Цифровые технологии в работе кредитного аналитика: преимущества и недостатки использования

Терновская Елена Петровна,
канд. экон. наук,
проф. Департамента финансовых рынков и банков,
Финансовый университет
при Правительстве Российской Федерации
Финансовые рынки и банки
№4 2019

Внедрение новых цифровых технологий в реализацию кредитного процесса в коммерческом банке дает возможность существенно повысить его эффективность. В то же время необходимо учитывать ряд моментов, которые требуют от кредитного аналитика развития дополнительных компетенций по контролю за работой автоматизированных систем.

Новые цифровые технологии сегодня активно внедряются в деятельность институтов финансового рынка. Расширяются и направления их использования в коммерческих банках, в том числе, и при организации основных бизнес-процессов, среди которых важнейшее место принадлежит кредитному процессу. Среди таких направлений специалистами отмечаются:

  • использование технологии больших данных для оценки кредитоспособности клиента;
  • автоматизация процесса кредитного мониторинга с применением искусственного интеллекта;
  • совершенствование технологий работы по взысканию просроченной задолженности на основе роботизации коллекторских функций.

Эти процессы, с одной стороны, освобождают время сотрудников от рутинной работы, а, с другой стороны, требуют от них способности эффективно использовать полученные на основе новых технологий результаты и своевременно корректировать их применение с учетом человеческого фактора. Важным становится также их умение находить примеры полезного опыта, который мог бы быть внедрен и в месте их непосредственной работы.

Так, на первом этапе работы с кредитной заявкой особое значение имеют содержание, качество и способы обработки информации о клиенте, объем которой постоянно увеличивается, при этом часть информации является актуальной только в режиме реального времени.

Разработчики цифровых способов обработки данных полагают, что оценка традиционным способом не позволяет учитывать порядка 80% информации о клиенте, влияющей на уровень его кредитного риска1.

1 Ордынский А.А., Шаталова Е.П. Оценка кредитоспособности заемщиков с помощью BIG DATA: проблемы и перспективы внедрения в России // Международный научно- исследовательский журнал, 2017, № 7(61)

Одним из примеров таких решений может быть совместный проект Mail.ru Group и бюро кредитных историй «Эквифакс», использующий систему искусственного интеллекта для оценки уровня риска заемщиков, признанных нежелательными традиционными методами. Пилотный проект другого российского финтех- стартапа FscoreLab предусматривал проведение скоринга, основанного на анализе фотографии заемщика с использованием нейросети, обученной на 600 тысячах реальных историй обслуживания кредитов из баз БКИ.

Еще одно исследование предлагает учитывать при оценке кредитоспособности такую информацию, как используемая заемщиком модель смартфона и его цифровой след в виртуальной сети. Как выяснили сотрудники Национального бюро экономических исследований США (National Bureau of Economic Research - NBER), по своей точности этот метод позволяет лучше оценивать кредитные риски, чем система FICO, которая применяется большинством банков в разных странах. Для доказательства своей гипотезы ими были проанализированы данные немецкого веб-сайта электронной коммерции, на котором клиентами приобреталась мебель в рассрочку1. При этом использовались как вполне очевидные характеристики (обладатели смартфонов в подавляющем большинстве случаев оказывались надежными клиентами), так и более скрытые особенности. Например, использующие устаревшие версии операционных систем гораздо чаще оказывались неплатежеспособными.

1 Павел Кот. Вашу кредитоспособность выдают модель смартфона и цифровой след // https://usa.one/2018/05/cifrovoj-sled- kak-i-vybor-smartfona-pozvolyaet-kompaniyam-opredelit-stoit-li-vydavat-vam-kredit/

Еще более точными являются характеристики цифрового следа. Так, клиенты, оформившие заказ товара посредством смартфона, чаще были склонны к невыполнению условий обслуживания кредита. В эту же категорию ученые включили тех, кто пользовался почтовыми сервисами таких ресурсов, как Hotmail и Yahoo.

Одна из последних разработок, позволяющая существенно сократить трудозатраты аналитиков на оценку сопутствующей информации о контрагенте, в том числе заемщике, недавно начала внедряться в Сбербанке путем использования интеллектуальных технологий от Abbyy в системе онлайн-мониторинга новостей. Система дает возможность анализировать новости о банках- контрагентах Сбербанка и в реальном времени выявлять основные рисковые факторы. Это позволило существенно снизить затраты труда сотрудников на обработку и структурирование информации, а в дальнейшем обеспечит ускорение обслуживания клиентов и значительное снижение кредитных рисков.

Интеллектуальные технологии Abbyy освобождают сотрудников банка от необходимости ознакомления со всем новостным потоком, в результате чего существенно повышается скорость соответствующей реакции банка и повышается точность анализа. Данные технологии уже используются всеми крупными российскими банками для открытия расчетного счета, формирования кредитного досье, оценки и анализа рисков, ввода и обработки информации из бухгалтерских, кадровых документов, необходимых данных для осуществления валютного контроля, автоматизации клиентской поддержки и решения других задач.

