объединенное предприятие с Uber, представленное уже в 17 странах мира и в почти 800 городах.
- Каршеринг «Яндекс-драйв», работающий в Москве, Санкт-Петербурге, Казани и Сочи и владеющий примерно 16 тысячами машин.
- Служба доставки готовой еды «Яндекс-еда»: 170 городов присутствия, более 33 тысяч партнерских ресторанов и магазинов. Служба доставки продуктов «Яндекс-лавка», которая представлена в Москве, Санкт-Петербурге, Нижнем Новгороде, включает сеть из более чем 270 дарк-сторов.
- Логистическое решение для бизнеса и потребителей по доставке.
В разделе такси компания заняла уже значительную долю рынка, так что ФАС даже заблокировала покупку «Везет», посчитав, что тогда «Яндекс-такси» может занять 70% российского рынка агрегаторов такси. Остальные сервисы также растут хорошими темпами. В 2020 году компания выпустила единое суперприложение «Яндекс Go», объединяющее все сервисы в одном месте.
«Яндекс-маркет». Мультикатегорийный маркетплейс и сервис сравнения цен. Он недавно снова стал полноценной частью «Яндекса». С точки зрения бизнеса это конкурент Ozon, в статье про который мы подробно рассматривали данный бизнес-сегмент и его перспективы. Количество товарных позиций, продающихся на «Яндекс-маркете», превысило два миллиона, количество продавцов — 8 тысяч. У компании есть 4 фулфилмент-центра: три в Москве и один в Ростове-на-Дону, — 8 сортировочных центров, 632 пункта самовывоза и 1187 пунктов выдачи. Компания активно использует курьерскую службу «Яндекс-лавки».
Медиасервисы. Сюда входят сервисы, связанные с развлечениями:
- Крупнейшая в России стриминговая музыкальная платформа «Яндекс-музыка» с каталогом в более чем 65 млн музыкальных треков.
- Крупный ресурс «Кинопоиск», на основе которого компания несколько лет назад запустила онлайн-кинотеатр «Кинопоиск HD».
- Сервис по продаже билетов на мероприятия «Яндекс-афиша».
- Сервис «Яндекс-телепрограмма».
- Запущенная в 2018 году собственная студия по производству контента «Яндекс-студия».
- Также в данный сегмент компания включает подписку «Яндекс-плюс», благодаря которой пользователь может выгоднее пользоваться самыми разными сервисами компании и ее партнеров. По состоянию на февраль 2021 года количество подписчиков превысило 8 млн человек. Подписка доступна в 11 странах.
Вертикали. Сюда входят различные сервисы объявлений:
- «Авто-ру» — продажа автомобилей, мотоциклов и запчастей.
- «Яндекс-недвижимость» — аренда и продажа недвижимости.
- «Яндекс-работа» — поиск работы.
- «Яндекс-объявления» — запущенный только в декабре 2020 года сервис частных объявлений.
В данном сегменте компания зарабатывает на комиссиях за поднятие объявлений и дополнительные услуги, на рекламе.
Другие бизнес-юниты и инициативы. Сюда входят остальные сервисы компании — не подходящие под тематику остальных операционных сегментов или те, что числятся экспериментальными и которые компания не готова выделить в отдельные бизнес-юниты:
- Социальная информационная платформа «Яндекс-дзен», на которой любой человек может завести свой блог, а искусственный интеллект подберет персонализированные рекомендации контента. К декабрю 2020 года среднее число активных пользователей платформы в день превысило 20,3 млн человек.
- Облачная платформа «Яндекс-облако» — это крайне перспективный сервис, недавно даже выделенный в отдельный бизнес-юнит. Им уже пользуются более 15 тысяч пользователей, и он в будущем может стать одной из главных точек роста бизнеса «Яндекса» сразу по нескольким причинам. Как мы знаем по разборам бизнеса таких гигантов, как Amazon и Microsoft, облачные вычисления — это очень выгодно и перспективно для компаний, предоставляющих такие услуги. У «Яндекса» есть конкурентное преимущество по сравнению с заграничными облачными гигантами: в России действуют законы, согласно которым некоторые данные должны храниться на серверах, физически расположенных в России.
