White Paper

2018COPYRIGHT

Представление 3 ......................................................................Актуальность 3 .....................................................................................Практическая ценность 3 ...................................................................Резюме 3 ...............................................................................................

Введение 5 ...............................................................................Миссия 5 ...............................................................................................

Видение 5 .............................................................................................Цель 6 ....................................................................................................Обзор рынков 7 ........................................................................Рынок интернет-рекламы 7 ...............................................................Рынок Big Data и аналитика больших массивов данных 9 .............

Рынок программ лояльности и кэшбэк 10 .........................................Рынок платежных систем 11 ................................................................Рынок маркетинговых исследований 12 ............................................

Актуальность DLM 13 .................................................................Продукт 14 ..................................................................................Этапность 16 ..............................................................................Сustomer experience processing 16 ......................................................Life experience processing 21 ................................................................

Компоненты и технологии 25 .....................................................Система внутренних расчетов 25 ........................................................

Собственная платежная система 25 ...................................................Маркетинговая платформа 26 .............................................................Нейросеть 26 ..........................................................................................

Цифровой двойник 28 ..........................................................................Дорожная карта продукта 29 .....................................................Команда 30 .................................................................................Правовая информация 33..........................................................

�2

Содержание

Представление

DLM (Digital Life Management) — это платформа на основе Big Data, предлагающая пользователю возможность управлять собственной цифровой жизнью. Платформа собирает данные о потребительских привычках клиентов системы, поведении и физическом состоянии из любых возможных источников, анализирует эту информацию, формируя персонального цифрового двойника пользователя. Используя модель предпочтений и поведения человека, DLM создает персонализированную дружелюбную и комфортную цифровую среду, соответствующую индивидуальным ценностям и устремлениям. При этом, все пользовательские данные надежно хранятся в распределенном хранилище. Это значит, что никто никогда не получит доступ к нему без специального ключа. Однако, если пользователь решит поделиться своими данными, то получит вознаграждение. DLM закладывает основу для взаимовыгодных отношений между клиентами и компаниями, ведь последним нужны такие данные для продвижения своих продуктов и услуг.

Актуальность Потенциал Big Data Science сегодня очень востребован. В то же время в связи с обилием ненужной и даже токсичной информации уровень стресса среднестатистического пользователя Интернета постоянно растет. DLM ориентируется на ценность личного опыта и приоритетов каждого пользователя, как точку, в которой пересекаются линии спроса и предложения, а следовательно, возможны максимальные финансовые результаты для бизнеса и наибольший комфорт для клиента в онлайн-пространстве.

Практическая ценность DLM — наукоемкий продукт, его технологический базис — инновационные алгоритмы искусственного интеллекта и машинного обучения при анализе Big Data, а также Blockсhain для обеспечения безопасности хранения данных, оптимизации работы всех участников экосистемы и прозрачности бизнес- процессов. Кроме этого, платформа объединит в себе решения компании CityLife: платежную систему и программы лояльности.

Резюме 1. С точки зрения бизнеса

Проблема: аналитика Big Data недоступна для большинства игроков рынка в силу своей высокой стоимости. При этом, проверить качество и релевантность таких отчетов довольно сложно, а инвестиции в них не всегда пропорционально увеличивают маржинальность бизнеса.

Решение: DLM станет доступным партнерским сервисом, предлагающим не просто эффективные решения для анализа, хранения и использования больших объемов данных, но и таргетинг принципиально нового уровня.

�3

2. С точки зрения конечного потребителя

Проблема: среднестатистический человек едва ли успевает обрабатывать те огромные объемы данных, с которыми постоянно имеет дело. Цифровая среда, где интернет-пользователь проводит значительную часть каждого дня, без преувеличения может быть названа загрязненной, токсичной. Речь идет не только об агрессивной контекстной рекламе, но о продвижении бессознательного потребления в целом.

Решение: собрав информацию о действиях и предпочтениях пользователя, платформа DLM анализирует эти многочисленные разрозненные данные и сохраняет в обобщенном виде. При этом, только пользователь может распоряжаться такой информацией по своему усмотрению — самостоятельно принимая решения о ее удалении или продаже. На основании только открытых пользователем данных система создает «цифрового двойника» (далее без кавычек), «знает» и постоянно актуализирует его приоритеты, предлагает отфильтрованный, модифицированный, а значит, ценный контент. Это то, что в DLM называют персональной цифровой средой — комфортной и развивающей.

3. С точки зрения общества Проблема: огромный объем данных, генерируемый ежедневно, мог бы приносить обществу колоссальную пользу, но на сегодняшний день лишь незначительная его часть используется, а этическая корректность этого процесса закономерно вызывает вопросы. Не будет преувеличением сказать, что с помощью Big Data можно влиять как на покупательское поведение, так и, к примеру, на гражданскую позицию. И пока меры предосторожности, предпринимаемые для защиты персональных данных, оставляют желать лучшего.

Решение: платформа DLM сможет поставлять данные и основанную на них предикативную аналитику для самых разных сфер деятельности. Эта информация будет собрана максимально этичным образом — в обезличенном виде и только с согласия пользователей. Кроме того, формируемое информационное поле будет способствовать комфорту и личностному развитию отдельных участников системы, а значит, общества в целом.

�4

Введение

В 2018 году две трети из 7,6 миллиардов мирового населения пользуются мобильными телефонами. Более половины данных устройств — смартфоны, и это одна из причин, по которой сегодняшний пользователь интернета проводит в сети от 4 до 6 часов в сутки.

В 2017 году каждую минуту мы отправляли около 3.5 миллионов текстовых сообщений. К 2018 году это число увеличилось до 15.2 (!) миллионов. Одной минуты в 2018 году, оказывается, достаточно, чтобы совершить 3.6 миллионов поисковых запросов в Google, сделать 456 тысяч твитов, запостить почти 47 тысяч фото в Instagram, заказать почти 46 тысяч поездок на Uber и отправить 156 миллионов электронных писем. Кстати, ожидается, что последнее число к 2019 году вырастет до 9 миллиардов!

Мы ежедневно создаем 2,5 квинтиллиона данных, и этот показатель неуклонно растет — особенно в связи с ростом Интернета вещей (IoT) и развитием социальных сетей. Около 90% процентов данных в мире было создано только за последние два года.