Так, в банке ВТБ используются результаты анализа новостного или текстового потока, встроенные в процесс мониторинга кредитных рисков. Разрабатывается проект по анализу новостей из разных источников для определения их влияния на вероятность дефолтов корпоративных клиентов. Исходной предпосылкой является то, что негативные новости могут свидетельствовать о проблемах компании до их отражения в финансовой отчетности, предоставляемой банку. Новости на основе ИИ-алгоритмов анализируются нейросетью, в результате между факторами может быть установлена статистически достоверная зависимость.

Раньше такой подход использовался инвестиционными банками на основе работы соответствующих аналитиков. Однако использование для этого искусственного интеллекта и оперативная подготовка актуального онлайн-профиля банка обеспечивает возможность выявления потенциальных рисков уже на этапе заключения сделки. Если такая деятельность подробно описана, структурирована, искусственный интеллект на обучающей выборке примеров может хорошо классифицировать новости, то сотрудникам не приходится выполнять трудоемкую работу по их чтению и фильтрации, а также отвлекаться на чтение посторонних новостей. Это позволяет больше времени уделить анализу и оценке рисков. Кроме того, если по точности извлечения информации из текста человек может составить конкуренцию искусственному интеллекту, то последний превосходит возможности человека в полноте покрытия источников2.

2 Юлия Мельникова. ИИ проследит за контрагентами Сбербанка 23.01.2019 https://www.comnews.ru/content/117168/2019-01- 23/ii-prosledit-za-kontragentami-sberbanka

Еще один этап кредитного процесса, на котором могут быть использованы новые информационные технологии, связан с работой с проблемной задолженностью и взысканием долгов.

Например, дочерняя компания Сбербанка ООО «Активбизнесколлекшн» в 2017 г. на базе искусственного интеллекта разработала систему, которая может вести с должником диалог, подбирая соответствующие ответы на основе телефонного общения с заемщиком. Робот состоит из трех основных блоков:

  • системы распознавания речи собеседника:
  • системы синтеза речи, которая позволяет роботу говорить;
  • бизнес-логики, которая определяет смысл сказанного должником.

В августе 2017 года эффективность робота- коллектора оказалась на 24% выше, чем у живых операторов - настолько чаще должники погашали долги в течение двух недель после звонка машины, чем после общения с оператором. В перспективе планируется создание системы, которая сможет помогать оператору вести сложные переговоры (анализируя диалог и выводя на монитор в онлайн-режиме информацию о должнике и прочие подсказки)3.

3 Илья Носырев, Светлана Романова. Робот-коллектор: как Сбербанк автоматизирует выбивание долгов // РБК, 4 сентября 2017 г. // https://www.rbc.ru/own_business/04/09/2017/59a6a4b59a794703c8ab0ee9

Приложение с похожими функциями использует агентство «Сентинел кредит менеджмент» (принадлежит Альфа-банку). Бот может сообщить клиенту всю информацию о долге, напомнить о дате следующего платежа в виде push-уведомления, дает возможность выбрать размер платежа и дату его внесения, а более сложные вопросы, поступающие в чат, переадресовывает оператору. Аналогичный продукт появился у агентства «Кредитэкс- пресс финанс» - в нем есть чат, возможность позвонить оператору и функция онлайн-оплаты. При этом чат-боты и роботы-«дозвонщики» имеют важное преимущество, так как классифицируются действующим законодательством как автоинформаторы, что позволяют обходить запрет на лимитированное количество взаимодействий с должниками.

Внедрять роботов для взыскания долгов планируют и микрофинансовые институты, чтобы сократить количество жалоб клиентов. Так, тестовый запуск робота-коллектора провела в 2018 г. МФК «Вэббанкир». Робот идентифицирует личность заемщика на основе контрольных вопросов, а затем напоминает должнику о факте просроченной задолженности, сроках погашения и сумме, запрашивает подтверждение оплаты, проводит работу с отказами. Только за первые пять дней системой было сделано свыше 6 тыс. звонков и обеспечен возврат задолженности на сумму более 500 тыс. руб.

Робот смог взять обещание об оплате у 47% должников, а также перевел 22% обещаний в погашение задолженности. При этом результат работы специалистов из отдела взысканий по параллельному обзвону должников пока оказался выше - 95% и 72% соответственно. Но около 80% должников воспринимали робота как живого человека1.

1 Светлана Самусева. Займы переходят к роботам. МФО авто­матизируют работу с жалобами клиентов // Коммерсантъ №62 от 11.04.2018, с.8.

Высокая скорость работы, отсутствие перерывов и возможность вести звонки одновременно по нескольким линиям позволяет в перспективе заменить роботом до трети сотрудников колл- центра.