- Проект беспилотного автомобиля, выделенный из «Яндекс-такси».
- Товары — несколько видов умной колонки «Яндекс-станция». Количество проданных колонок уже превысило 1,3 млн.
- Другие сервисы: «Яндекс-образование», «Яндекс-здоровье», «Яндекс-услуги».
- Инвестиции в агрегатор скидок и спецпредложений «Едадил» и в финансовые сервисы.
«Яндекс» гибко подходит к операционным сегментам, периодически перемещая сервисы из одного в другой. Например, «Яндекс-драйв» только недавно вошел в сегмент «Такси», а начиная с 2021 года «Яндекс-услуги» и «Товары» переместили в «Другие сервисы и эксперименты», которые вместе с тем переименовали в «Другие бизнес-юниты и инициативы», а геосервисы перешли в «Поиск и портал».
Также стоит упомянуть, что «Яндекс» не только самостоятельно разрабатывает новые сервисы с нуля, но и периодически не чурается покупать их для последующего встраивания в свою экосистему. Приобретаются как целые большие сервисы, которые так и остаются заметными частями экосистемы, такие как «Кинопоиск» и «Авто-ру», так и более мелкие активы — например, «Партия еды» и часть активов «Везет».
Доля поисковых систем в России по годам в процентах
| «Яндекс» | Mail.ru | ||
|---|---|---|---|
| 2016 | 56,0 | 37,1 | 4,1 |
| 2017 | 55,1 | 39,6 | 3,4 |
| 2018 | 56,3 | 40,0 | 2,2 |
| 2019 | 57,0 | 40,1 | 1,6 |
| 2020 | 59,2 | 38,6 | 1,1 |
Объем рынка рекламы в России по структуре и по годам, млрд рублей
| Телевидение | Радио | Пресса | Наружная реклама | Интернет | Всего | |
|---|---|---|---|---|---|---|
| 2016 | 150,8 | 16,5 | 22,3 | 38,3 | 136,0 | 364,0 |
| 2017 | 170,9 | 16,9 | 20,5 | 42,7 | 166,3 | 417,3 |
| 2018 | 187,0 | 16,9 | 18,0 | 43,8 | 203,0 | 468,7 |
| 2019 | 175,0 | 16,0 | 15,1 | 43,8 | 244,0 | 493,8 |
| 2020 | 169,0 | 11,2 | 8,0 | 32,2 | 253,0 | 473,4 |
Объем рынка облачных услуг в России по структуре и годам, млрд рублей
| IaaS | SaaS | PaaS | Всего | |
|---|---|---|---|---|
| 2016 | 9,1 | 31,1 | 2,3 | 42,5 |
| 2017 | 13,1 | 38,3 | 3,2 | 54,6 |
| 2018 | 17,9 | 46,7 | 4,3 | 68,8 |
| 2019 | 23,4 | 54,9 | 5,1 | 83,4 |
| 2020 | 29,5 | 64,1 | 6,1 | 99,7 |
| 2021 | 37,5 | 75,6 | 7,4 | 120,5 |
| 2022 | 47,6 | 89,3 | 8,9 | 145,8 |
| 2023 | 60,0 | 105,3 | 10,8 | 176,1 |
| 2024 | 75,5 | 124,3 | 13,1 | 212,9 |
Количество подписчиков «Яндекс-плюса» по годам, млн человек
| 2018 | 0,9 |
| 2019 | 2,7 |
| 2020 | 7,9 |
Долгий путь к финансовым сервисам
При таком обилии сервисов «Яндексу» логично было бы предоставлять своим пользователям также и услуги сервисов в сфере финансов: во-первых, это было бы хорошим инфраструктурным решением, которое использовалось бы другими сервисами компании, во-вторых, финансовая сфера довольно важна для человека, так что она выступает очень важным элементом для экосистемы.