Итак, большинство людей на планете ежедневно получает и генерирует информацию в таком объеме, который обычный пользователь просто не в состоянии воспринять и обработать, а значит, не всегда понимает, что полезно и актуально для него/нее, а что может представлять угрозу. И если концепция этичного потребления и бережного отношения к окружающей среде медленно, но уверенно укрепляется в массовом сознании, то концепция заботы о цифровой среде едва зарождается. Тем не менее, проблема цифрового загрязнения приобретает масштаб, который нельзя игнорировать.

DLM — результат долгой и вдумчивой работы над наилучшей комбинацией и доработкой существующих технологических решений. Продукт, который способен изменить само представление об информации и информационной среде.

Миссия DLM создает максимально персонализированную, дружелюбную и безопасную цифровую среду.

Видение DLM предлагает собственную концепцию, в основе которой лежат следующие тезисы.

1. Комфортная и экологичная информационная среда для любого и каждого пользователя системы.

2. Безопасность данных.

3. Выгодное для всех сторон взаимодействие.

�5

Цель Глобальнаяя цель проекта DLM – предоставить своим пользователям работающий инструмент для улучшения качества цифровой жизни. Значительным этапом на пути к этой цели является комплекс мероприятий, который мы в DLM называем Customer experience processing. Это совокупность технических решений для сбора, анализа и применения данных, позволяющих создать персонализированную покупательскую среду. В практическом отношении пользователь уже сможет получать торговые предложения в соответствии со своими покупательскими интересами, приоритетами и возможностями. Следующим этапом станет переход к Life Experience Processing. На этой стадии система сможет предложить пользователю персонализированную комфортную цифровую среду, способствующую развитию пользователя.

�6

Обзор рынков

DLM представит общественности концептуально новый продукт, объединяющий технологии искусственного интеллекта и машинного обучения для сбора, анализа и оцифровки больших объемов данных, блокчейна для безопасного хранения этой информации и оптимизации взаимодействия всех участников экосистемы.

DLM также видит в числе своих задач предоставление удобных сервисов для взаимовыгодного обмена между участниками экосистемы, а именно — конечными пользователями и компаниями, предлагающими свои товары и услуги. В этой связи подразумевается органичная интеграция уже успешно функционирующих решений материнской компании CityLife: платежной системы и программ лояльности.

Таким образом, проект DLM ориентируется на следующие глобальные рынки:

рынок интернет-рекламы;

рынок Big Data и аналитика больших массивов данных;

рынок программ лояльности и кэшбэка;

рынок платежных систем;

рынок маркетинговых исследований.

Уделим каждому из них особое внимание.

Рынок интернет-рекламы По прогнозам медиа-агентства Magna, оборот рынка интернет-рекламы достигнет отметки $237 млрд до конца 2018 года и составит почти 44% от общей суммы, расходуемой на всю рекламу по всему миру. К 2020 эти показатели будут равняться $291 млрд и 50% соответственно.

Между тем, в 2017 году подавляющее большинство руководителей бизнеса, принявших участие в опросе, сетовали на то, что данные инвестиции не окупаются. Связано это отчасти с тем, что эффективность и цена интернет-рекламы часто определяется количеством кликов, однако едва ли такой показатель может быть релевантным, с учетом огромного множества влияющих на статистику ботов и скам-аккаунтов. Трафик, а с ним и ROI (англ.: return on investment, окупаемость инвестиций), уже сейчас сложно оценить корректно, и ситуация с непрозрачностью в этой сфере будет только усугубляться. Juniper Research прогнозирует, что к 2020 году бизнес будет терять порядка $22 млрд. из-за мошенничества с трафиком в интернете. В прошлом году компанией P&G — с одним из самых больших бюджетов на интернет-рекламу в мире — было предложено ввести единый стандарт для оценки показателя «viewability», с помощью которого станет возможным выявить реальное количество интересных бизнесу адресатов, видящих онлайн-рекламу бренда.

Сегодня только около 22% предприятий удовлетворены уровнем конверсии, а 61% маркетологов отмечают, что улучшение SEO и рост их органического присутствия является

�7

их главным входящим маркетинговым приоритетом.

Среди особо острых проблем для потребителя на этом рынке нужно также выделить:

• утечку данных. Согласно Princeton Web Transparency & Accountability Project, 76% веб-сайтов включают Google-трекеры (cookies) и 24% трекеры Facebook. Эти системы получают информацию о потребительском поведении пользователей, и эти данные могут быть использованы третьими лицами;

• манипулирование информацией и мнением. Зачастую потребители не замечают прямого воздействия и последствий такой утечки данных, однако прошлогодний скандал с Cambridge Analytica дал понимание, как данные могут быть использованы для злонамеренного таргетинга и манипуляции мнением;

• неконтролируемый сбор данных о пользователях. Пользователи в основном не имеют представления о том, какая информация может быть собрана о них. Опция заблокировать такой сбор данных можно на некоторых платформах, но немногие знают о такой возможности и пользуются ей;

• нерелевантные и назойливые объявления. Сегодня у пользователя есть возможность оперативно сообщить о нерелевантном контенте или рекламном объявлении и дать обратную связь. Эта опция, однако, не самая очевидная. И даже если пользователь определил рекламу или контент как нерелевантные, гарантий, что он не увидит их снова, нет. В результате многие потребители предпочитают использовать сервисы для блокировки объявлений;

• отсутствие закрепленного права собственности на данные. Потребители не владеют генерируемыми ими данными. Соответственно, данные свободно торгуются на рынке, зачастую без ведома тех, кто их сгенерировал.

Резюме: одной из основных проблем рынка интернет-рекламы является низкая эффективность таргетинга. В то время как рекламный бюджет расходуется недостаточно эффективно, конечный потребитель, тем не менее, получает колоссальное количество торговых предложений — и нередко абсолютно нерелевантных.

Кроме этого, стандартные решения для таргетации основываются на ограниченном наборе метрик — данные cookie, поведение пользователя в рамках конкретной площадки, поисковые запросы в какой-либо поисковой системе и пр. При этом, после очистки система, по сути, теряет пользователя и все паттерны его поведения.

DLM предлагает решение, ориентированное на комфорт пользователя и эффективный таргетинг. Платформа позволяет существенно расширить набор метрик, добавив к данным cookie данные от сторонних провайдеров — о транзакциях, динамическую геолокацию, данные смарт устройств и IoT, сведения об интересах пользователя из разных источников. Авторизация пользователя с привязкой к единому User ID позволит сохранить эти данные и успешно таргетировать предложения даже после смены устройства или чистки cookies.