Такие технологические решения позволяют повысить эффективность работы сотрудников кредитных подразделений. Однако можно выделить несколько факторов, которые следует учитывать при использовании новых финансовых технологий.

Во-первых, необходимо на постоянной основе осуществлять коррекцию действующих автоматических скоринговых систем. Например, используя данные о трудовом стаже, необходимо дать правильную интерпретацию полученной информации. Так, в скоринговой модели, используемой американскими банками, человек, сменивший большое количество мест работы, получит высокий балл, так как он расценивается как востребованный на рынке специалист. В то же время в отечественных системах в большинстве случаев наибольшее количество баллов предусмотрено для человека, долго проработавшего на одном месте. Система зачастую учитывает только формальное положение вещей и может оценить гораздо выше наличие комнаты в коммунальной квартире на Арбате в Москве, чем владение особняком в небольшом поселке на Черном море, классифицируемым как «жилье в селе»2.

2 Комаров Д.С. Применение современных технологий для оценки кредитоспособности физических лиц // Молодой ученый. - 2017. - №5. - С. 177-180. - URL https://moluch.ru/archive/139/39386/ (дата обращения: 18.02.2019).

Поэтому большое внимание следует уделять адаптации системы под современные реалии.

Второй момент - недостаточный учет психологии клиентов. Так, робот чаще всего может работать только с простыми случаями. Клиенты зачастую перебивают бота, говорят одновременно с ним или используют сложные речевые конструкции, которые система не всегда может распознать. В результате становится необходимым вмешательство оператора, который должен быть способен осуществлять функции регулирования и корректировки работы автоматизированных систем.

Наконец, существенным недостатком может стать риск масштабирования ошибок искусственного интеллекта. Так, по признанию Германа Грефа, в условиях, когда с помощью искусственного интеллекта принимаются решения (например, по скоринговой оценке кредитоспособности массовых заемщиков), даже небольшая ошибка может вызвать серьезные негативные последствия. С одной стороны, внедрение в Сбербанке искусственного интеллекта позволило сократить около 70% менеджеров среднего звена, но выявленные позднее недостатки в алгоритме решений привели к существенным финансовым потерям банка3.

3 Греф признал потерю Сбербанком миллиардов рублей из-за искусственного интеллекта // Ведомости, 26.02.2019.

Таким образом, эффективное выполнение функций кредитного аналитика в условиях широкого использования новых информационных технологий должны учитывать такие моменты, как:

  • необходимость на постоянной основе осуществлять коррекцию действующих автоматических скоринговых систем;
  • участие в контроле за действием автоматизированных систем по работе с проблемной задолженностью, обусловленное необходимостью учета психологии и особенностей общения с клиентами;
  • оценка вероятности маштабирования ошибок при внедрении и использовании новых информационных технологий на всех стадиях реализации кредитного процесса.

Литература

1. Греф признал потерю Сбербанком миллиардов рублей из-за искусственного интеллекта // Ведомости, 26.02.2019.

2. Комаров Д.С. Применение современных технологий для оценки кредитоспособности физических лиц // Молодой ученый. - 2017. - №5. - С. 177-180. - URL https://moluch.ru/archive/139/39386/ (дата обращения: 18.02.2019).

3. Павел Кот. Вашу кредитоспособность выдают модель смартфона и цифровой след https://usa.one/2018/05/cifrovoj-sled-kak-i-vybor-smartfona-pozvolyaet-kompaniyam-opredelit-stoit-li-vydavat-vam-kredit///

4. Юлия Мельникова. ИИ проследит за контрагентами Сбербанка 23.01.2019 https://www.comnews.ru/content/117168/2019-01-23/ii- prosledit-za-kontragentami-sberbanka

5. Илья Носырев, Светлана Романова. Робот- коллектор: как Сбербанк автоматизирует выбивание долгов // РБК, 4 сентября 2017 г. // https://www.rbc.ru/own_business/04/09/2017/59a6a4b59a794703c8ab0ee9

6. Ордынский А.А., Шаталова Е.П. Оценка кредитоспособности заемщиков с помощью BIG DATA: проблемы и перспективы внедрения в России // Международный научно- исследовательский журнал, 2017, № 7(61).

7. Светлана Самусева. Займы переходят к роботам. МФО автоматизируют работу с жалобами клиентов // Коммерсантъ №62 от 11.04.2018, с.8. УДК 338.2

Метки
Программа Финансовый анализ - ФинЭкАнализ для анализа финансового состояния предприятия, позволяющая рассчитывать большое количество финансово-экономических коэффициентов.
Скачать ФинЭкАнализ
Программа для проведения финансового анализа по данным бухгалтеской отчетности
Скачать ФинЭкАнализ
Провести Финансовый анализ Онлайн
Онлайн сервис для проведения финансового анализа по данным бухгалтеской отчетности
Попробовать ФинЭкАнализ