У «Яндекса» давно был сервис электронных денег и платежей «Яндекс-деньги», но еще в 2012 году 75% акций продали Сбербанку, а в 2017 сотрудничество расширилось и в совместное владение перешел «Яндекс-маркет». Казалось, что финансовые сервисы и дальше будут развиваться в рамках совместного предприятия с помощью банковских наработок, но в середине 2020 года компании реструктуризировали бизнес: по соглашению сторон «Яндекс-маркет» вернулся к «Яндексу», а «Яндекс-деньги» отошли Сбербанку.
После этого казалось, что «Яндекс» довольно быстро нашел нового банковского партнера: в сентябре 2020 года объявили о переговорах по покупке 100% акций TCS Group, но менее чем через месяц переговоры прекратили.
В итоге «Яндекс» решил развивать финансовые сервисы самостоятельно: зарегистрировал товарные знаки в банковской, инвестиционной и страховой сферах, а совсем недавно, весной 2021 года, запустил платежный сервис Yandex Pay и договорился о покупке небольшого банка «Акрополь» для получения банковских лицензий.
Финансовые показатели
У «Яндекса» прекрасные финансовые показатели: выручка растет отличными темпами, чистая прибыль велика, хоть и затормозила свой рост, чистый долг — постоянно отрицательный и при этом все время растет в номинальном выражении, то есть у компании в распоряжении все больше и больше денег.
По структуре выручки видно, что основным операционным сегментом до сих пор остается «Поиск и портал», но сегмент «Такси» его активно догоняет. В первом квартале 2021 года произошло знаменательное событие: выручка сегмента «Поиск и портал» впервые была менее 50% в общей структуре выручки — явный успех многолетних трудов компании по диверсификации бизнеса! Если же смотреть с точки зрения EBITDA, то тут отрыв сегмента «Поиск и портал» до сих пор огромный, а большинство операционных сегментов убыточны.
Выручка, чистая прибыль и чистый долг по годам, млрд рублей
| Выручка | Чистая прибыль | Чистый долг | |
|---|---|---|---|
| 2016 | 75,9 | 14,1 | −44,3 |
| 2017 | 94,1 | 15,4 | −47,9 |
| 2018 | 127,7 | 22,1 | −68,8 |
| 2019 | 175,4 | 23,5 | −88,3 |
| 2020 | 218,3 | 21,0 | −154,9 |
| 2021 | 73,1 | 2,2 | −145,1 |
Выручка по операционным сегментам по годам, млрд рублей
| Поиск и портал | Такси | «Яндекс-маркет» | Медиасервисы | Вертикали | Другие бизнес-юниты и инициативы | |
|---|---|---|---|---|---|---|
| 2016 | 69,3 | 2,3 | — | 0,6 | 1,3 | — |
| 2017 | 82,4 | 4,9 | — | 1,2 | 2,1 | 1,8 |
| 2018 | 101,0 | 20,7 | 1,7 | 1,9 | 3,7 | 4,2 |
| 2019 | 121,5 | 45,6 | — | 3,9 | 5,4 | 7,9 |
| 2020 | 124,3 | 68,0 | 13,9 | 7,8 | 5,8 | 11,9 |
| 2021 | 35,1 | 26,6 | 7,3 | 3,5 | 1,8 | 4,7 |
Другие бизнес-юниты и инициативы
Скорректированная EBITDA по операционным сегментам по годам, млрд рублей
| Поиск и портал | Такси | «Яндекс-маркет» | Медиасервисы | Вертикали | Другие бизнес-юниты и инициативы | |
|---|---|---|---|---|---|---|
| 2016 | 28,4 | −2,1 | — | −0,4 | −0,0 | — |
| 2017 | 37,7 | −8,0 | — | −0,4 | 0,0 | −2,2 |
| 2018 | 48,4 | −4,7 | — | −0,8 | −0,2 | −3,1 |
| 2019 | 57,6 | 0,1 | — | −2,2 | 0,3 | −5,0 |
| 2020 | 60,0 | 3,4 | −4,1 | −3,7 | 1,1 | −7,3 |
| 2021 | 16,4 | 3,7 | −6,5 | −1,3 | 0,4 | −2,4 |
Другие бизнес-юниты и инициативы
Акционерный капитал
Как и у некоторых иностранных технологических компаний, у «Яндекса» есть несколько классов акций:
- Класс A — один голос.