�8

Рынок Big Data и аналитика больших массивов данных Рынок Big Data на сегодняшний день оценивается примерно в $150 млрд. К 2023 году его объем достигнет $275 млрд. при среднем ежегодном приросте в 12%. Сегодня в этом сегменте почти полностью доминируют американские компании, такие как IBM, Teradata Corporation и Google. IT-гиганты закономерно делают ставку на развитие этой индустрии, поэтому, например, количество мобильных приложений, использующих и формирующих аналитику Big Data, увеличивается ежегодно в среднем на 10%.

53% компаний в бизнес-секторе услуг связи и финансовых услуг в прошлом году заявили, что интегрируют Big Data в свой бизнес. Для сравнения, в 2015 году таких компаний было не более 17%.

Основными игроками рынка являются поставщики, потребители больших массивов данных, а также компании, которые занимаются обработкой и анализом Big Data (коммерческие институты, НИИ).

Как и любая другая сравнительно молодая индустрия, сфера Big Data, а также рынок аналитики больших массивов данных имеет ряд проблем, которые тормозят его развитие, и вот некоторые из них:

• более 99,5% цифровых данных и пользовательской информации никак не анализируется и не используется;

• те данные, что используются, имеют довольно низкое качество (например, на картах геолокации менее 8% отметок точны);

• централизованные решения непрозрачны и подразумевают риск

• манипулирования данными, что в итоге может подорвать доверие к бизнесу. К тому же, сервисы в этой сфере отличаются высокой стоимостью, что делает их доступными только ограниченному кругу крупных компаний;

• ритейлеры не имеют четкого понимания того, как Big Data улучшит их бизнес- показатели;

• скудные и неточные данные служат инструментом таргетинга и поиска новых клиентов, а значит, становятся причиной навязчивой неактуальной рекламы, нерелевантного контента и, как результата, растущего стресса потенциального потребителя.

Резюме: колоссальный потенциал Big Data практически не используется. Инвестиции в рекламные кампании, продажи, продвижение, основанные на аналитике больших данных, ожидаемо представляются бизнесу необоснованными, а связи между возможностями развивающейся индустрии Big Data и значительным улучшением бизнес-показателей не очевидны. Есть потребность в простых и недорогих решениях.

Для проекта DLM сбор, агрегация, структурирование, анализ и хранение больших объемов данных (из всех возможных источников, таких как социальные сети, онлайн-транзакции,

�9

умные часы, собственный браузер) имеет основополагающее значение. Эффективное использование такой аналитики выведет таргетинг на совершенно новый уровень, позволит явным образом сократить издержки партнеров и создать комфортное информационное поле для клиентов.

Рынок программ лояльности и кэшбэк Рынок программ лояльности демонстрирует уверенный ежегодный прирост в среднем на 21,13%. И если в 2017 году его объем составлял $2160.06 млн, то уже к 2023, по прогнозам экспертов, он может достичь отметки в $6823.01 млн. Динамика роста могла быть еще более впечатляющей, но, как и на любом другом глобальном рынке, есть ряд проблем, которые тормозят развитие и являются блок-факторами:

• высокий процент оттока. До 50% процентов от общего числа покупателей ежегодно уходят из программ лояльности, что приводит к недополученной прибыли. При этом, около 58% всех клиентов таких программ не принимают в них активного участия, а значит показатели эффективности от вложений в подобные маркетинговые мероприятия активности снижается;

• отсутствие персонификации у программ лояльности. Около 77% потенциальных участников считают, что программы лояльности должны предлагать таргетированные вознаграждения. При этом, 70% брендов, которые применяют программы лояльности, не дают права выбора вознаграждения своим клиентам;

• безопасность и защита информации. Еще одной весомой причиной, по которой клиентом принимается решение расстаться с брендом, является большое число видов мошенничества, а также использование персональных данных в различных, несвязанных с программой лояльности целях. Это отпугивает 79% покупателей;

• кэшбэк закладывается в заведомо завышенную цену. Особенно часто это явление встречается в программах лояльности отдельных конкретных магазинов. Перед тем, как запустить программу кэшбэка, магазины завышают цены таким образом, чтобы кэшбэк не влиял на совокупную выручку магазина. По оценкам ряда экспертов, почти 35% новых кэшбэк-акций следуют сразу за резким повышением цены на определенные категории товаров;

• сложная механика начисления кэшбэка — одна из главных проблем данного рынка. Необходимость запоминать условия различных программ и систем кэшбека не сказывается благоприятно на клиентской лояльности;

• невозможность свободной конвертации бонусов от разных мерчантов между собой.

Резюме: тенденция к увеличению количества программ лояльности за последнее время, а также стремительное развитие кэшбэк-решений говорят об эффективности подобных маркетинговых инструментов. Но, несмотря на достаточную наполненность рынка, ни один из его участников не решает всех проблем, характерных для этого бизнес-сегмента. Есть необходимость в системных изменениях, принципиально новом подходе, подкрепленном актуальными технологическими решениями.

�10

DLM объединит пользовательский опыт и результаты предиктивной аналитики по клиентам, а также предложения от партнеров и мерчантов. В совокупности с собственной кэшбек-системой это позволит создать единую и, что немаловажно, персонифицированную программу лояльности, с прозрачными и понятными условиями начисления кэшбека и использования накопленных бонусов.

Рынок платежных систем Совокупный объем глобального рынка платежей демонстрирует уверенный рост и, по прогнозам экспертов, достигнет отметки в $2133 млрд уже к 2026 году. Только за прошлый 2017 год среднее значение роста объема транзакций по миру составило более 10%. Разумеется, и на этом рынке присутствуют свои блок- факторы, существенно влияющие на динамику развития:

• высокая стоимость комиссий для мерчантов на каждом этапе проведения транзакций;

• небезопасность. Хакерские взломы и последующие за ними хищения личных данных пользователей, а также денежных средств являются проблемой глобального масштаба. Причем Россия занимает первое место в мире по количеству атакованных пользователей с помощью вредоносного ПО. Одна только Kaspersky Lab — всемирно известная компания, работающая в сфере разработки антивирусов, — отразила 796,806,112 хакерских атак из 194 стран мира в течение первого квартала 2018 года;

• отсутствие качественных универсальных платежных решений для классической экономики и криптовалют. Классические трансконтинентальные платежные системы не имеют в своем функционале решений для рынка криптовалют и операций с ними;

• неоднозначность регуляционных норм и законодательной политики сегмента. Новые законодательные меры, призванные улучшить платежный процессинг, зачастую толкуются неоднозначно. Специалисты и эксперты отрасли относят это к одному из трех главных вызовов рынка. Так, законодательством России предусмотрена блокировка банковского счета клиента при малейшем подозрении на неправомерность операции, что зачастую не имеет ничего общего с действительностью. Пример, разумеется, не единственный.

Резюме: ни одна из трансграничных компаний рынка платежных систем не предлагает комплексного решения для пула проблем сегмента. К тому же, ни один из этих гигантов не предлагает универсальных решений, которые бы одинаково эффективно работали, как в секторе традиционной экономики, так и в сфере криптовалют. При этом, централизация и монополизм традиционных платежных систем создают негативные условия для клиентов: высокие ставки, комиссии, пробелы в системе безопасности — и это далеко не полный список. Рынок нуждается в универсальном инновационном решении, которое может предложить DLM.

�11

Рынок маркетинговых исследований В настоящее время глобальный рынок исследований поделен между несколькими крупными игроками, среди которых Nielsen, Kantar, IMS Health Inc, Ipsos SA и GfK SE. Этот немолодой бизнес-сегмент настолько перенасыщен, что предложение намного превышает спрос. Только в США существует около 5400 компаний, предлагающих услуги по исследованиям рынка, они в совокупности зарабатывают примерно $16 млрд. Примерный же объем всего мирового рынка оценивается примерно в $45 млрд.

Тем не менее, стоит отметить увеличивающийся спрос на подобные исследования, связанный, с одной стороны, со стабилизацией мировой экономики после кризиса 2008, растущей точностью аналитических прогнозов и неожиданными финансовыми сценариями недавнего прошлого, с другой стороны. Участниками рынка, с одной стороны, выступают компании, проводящие исследования, а с другой — компании, приобретающие аналитические отчеты для достижения своих целей.

Проблемы рынка:

• относительно высокая стоимость аналитических отчетов. Несмотря на большое количество исследовательских компаний и соответствующее количество предложений, далеко не каждая компания может позволить себе регулярно пользоваться подобным сервисом. Так, отчет по выбранному сегменту рынка обойдется в среднем в $3000 —4000, а детальное исследование по продукту может стоить $35 000—40 000;

• спорная актуальность и релевантность информации. Как правило, крупные компании предлагают комплексные, пакетные решения. Другими словами, заказчик зачастую покупает некоторую часть ненужной ему информации. Это значит, что средства, потраченные на крупное исследование, расходуются недостаточно эффективно.

Резюме: несмотря на то, что глобальный рынок исследований демонстрирует незначительный, но уверенный рост, расстановка сил, а также конкурентная среда могут кардинально измениться уже в ближайшее время. Это связано с принципиально новыми подходами и технологиями, которые в настоящее время начинают активно внедряться в исследовательские процессы. Технология анализа больших массивов данных постепенно вытесняет предыдущие достижения человека в этой области, её эффективность не вызывает сомнений, поэтому законодателями этого рынка в будущем могут стать те компании, которые смогут максимально оперативно интегрировать её в свою работу.

DLM сможет предложить актуальное решение и этому рынку. Предиктивные модели, платформа Big Data и маркетинга обеспечат получение репрезентативных выборок по релевантной цене.

�12

Актуальность DLM

Мы выделили основные проблемы рынков, которые могут быть решены проектом DLM. Однако, важно отметить, что платформа Digital Life Management, имплементируемая командой проекта, отвечает и общим требованиям, предъявляемым современным обществом к универсальному продукту, функционирующему в разных экономических плоскостях.

Антропоцентричность. Человек — основа и главное звено экосистемы, способствующей комфорту и развитию в сети. DLM создается для людей и для улучшения их уровня жизни.

Универсальность. Функционал экосистемы должен решать целый спектр разноплановых задач: от создания таргетированной цифровой среды до элементарного удобства всех сервисов для всех участников системы. Именно поэтому DLM представит набор продуктов, каждый из которых решает свой пул проблем.

Перспективность. Все технологии и решения, заложенные в основе экосистемы, должны обладать потенциалом развития и интеграции актуальных решений как минимум на ближайшее десятилетие. DLM располагает долгосрочной стратегией развития.

Гарантированная безопасность использования. Технологический стек экосистемы должен гарантировать безопасность использования для всех участников: блокчейн призван решить этот вопрос и сделать личную информацию абсолютно защищенной.

Общедоступность. Продукт должен быть доступен любому человеку или бизнесу вне зависимости от местонахождения, юрисдикции и других подобных факторов. [44] Smart контракты DLM и открытый API помогут каждому партнеру или клиенту гибко пользоваться обезличенными данными.

�13

Продукт

Основной продукт проекта — Digital Life Management платформа, которая объединит мерчантов, клиентов и рекламодателей. Функционал платформы основывается на имплементации самых эффективных и релевантных алгоритмов Big Data, а значит, большие объемы данных можно назвать одним из краеугольных камней системы. В этой связи нам особенно важны корректные процессы сбора, анализа и использования полученных данных.

Процесс Содержание и особенности процесса

Сборданных

• Данные агрегируются из всех возможных открытых источников: мобильных устройств, персональных компьютеров, банковских операций, платежных систем, умных часов и других смарт-устройств, социальных сетей и Интернета Вещей. При этом, пользователь сам определяет уровень доступности своих данных.

• Обезличенные данные (без прямых и косвенных указаний на конкретную персону или учреждение) отправляются на безопасное хранение в распределенное хранилище, доступ к ним возможен только с приватным ключом пользователя, который записан в блокчейне.

• Пул источников для сбора информации может быть расширен за счет свободного подключения новых источников данных через открытый API на основе смарт-контрактов.

Анализданных

• Анализ собранных данных осуществляется нейросетью, с использованием методики Map Reduce, собственных алгоритмов и математических моделей.

• Разнообразные поведенческие модели и покупательские предпочтения сопоставляются друг с другом, контекстом и физическим состоянием пользователя.

• Определяются всё новые взаимосвязи, выявляются шаблоны и модели поведения.

• По я в л яют с я о с н о в а н и я и в о зм ожно с т ь д л я прогнозирования поведения и потребностей пользователя с помощью искусственного интеллекта на основе нейросети.

�14

Использованиеданных

• Пользователь получает советы и релевантные предложения, на основании его привычек, состояния и потребностей.

• Пользователь получает информацию только действительно нужных ему товарах, услугах. Контент в широком смысле (не только коммерческие предложения) фильтр уетс я в соот в етс т вии с ценно с тями , устремлениями и приоритетами конкретного человека.

• Система противодействует информационным манипуляциям за счет исключения контента , получившего негативные маркеры от нейросети (спам, фишинг, нерелевантный контент). Индивидуальная цифровая среда становится более экологичной, дружелюбной и восприимчивой.