- Класс В, принадлежащий основателям и бывшим сотрудникам, который можно продать, только конвертировав в класс A, — 10 голосов.
- Класс C — технический класс акций, который нужен для конвертации акций класса B в акции класса A.
Благодаря такой структуре акционерного капитала у компании, с одной стороны, большой free float, что помогает иметь довольно большой вес в биржевых индексах, а с другой стороны, контроль в компании сохраняется за основателями.
Кроме того, из-за стратегического значения «Яндекса» придумали специальные механизмы против нежелательных поглощений: сначала в 2009 году выпустили «золотую акцию» и передали Сбербанку, как государственной, публичной и не имеющей интересов в ИТ- и медиасферах компании. У обладателя этой акции было право вето на действия, которые ведут к концентрации в одних руках пакета из более чем 25% акций компании. В конце 2019 года приняли решение этот механизм немного изменить. Предложили создать Фонд общественных интересов, включающий как представителей топ-менеджмента «Яндекса», так и представителей университетов и негосударственных организаций.
Права у фонда похожие, но более широкие, чем у обладателя «золотой акции»: выдвигать 2 из 12 членов совета директоров, накладывать вето на консолидацию более 10% акций компании, передавать персональные данные пользователей или значимую интеллектуальную собственность кому-либо. В 2020 году сформировали совет фонда из 11 человек, туда вошли, в частности, глава «Газпром-нефти» Александр Дюков, глава РСПП Александр Шохин и декан биологического факультета МГУ Михаил Кирпичников.
Также стоит упомянуть, что год назад компания выпустила конвертируемые облигации, так что в 2025 году акций может стать немного больше, но не факт, так как их можно погасить как акциями класса A, так и деньгами — на выбор самой компании.
Структура акционерного капитала в процентах
| Экономическая доля | Голосующая доля | |
|---|---|---|
| Семейный траст CEO Аркадия Воложа | 8,67 | 45,48 |
| Остальной топ-менеджмент | 0,85 | 0,45 |
| Бывший сотрудник Владимир Иванов | 3,33 | 6,16 |
| Capital Group Companies | 9,91 | 5,21 |
| Invesco Limited | 8,10 | 4,26 |
| FRM LLC | 4,59 | 2,41 |
| Free float | 64,55 | 36,03 |
Семейный траст CEO Аркадия Воложа
8,67
Остальной топ-менеджмент
0,85
Бывший сотрудник Владимир Иванов
3,33
Capital Group Companies
9,91
Семейный траст CEO Аркадия Воложа
45,48
Остальной топ-менеджмент
0,45
Бывший сотрудник Владимир Иванов
6,16
Capital Group Companies
5,21
Почему акции могут вырасти
Успешно диверсифицирующаяся компания роста. «Яндекс» — одна из немногих на российском фондовом рынке компаний роста в классическом ее понимании: отличный рост выручки, отсутствие дивидендов — все средства идут на дальнейшее развитие бизнеса. При этом «Яндекс» может похвастаться налаженными внутренними процессами по запуску новых сервисов, что успешно доказывает на протяжении уже многих лет, — есть основания считать, что осуществляемая диверсификация бизнеса будет успешно продолжаться.
Интересный сектор. Технологические бизнесы в наше время крайне популярны и, как следствие, дорого оценены. И это немудрено, ведь этот сектор совмещает в себе будоражащие разум инвесторов технологии и инновации, а также высокую маржинальность бизнеса за счет относительно небольших капитальных затрат. К тому же в России технологический сектор представлен буквально несколькими компаниями, так что желающим инвестировать в него довольно сложно пройти мимо акций «Яндекса».