�15

Этапность

Для достижения целей проекта, DLM платформа будет имплементирована в два основных этапа.

Сustomer experience processing Первым этапом развития DLM в области качественного анализа пользовательского поведения является разработка Customer Experience Processing (CEP). СЕP — это набор алгоритмов для агрегации и структурирования данных о потребительском поведении каждого участника экосистемы — на основании анализа его транзакций в DLM. Информация для такого анализа хранится в обезличенном виде, и каждый участник сам регулирует процесс взаимодействия с сервисом, это касается как типа предоставляемых данных, так и специфики персонализированных предложений и программ лояльности.

В рамках данного этапа будут имплементированы:

• собственная платежная система;

• система кэшбека и лояльности (основанная на успешно функционирующих решениях компании CityLife);

• cистема авторизации в блокчейне;

• система хранения данных;

• собственный мессенджер;

• маркетинговая платформа;

• комплекс самообучающихся алгоритмов для анализа поведенческих моделей пользователей;

• открытый API на базе смарт-контрактов для партнеров и интеграции в платформу.

Основные части системы

Успешно функционирующие решения компании City Life будут использованы для платформы DLM. Одним из таким решений является платежная система CL Pay — собственная платежная система, позволяющая осуществлять расчеты как в привычных валютах, так и в CL баллах. За счет интеграции с эквайерами, платежными системами и оператором фискальных данных позволяет собирать информацию о транзакциях пользователя (местах покупки, количестве транзакций и сумме покупок, среднем обороте

Ценность для клиента Ценность для бизнеса

• Только релевантные предложения • Персональные скидки • Вознаграждение за

предоставленные данные • Быстрая обратная связь с мерчантом

через собственный мессенджер

• Таргетинг нового уровня • Удержание пользователя за счет

персонализации • Аналитика и статистика по ЦА • Оперативная обратная связь от

покупателей

�16

за период, остатке на счету и пр.). Кроме этого, будет имплементированы программа лояльности и кэшбэк сервис City Life. Вместе эти сервисы представляют собой единую систему, которая позволяет пользователям получать кэшбэк и скидку у партнеров программы (кэшбэк начисляется в CL баллах, которые можно потратить, или вывести на карту) и является источником данных о пользователях.

Еще одним компонентом системы является Маркетинговая платформа, представляющая собой набор инструментов для реализации рекламной стратегии бизнеса и своего рода точку входа мерчанта, заинтересованного в размещении своих предложений (через открытый API или XML), их таргетации, а также получении в дальнейшем статистики по конверсии. Рекламные предложения могут быть размещены в приложениях программы лояльности и расширении для браузера City Life, на сайтах и в приложениях партнеров и других площадках.

Реализация

Шаг первый. MVP, vol.1

Первый рабочий прототип продукта будет реализован как сервис для мерчантов еще программы лояльности City Life с использованием данных о покупателях из приложения и данных о его транзакциях из платежной системы.

Сценарий использования.

Магазин бытовой техники запускает новую линейку телевизоров. На основании данных о

�17

просмотрах, отзывах и покупках, система определяет целевую аудиторию, для которой такое торговое предложение может быть актуальным — предположим, это мужчины и женщины 27—45 лет с определенным уровнем дохода. Далее следует отбор по территориальному признаку, а именно — исключение тех пользователей, чья геолокация не входит в охват доставки магазина. Система также может исключить пользователей, недавно купивших телевизор.

Перспектива

Платформа будет масштабироваться за счет увеличения количества методов и источников сбора данных, улучшения аналитических алгоритмов и добавления новых каналов для показа персонализированных предложений.

Шаг второй. MVP vol.2

Второй прототип продукта предполагает интеграцию сторонних сервисов, поставляющих новые данные, например, платежных и “трекинговых” сервисов (тех, что благодаря отслеживанию геолокации генерируют данные о перемещении пользователей в торговых центрах) и многих других. Такие провайдеры данных также будут иметь возможность пользоваться системой и формировать таргетированные предложения на основе статистики и аналитики, предлагаемых платформой.

На этом этапе понадобится дополнительный функционал: открытый API для подключению к смарт-контракту провайдера данных, механизм сопоставления данных об одном пользователе от разных провайдеров, личный кабинет мерчанта с визуализацией статистических данных о своей или целевой аудитории.

�18

Сценарий использования (Use Case):

Сеть магазинов присоединяется к системе в качестве оператора сбора данных. После авторизации система записывает не только факты посещения покупателем одного из магазинов сети, но и информацию о его покупательском поведении — например, маршруты внутри магазина, продолжительность пребывания в том или ином отделе.

Впоследствии на основе таких данных эта сеть магазинов сможет получить доступ к детальной статистике посещения своих магазинов и отделов, сгруппированной по признакам пола, возраста, интересов, платежеспособности покупателя.

Также система позволит делать ретаргетинг предложения на пользователей с «брошенной корзиной» — система найдёт пользователей, которые задержались в определенном отделе магазина, но не купили интересующий товар ни в магазине сети, ни у конкурентов, и показать им релевантное предложение

Монетизация

Компания получает прибыль, продавая мерчантам сервисы таргетинга по cpa-, cpm-, cpc-моделям и доступа к статистике и аналитике.

Перспектива

Развитие платформы будет происходить за счет повышения эффективности аналитических алгоритмов, интеграции с новыми kyc-провайдерами, создания технической возможности участия внешних мерчантов, подключения партнерских сетей и вебмастеров.

К завершению этапа продукт будет функционировать следующим образом:

�19

�20

Life experience processing

Если первый этап внедрения платформы в большей степени ориентирован на персонализацию и связанное с ней удобство в сфере онлайн-покупок — как клиента, так и мерчанта, — то второй этап приблизит общество именно к частному цифровому пространству, которое не только снизит уровень стресса Интернет-пользователя, но и будет способствовать комфортному личностному развитию в приоритетном для человека направлении. Такой уровень персонификации достигается за счет анализа не только потребительских предпочтений, но и поведенческих моделей, формирующихся активностью человека в сети. На этом этапе мы сфокусируемся на создании технической возможности собирать, агрегировать и анализировать данные о перемещении в пространстве, поисковых запросах, интересах на информационных ресурсах, обучении и развитии в социальных сетях, физическом самочувствии, состоянии здоровья и т.д. “Зная” все это, система сможет давать персональные советы и обеспечивать пользователя релевантным контентом. Словом, DLM платформа будет формировать цифровое окружение пользователя, отфильтровывая ненужную, неинтересную и даже опасную информацию.

Для этого будут созданы и внедрены:

• расширение для браузера;

• “цифровая смарт-оболочка” — система анализа и фильтрации контента;

• самообучающийся алгоритм предопределения оптимальной конфигурации цифровой среды;

• виртуальный советник на базе приложения DLM;

• собственный браузер.

Интеграция в систему провайдеров данных о пользовательских браслетах, навигационных систем и Интернет вещей позволит привести платформу к следующему виду и функционалу:

Ценность для клиента Ценность для бизнеса

• Релевантные коммерческие предложения

• Персонализированные программылояльности

• Прозрачны процесс монетизации своих данных

• Быстрая связь с мерчантом через мессенджер платформы

• Индивидуальный “виртуальныйсоветник”, рекомендующий релевантный контент

• Более точное таргетирование • Удержание пользователя за счет

персонализации • Существенное увеличение

количества собираемой и анализируемой информации

• Аналитика и статистика по ЦА • Возможность собирать

обратную связь от покупателей • Дополнительные возможности

для доступа к аудитории • Скоринг потенциальных клиентов

на основе Big Data

�21

Сценарий использования (Use case)

Условный пользователь регулярно покупает определенный товар, например, кофе сорта арабика средней обжарки. Принимая во внимание периодичность совершения покупок данного пользователя, система определяет, когда запас кофе подходит к концу. В массиве данных, подвергаемых подобному анализу, присутствует информация из Интернета вещей: о маршрутах пользователя, его привычках (таких как, посещение фитнес-центра, скажем, по вторникам, четвергам и субботам), уровне стресса по пути домой и многом-многом другом. Постоянно анализируя все эти данные из разных источников и устанавливая все новые связи между ними, система предлагает пользователю в конкретном описываемом случае скорректировать маршрут домой с учетом трафика, необходимости пополнить запас кофе, а также предложив скидку/кэшбек на предпочитаемый кофе и акции на сопутствующие товары в магазине партнера.

Перспектива

Собирая всё больший объем данных и дополняя портрет “цифрового двойника” пользователя, система сможет не только предлагать рекомендации в ежедневных бытовых действиях, но формировать именно целостную, комфортную, дружелюбную, способствующую личностному росту человека цифровую среду.

�22

Интеграция с дополнительными провайдерами данных и поставщиками контента (такими как социальные сети, новостные порталы и агрегаторы), создание алгоритмов оценки и фильтрации контента и запуск собственного браузера, как средства сбора информации о пользователе и персональной цифровой среды, позволит привести платформу к следующему виду и функционалу:

Ценность для клиента Ценность для бизнеса

• Единая экосистема, в которой пользователь получает нужные ему предложения, в виде советов, статистики, анализа своего психофизического состояния.

• Отфильтрованный нарративный контент, основанный на данных из множества источников, включая Интернет вещей

• “Умная новостная и контент-лента, с интегрированным личным советником и “консьерж”- сервисом.

• Доступ к пользовательской аналитике и статистикепо интересующей целевой аудитории.

• Умный таргетинг с высокой конверсией. Предиктивная аналитика поведения пользователей для планирования логистики, закупок и прочего.

• Возможность создать автоматическую персонифицированную систему лояльности.

�23

�24

Компоненты и технологии

Система внутренних расчетов Подключившись к платформе, каждый пользователь получает возможность зарабатывать на своем оцифрованном жизненном опыте. Данные, предоставляемые пользователем системе, являются ценным и востребованным товаром, и, как и любой товар, он имеет свою цену и продавца. Для того, чтобы автоматизировать процесс продажи и приобретения данных, а также сделать его максимально прозрачным и защищенным, в DLM используется смарт-контракт. На его основе выпускается системный токен, который содержит информацию о ценности предоставленных данных. Предоставляя данные системе, пользователь получает вознаграждение в этих токенах. Их можно обменять на услуги и товары партнеров, либо вывести из системы.

Вознаграждение можно получить:

за подключение канала данных;

за переданные данные.

Для учета, записи и монетизации данных используется связка из двух токенов — ERC 721 и ERC 20. Данные хранятся в распределенном хранилище. При этом, доступ к данным имеет только владелец токена. По стандарту ERC994, пользователь делегирует владение токеном DLM. Таким образом, Нейросеть DLM получает возможность использовать данные для анализа. Объем и ценность предоставленной информации формирует стоимость информации в ERC20 токенах, и эта информация содержится в ERC721 токене. Мерчант, оплачивая услуги платформы, обеспечивает ликвидность ERC20 токенов, так как токены эмитируются под внесенные средства. Для доступа к статистике платформа делегирует право на ERC721 токен мерчантуна период подписки. В момент, когда пользователь хочет вывести вознаграждение за предоставленную информацию, ему будут начислены токены ERC20 в том объеме, который записан в ERC721. При этом ERC721 токен перевыпускается, с нулевой стоимостью в ERC20 токенах.

Собственная платежная система Собственная платежная система не только обеспечивает конвертируемость системного токена, но и является источником наиболее ценных для последующей точечной таргетации данных. Так, осуществляя транзакции пользователя, система потенциально сможет анализировать данные о среднем уровне доходов и расходов клиента, актуальных покупках и их стоимости, частотности приобретения отдельных товаров, географии покупок и даже предпочтительных брендах.

Помимо релевантного контента, пользователь получает возможность эффективно использовать кэшбэк и разнообразные бонусы, ведь оплачивать покупки можно будет привычными банковскими картами, токенами и баллами программы лояльности в едином мобильном приложении. Кстати, после интеграции с крупнейшими локальными банками и платежными системами, DLM сможет выпустить собственные карты, которые могут быть использованы везде, где принимается данный вид оплаты.

�25

Еще одно важнейшее преимущество собственной лицензированной платежной системы в том, что она позволит существенно снизить внутреннюю стоимость транзакций. Таким образом, DLM создаст единое решение, которое позволит мерчантам интегрировать программы лояльности и снизить затраты на эквайринг.

Маркетинговая платформа Собственная маркетинговая платформа — своего рода связующее звено между системой DLM и мерчантами. Маркетинговая платформа (МП) DLM предлагает бизнесу набор инструментов, позволяющий реализовывать рекламные стратегии различной сложности. Реализованная в формате DSP, МП DLM может быть использована для автоматизации процесса публикации и показа рекламных предложений с учетом специфики целевой аудитории отдельного рекламодателя.