Если сравнивать компанию с фактически единственным очевидным публичным конкурентом по сектору — Mail.ru, — то «Яндекс» значительно превосходит его по финансовым показателям: ROE выше, постоянная прибыль, больший отрицательный чистый долг.
Почему акции могут упасть
Очень дорогая оценка. Конечно, компании роста всегда стоят довольно дорого, но, как говорится, надо и честь знать: «Яндекс» стоит действительно очень дорого по мультипликатору P / E. Такая дорогая оценка объясняется в том числе стремительным ростом котировок акций компании — почти в два раза — за короткий промежуток с мая по сентябрь 2020 года. Это произошло на фоне интереса инвесторов к технологической сфере из-за пандемии коронавируса, из-за ожиданий, собственно, благодаря включению с большим весом в индекс MSCI Russia и переговорам о покупке TCS Group.
Не стоит забывать, что для компаний роста самое страшное — это замедление его темпов, что может приводить к серьезным обвалам котировок, а ведь у «Яндекса» во всех основных сегментах бизнеса множество сильных конкурентов. Только часть из них: Google, Ozon, «Авито» и строящие свои экосистемы Сбер, Mail.ru, Тинькофф, МТС.
Возможная смена экономического суперцикла. В последнее время несколько выросла инфляция, что мы уже немного обсуждали в статье про IPO Segezha, а практически все сырьевые товары показали заметный рост цен. Например, рассчитывающийся на основе цен фьючерсов различных сырьевых товаров Bloomberg Commodity Index серьезно вырос за последний год и находится на пятилетних максимумах.
Возможно, мы сейчас на пороге нового сырьевого суперцикла, характеризуемого доминированием акций реального сектора экономики. А ведь в последние годы на мировом фондовом рынке доминировали технологические компании. Если действительно экономический суперцикл меняется, то деньги могут начать перетекать из переоцененных технологических компаний в недооцененные компании реального сектора, в частности в сырьевые, — и тогда котировки «Яндекса» могут серьезно пострадать.
Политические риски. Стоит учитывать, что «Яндекс» в некотором роде находится меж двух огней. С одной стороны, выступая стратегической для России компанией, он может рано или поздно стать жертвой аналога законопроекта Горелкина и будет вынужден менять регистрацию головного холдинга на российскую — вспоминаем падение котировок из-за новости об этом законопроекте. С другой стороны, торгуясь на Nasdaq, компания может каким-либо образом стать жертвой американских санкций.
Мультипликаторы «Яндекса» по годам
| P / E | ROE | Net debt / EBITDA | |
|---|---|---|---|
| 2017 | 40,7 | 18,5% | −1,65 |
| 2018 | 28,8 | 12,1% | −1,74 |
| 2019 | 37,8 | 12,1% | −1,73 |
| 2020 | 73,2 | 6,4% | −3,11 |
| 2021 | 85,2 | 5,5% | −3,02 |
Мультипликаторы «Яндекса» и Mail.ru за 1 квартал 2021 года
| P / E | ROE | Net debt / EBITDA | |
|---|---|---|---|
| «Яндекс» | 85,2 | 5,5% | −3,02 |
| Mail.ru | — (убыток) | — (убыток) | −1,08 |
В итоге
«Яндекс» — это прекрасный бизнес с отличными темпами роста, при этом прибыльный и финансирующий новые проекты за счет собственных средств. Он уже давно перестал быть просто ИТ-бизнесом, зарабатывающим на рекламе, а проник во многие сферы жизни людей и начинает проникать в финансовую сферу, так что у компании еще много точек роста.
Но эта успешность видна многим участникам рынка, к тому же технологическая сфера сейчас крайне популярна — «Яндекс» стоит по российским меркам просто неприлично дорого.