Кроме этого, платформа предложит бизнесу следующие возможности:

• управление своими товарными позициями, услугами, сервисами и транслируемым контентом;

• четкая таргетация по группам пользователей;

• предиктивная аналитика по наиболее успешным каналам продвижения товара или услуги на основе статистики и анализа нейросети;

• детализированные аналитические отчеты по всем пользователям, которые зарегистрированы в системе (на основе общих и обезличенных данных) и по предложениям, товарам, услугам и продвигаемому контенту — в формате предиктивного анализа по сегментам пользователей;

• аналитические срезы по релевантности контента для пользователя с метриками просмотров и другой пользовательской активности.

Автоматизация и высокое качество этих процессов достигается за счет использования собственных постоянно обучающихся нейронных сетей.

Нейросеть Нейронные сети — это обучаемые системы, которые будут использованы в нашем проекте для анализа огромных массивов информации, установления и постоянного поиска в ней всё новых связей, формирования выводов даже на базе неполных или отсутствующих данных и планомерного ускорения этого процесса. Аналитическая способность таких сетей увеличивается экспоненциально, с ростом объема входящих данных, и широко используется для решения самых разных задач. Для DLM особенно важны следующие функции нейронных сетей.

• Классификация данных — их группировка по определенным параметрам и признакам (например, по возрасту, семейному статусу, уровню заработной платы, покупательским предпочтениям и прочим). Именно на этом основываются расширенные возможности

�26

таргетации DLM.

• Предсказание — возможность предугадывать тренды (например, рост или уменьшение интереса к определенному контенту), основанная на информационной выборке и аналитике данных о пользователях.

Мы в DLM используем следующие методы обучения искусственных нейронных сетей.

• Первичное обучение предполагает учителя, использующего выборку данных, ряд вопросов по ней и готовые ответы. Сеть сравнивает свои результаты с ответами учителя и корректирует весовые коэффициенты. Также в процессе работы, учитель может корректировать процесс обучения, предлагая новые вводные, тем самым задавая вектор обучения. Так, специалисты по машинному обучению DLM заложат фундамент нейросети, проведя первичное обучение.

• Обучение с подкреплением — это метод, основанный на наблюдении. Сеть обучается, постоянно “наблюдая” за изменениями в поступающих данных и самостоятельно ранжируя приоритетность данных. В частности, нейросеть DLM будет получать и анализировать результаты конверсий маркетинговой площадки и реакцию пользователей на контент, сравнивая их со сделанными ранее выводами и внося корректировки.

�27

Цифровой двойник Personal Digital Twin – это своего рода цифровой слепок пользователя платформы DLM, сформированный на основе информации из разнообразных источников и связанный с его условным внутрисистемным ID. Этот уникальный номер, присваиваемый каждому пользователю при регистрации, связан со всем объемом данных, кроме персональных. То есть при авторизации система идентифицирует участника по собранной информации об онлайн-привычках, физических состояниях, интересах и приоритетах. При этом, персональные данные пользователя (такие как имя, email, телефон, паспортные данные, отношение к какой-либо организации и прочее) известны только KYC-провайдеру и не могут быть скомпрометированы. Таким образом, при таргетации торговых предложений и формирования предикативной аналитики, используются строго обезличенные данные.

Именно это позволяет DLM предлагать релевантные товары, услуги и контент не конкретному человеку, а его цифровому двойнику. Personal Digital Twin – особая сущность проекта DLM, лежащая в основе концепции персонализированной цифровой среды.

�28

Дорожная карта продукта

Q2, 2018: основание проекта Q3, 2018: формирование профессиональной команды Q3, 2018: концептуальная модель платформы DLM Q4, 2018: бета-версия хранилища данных на основе блокчейна Q4, 2018: подготовка всей технической документации Q4, 2018: привлечение средств Q1, 2019: демо-версия MVP Q2, 2019: интеграция с программой лояльности CityLife Q2, 2019: получение необходимых лицензий для запуска платежной системы Q3, 2019 запуск платежной системы Q4, 2019: запуск маркетинговой платформы Q4, 2019: механизм сопоставления данных из разных источников Q4, 2019: релиз аналитического ядра Q1, 2020: релиз MVP Q1, 2020: собственный мессенджер Q2, 2020: интеграция с компаниями e-commerce Q2, 2020: открытый API для подключения провайдеров KYC Q2, 2020: личный кабинет мерчанта с аналитикой Q3, 2020: интеграция c новыми площадками для размещения рекламы DLM Q3, 2020: интеграция со смарт-устройствами (IoT) Q4, 2020: расширение для браузера Q4, 2020: цифровой советник Q4, 2020: алгоритм, анализирующий пользовательское поведение Q1, 2021: алгоритм фильтрации контента Q2, 2021: собственный кроссплатформенный браузер Q3, 2021: персонализированная цифровая среда

�29

Команда

�30

Франциско Пицарро — CEO

Франциско - обладатель степени Master of Business Administration (MBA), имеет широкий наборкомпетенций для управления компанией любого уровня. Эксперт по оптимизации бизнес-процессов и аналитик крупнейшего испанского банка Santander, основатель собственного бренда Nokkel.

Павел Дмитриев — CSO

Павел — предприниматель с опытом открытия собственных компаний с 2003 года. Его начальная специализация — маркетинг и развитие бизнеса. Он также работал с крупными федеральными компаниями. В сфере стартапов более 8 лет. Имеет опыт обучения и открытия компании в США.

Дмитрий Карпач — Директор по продукту

Дмитрий имеет богатый опыт разработки проектов в области платежей в B2B и электронной коммерции. Он является сторонником выверенного коммерчески ориентированного подхода к продуктовой стратегии. В активе Дмитрия колоссальный опыт курирования нестандартных проектов на всех стадиях и разного масштаба - от крупных проектов лидеров рынка альтернативных платежей до стартапов, предполагающих максимально эффективное распределение ограниченных ресурсов.

Авджи Биннур — Директор по развитию бизнеса

Авджи — профессионал с большим опытом привлечения клиентов и партнеров со всех уголков мира, как в сегментах B2B, так и B2C. Ее профессиональный опыт включает в себя работу в Wirecard и Michael Page, а также создание комплексной инфраструктуры сотрудничеста с банками и платежными системами по всему миру.

�31

Марек Ковальский — Технический директор Марек стоит у истоков развития блокчейн-технологии. Его более чем десятилетний опыт в сфере IT включает в себя работу с основными поставщиками софта в Италии, Испании и США. Один из ведущих блокчейн в Европе, Марек широко известен в профессиональных кругах как евангелист инноваций и эксперт отрасли. Его технические знания и инновационный подход играют решающую роль в разработке качественных и эффективных решений. Возглавляя команду разработчиков Rumble Fish, он обладает колоссальным ресурсом для устойчивого технического развития проекта.