Проведение лекционных и лабораторных занятий по направлению информационной безопасности. Проведение учебных занятий по направлениям…
Высшее образование (информационные технологии, защита информации и информационная безопасность)
Проводить … финансово экономической деятельности … злоупотреблений. Проводить работу по выявлению…
Опыт работы в области охраны и безопасности в крупных компаниях — не менее 3 лет (опыт работы в МВД, ВС, МО и ФСБ для военнообязанных приветствуется)
Москва
Алтуфьево
Селигерская
Проводить … финансово экономической деятельности … злоупотреблений. Проводить работу по выявлению…
Опыт работы в области охраны и безопасности в крупных компаниях — не менее 3 лет (опыт работы в МВД, ВС, МО и ФСБ для военнообязанных приветствуется)
В компании есть ещё 1 похожая вакансия
Разместите резюме, и мы подберем вам подходящие вакансии
Разработка планов качества для
насосного оборудования (2, 3 класс безопасности). Прохождение контрольных точек ПК, с участием…
Не ниже: высшего технического/экономического/профильного
образования – в сфере обеспечения качества/оценке соответствия
Стратегическое и операционное планирование продаж, заказы товара; бюджетирование; прогноз и анализ экономических показатели отдела
Мы … и безопасные товары … родных. Мы объединяем лучшие европейские практики и опыт российских руководителей
Хотите получать новые вакансии первым?
Лучшие вакансии закрываются быстрее остальных.
Подпишитесь на новые актуальные вакансии
Стратегическое и операционное планирование продаж, заказы товара; бюджетирование; прогноз и анализ экономических показатели отдела
Уже … и безопасные товары … родных. Наши сотрудники получают фиксированный доход, без штрафов и удержаний, всегда в срок
Принятие … культуры безопасности, контроль … ООС
Образование Высшее профессиональное (техническое, электроэнергетика, электротехника, автоматика)
В компании есть ещё 105 похожих вакансий
Москва
Волгоградский проспект
Отклик без резюме
Опыт не нужен
Образование законченное среднее, средне специальное, высшее строительное, экономическое, финансовое. Уверенный пользователь Excel
С … удобного, безопасного, привлекательно … тд.. Обучение, тренинги
Москва
Преображенская площадь
и ещё 2 станции
Организация максимально экономической и надежной работы оборудования и КЛ. Обеспечение безопасных условий труда подчиненного персонала
Высшее или среднее профессиональное образование (энергетическое, техническое) и стаж работы в организациях…
120 000 — 140 000 ₽/месяц
Обеспечение информационной безопасности-1С: развертывание серверов, настройка, лицензирование. Настройки рабочих станций (…
Высшее техническое или инженерно-экономическое образование. Вашим преимуществом будет наличие сертификатов Microsoft/…
2.6. … информационной безопасности. 2.7. организует участие отдела ит в разработке и развитии нормативов и стандартов института…
Высшее образование
В обязанности работника входит. Руководство деятельностью ПО. Определение целей и стратегии развития Института в части проектной…
Законы … финансово экономическую деятельность … учреждений. Приоритетные направления развития образовательной системы…
Москва
Юго-Западная
6 минутПроспект Вернадского
Соблюдает … технике безопасности, противопожарной … распорядка. Контролирует соблюдение работниками трудовой…
Среднее профессиональное образование (экономическое, юридическое, культуры и искусства, педагогическое, техническое) или ВО, опыт работы
Москва
Бульвар Рокоссовского
10. Участвует в проведении аттестации объектов, помещений, технических средств, программ, алгоритмов на предмет соответствия требованиям защиты информации по соответствующим классам безопасности
Высшее образование
Вакансии из соседних городов
Анализ рисков экономической безопасности. Мониторинг состояния экономической безопасности компании. Согласование проектов…
Высшее образование в области экономики, приветствуется дополнительное техническое образование. Опыт работы в области экономической…
Обеспечение физической и экономической безопасности гипермаркета. Обеспечение безопасности сотрудников и покупателей гипермаркета