Януж Корнага — Full stack developer

Януж — технический специалист с более чем пятилетним опытом работы в сфере IT — от выстраивания архитектуры и внедрения систем платежей и отчетности до разработки софтверных решений. Он сочетает свою страсть к дизайну и выверенную простоту программного кода. Компетенции Янужа включают React, работу с облачными сервисами, Express, AWS и NodeJS.

Бартломей Лисицки — Senior Full Stack Developer

Бартоломей — full stack инженер и опытный разработчик блокчейн-решений с мощным научным бэкграундом. Это сильный специалист в области разработки и тестирования с исключительно целостным подходом к написанию кода. Его опыт включает в себя разработку программного обеспечения на Python и NodeJS, проектирование инфра с тр у к т у ры и проце с сов C I / C D , а та кже администрирование AWS.

Иван Мушавец — СМО

Иван более шести лет реализует разнообразные международные проекты в области e-commerce и более трех лет занимается развитием стартапов. Главные компетенции Ивана — аналитика , стратегическое планирование, маркетинговые исследования. Он является сертифицированным партнером Google/Yandex со специализацией «Автоматизация маркетинга на EU и USA рынках».

�32

Талита Дуарте Рогоски — Финансовый Советник

Высококвалифицированный специалист, с легкостью готовящий ежедневные/еженедельные/ежемесячные/ежеквартальные/ежегодные отчеты и другие регулярные/специальные мероприятия (анализ, тестирование, проекты) для рынка Великобритании, Бельгии, Нидерландов, Франции и Люксембурга. Она обладает глубокими практическими знаниями в области разработки глобальных стратегий и организации общей структуры команды для компаний, специализирующихся на цифровых платежах.

Петер Чернек — Консультант по маркетингу

Сертифицированный с пециа ли с т с широкими компетенциями в сфере маркетинговой стратегии и Fintech, Петер обладает обширным опытом по части определения ключевых перспектив электронной коммерции в регионах Центральной и Восточной Европы. Петер уже более четырех лет работает с топ-менеджерами над созданием долгосрочных стратегий продаж.

Эндрю Дуканарис — Операционный советник

Более 20 лет Эндрю работает в сфере торгового эквайринга и разного рода платежей, платежных средств и систем. Он принимал участие в разработке и запуске многочисленных программ лояльности по всему миру. В его активе — более чем десятилетний опыт работы в корпорации Visa и консультирования других международных платежных систем.

Венкатапиллай Руди – Консультант по развитию бизнеса

Венкатапиллай обладает ценной экспертизой во всем, что касается разнообразных платежей и банковских операций. Почти 16 лет он работает в сфере финансовых продуктов, развития бизнеса, управления рисками и операционной деятельности в этой сфере — на разных позициях в международных компаниях.

Правовая информация

White Paper не является целиком или частично частью какого-либо соглашения между проектом DLM и Вами.

Настоящий документ или любой другой документ, представленный на веб-сайте проекта DLM, не должен рассматриваться как предложение о продаже или подписке, проспект, ходатайство об инвестировании или приглашение покупать или подписываться на любые ценные бумаги или финансовые инструменты в отношении любой компании, включая DLM, ее партнеров или ее аффилированных лиц. Ни один анализ или информация представленные в White Paper не предназначены для принятия инвестиционного решения, и никаких конкретных рекомендаций по инвестициям и каких-либо советов, мнений или ходатайств о покупке или продаже не несет.

Информация и данные, приведенные в этом документе или любом другом документе, представленном на веб-сайте проекта DLM, могут быть изменены по любой причине, могут быть не достаточно исчерпывающими или точными, и никаких гарантий по отношению к таким данным не предоставляется. Проект DLM категорически отказывается от какой-либо ответственности за: (i) любые прямые или косвенные убытки или ущерб любого рода, возникающие прямо или косвенно из-за информации, содержащейся в этом документе, или любого другого документа, представленного на веб-сайте проекта DLM, или (ii) ошибки, упущения или неточности в указанной информации, (iii) или любое решение или действие, последующие из такой информации. На заявления, оценки и финансовую информацию, содержащиеся в этом документе не предоставляется гарантий, относительно их точности или реализации. Такие заявления или информация связаны с известными и неизвестными рисками и неопределенностями, которые могут привести к тому, что фактические события или результаты будут существенно отличаться от оценок, событий или результатов, подразумеваемых или выраженных в таких заявлениях или информации. Финансовая информация, содержащаяся в этом документе, не проверена.

Содержание White Paper не является обязательным для проекта DLM и публикуется только для обсуждения и в ознакомительных целях.

Содержание может быть изменено из-за постоянного развития проекта DLM, изменений на рынке, эволюции технологий, а также по другим причинам. Тем не менее, проект DLM не обязуется изменять, модифицировать или обновлять этот документ или иным образом уведомлять читателя этого документа, в случае, если любой вопрос, любое мнение, прогноз или оценка, изложенные в настоящем документе, изменяются или впоследствии становится неточными.

Ни при каких обстоятельствах компания DLM, ее партнеры или ее дочерние компании не несут ответственности перед любым физическим лицом или организацией за любые убытки, обязательства, затраты или расходы любого рода, будь то прямые или косвенные, компенсационные, случайные, фактические, карательные или связанные с использованием данной White Paper или любого документа, содержащегося на веб-сайте проекта DLM, включая, помимо прочего, любую потерю капитала, бизнеса, доходов, прибыли, данных или других нематериальных потерь.

�33

Никакие регулирующие органы не проводили анализ и не одобряли White Paper, какую-либо информацию, содержащуюся на веб-сайте проекта DLM или в White Paper, так как такие действия не требуются в соответствии с действующим законодательством.

White Paper может быть обновлена или изменена с использованием ее последней версии, преобладающей по сравнению с предыдущими версиями. Проект DLM не обязуется сообщать вам о факте или содержании любых изменений. Тем не менее, нет никаких обязательств по обновлению, дополнению или исправлению White Paper или сопроводительных материалов любым образом, для предоставления Вам доступа к любой дополнительной информации. Информация, содержащаяся здесь, может быть переведена на другие языки. В случае возникновения каких-либо конфликтов или несоответствий между таким переводом и официальным документом на английском языке, положения оригинала документа на английском языке имеют преимущественную силу. Никакая часть настоящего документа не должна распространяться или копироваться без включения этого раздела.

�34