Образование среднее специальное, высшее. Опыт работы в подразделениях, осуществляющих…
Принятие … культуры безопасности, контроль … ООС
Образование Высшее профессиональное (техническое, электроэнергетика, электротехника, автоматика)
Принятие … культуры безопасности, контроль … ООС
Образование Высшее профессиональное (техническое, электроэнергетика, электротехника, автоматика)
Мамоново (Ленинский район, Московская об
Принятие … культуры безопасности, контроль … ООС
Образование Высшее профессиональное (техническое, электроэнергетика, электротехника, автоматика)
Принятие … культуры безопасности, контроль … ООС
Образование Высшее профессиональное (техническое, электроэнергетика, электротехника, автоматика)
Принятие … культуры безопасности, контроль … ООС
Образование Высшее профессиональное (техническое, электроэнергетика, электротехника, автоматика)
Принятие … культуры безопасности, контроль … ООС
Образование Высшее профессиональное (техническое, электроэнергетика, электротехника, автоматика)
Принятие … культуры безопасности, контроль … ООС
Образование Высшее профессиональное (техническое, электроэнергетика, электротехника, автоматика)
Разместите резюме, и мы подберем вам подходящие вакансии
Принятие … культуры безопасности, контроль … ООС
Образование Высшее профессиональное (техническое, электроэнергетика, электротехника, автоматика)
Принятие … культуры безопасности, контроль … ООС
Образование Высшее профессиональное (техническое, электроэнергетика, электротехника, автоматика)
Троицк (Московская область)
Принятие … культуры безопасности, контроль … ООС
Образование Высшее профессиональное (техническое, электроэнергетика, электротехника, автоматика)
Принятие … культуры безопасности, контроль … ООС
Образование Высшее профессиональное (техническое, электроэнергетика, электротехника, автоматика)
Принятие … культуры безопасности, контроль … ООС
Образование Высшее профессиональное (техническое, электроэнергетика, электротехника, автоматика)
Принятие … культуры безопасности, контроль … ООС
Образование Высшее профессиональное (техническое, электроэнергетика, электротехника, автоматика)
Принятие … культуры безопасности, контроль … ООС
Образование Высшее профессиональное (техническое, электроэнергетика, электротехника, автоматика)
Солнцево (Щелково, Московская область)
Принятие … культуры безопасности, контроль … ООС
Образование Высшее профессиональное (техническое, электроэнергетика, электротехника, автоматика)
Родники (Раменский р-н, Московская обл.)
Принятие … культуры безопасности, контроль … ООС
Образование Высшее профессиональное (техническое, электроэнергетика, электротехника, автоматика)
Принятие … культуры безопасности, контроль … ООС
Образование Высшее профессиональное (техническое, электроэнергетика, электротехника, автоматика)
Принятие … культуры безопасности, контроль … ООС
Образование Высшее профессиональное (техническое, электроэнергетика, электротехника, автоматика)
Принятие … культуры безопасности, контроль … ООС
Образование Высшее профессиональное (техническое, электроэнергетика, электротехника, автоматика)
Экономический и финансовый анализ показателей на каждом этапе производства. Организация соблюдения требований промышленной безопасности, ОТ и ПБ
Высшее техническое образование. Опыт работы на бетонном заводе от 3-х лет
110 000 — 126 500 ₽/месяц
Организует … технико экономических показателей … причин. Организует … созданию безопасных и … эксплуатации. Осуществляет…
Образование: высшее профессиональное (техническое). Опыт работы по данной…
Контроль соблюдения правил и норм охраны труда и техники безопасности, производственной и трудовой дисциплины, правил внутреннего трудового распорядка
Высшее образование (техническое или инженерно-экономическое — специалитет, магистратура). Стаж…
Принятие … культуры безопасности, контроль … ООС
Образование Высшее профессиональное (техническое, электроэнергетика, электротехника, автоматика)
Подготовка сметно-финансовой документации на проведение ремонта сооружений, зданий, оборудования, их реконструкции и повышения экономической эффективности производства
Основы законодательства по охране труда, а также пожарной безопасности. Знание…