Идентификация клиента: почему в России трудно полагаться на финансовую отчетность

В марте к нам обратилась за банковской гарантией компания — одна из лидеров российского рынка по поставкам технического оборудования, давний партнер госкорпораций и крупных российских холдингов. По итогам 2021 года они получили прибыль в размере сотни миллионов рублей. Казалось бы, причин для отказа в предоставлении банковской гарантии при таком финансовом результате нет. Но заявка была отклонена: при первом приближении стало понятно — основные поставки этого холдинга шли из Европы. В марте контракты с производителями были разорваны, логистические цепочки нарушены. Перспективы туманны. И таких примеров на рынке сегодня — не десятки, а сотни в различных секторах и отраслях экономики.

Всего за несколько месяцев мы перенеслись в новую реальность, где отчетность не дает подлинной картины, а данные меняются и устаревают быстрее, чем мы успеваем их обрабатывать. Существующие модели оценки компаний отстают от событий, что отражается в банковской сфере на качестве кредитных решений, а в реальном секторе — на  качестве исполнения контрактов. Очевидно, что нужна новая модель.  

Стоит признать, проблема не возникла вдруг. Поиск альтернативы финансовому анализу бизнеса ведется уже давно Санкции всего лишь до предела обострили вопросы к привычным формам отчетности. Но, к счастью, есть инструменты, которые все же могут стать новыми индикаторами для бизнеса, банков и государства. 

Транзакции как альтернатива 

В поисках решения проблемы многие заказчики и кредиторы стали оценивать своих партнеров через призму транзакционных и логистических рисков. Например, какова вероятность, что компания не сможет получить важные импортные комплектующие или крупный платеж будет заморожен. Этих сведений в отчетности не найти, а верить на слово — не в традициях российского бизнеса. Для объективной оценки даже одного параметра — влияние санкций и адаптация бизнеса к работе в новых условиях — разумно и полезно применять транзакционную модель на основе анализа первичной бухгалтерской документации компании. 

Кто есть кто, покажет, например, карточка счета №51, где содержится информация о наличии и движении денежных средств на расчетных счетах организации, и карточка счета №60 — расчеты с поставщиками и подрядчиками. Из указанных счетов, выгруженных из системы 1С, наглядно видно, как компания ведет свою деятельность сегодня: с кем заключены контракты, каковы ликвидность и складские запасы, как происходит движение денежных средств, каким образом выстроены логистические цепочки. При этом достоверность сведений проверяется с помощью сопоставления. Например, расходы не могут превышать объем средств на расчетном счете. В случае обнаружения превышения расходов делается запрос на наличие у компании расчетных счетов в других кредитных организациях. 

Официальная отчетность также применяется в оценке, но теперь ее смотрят и анализируют в других разрезах, в том числе сверяют с ранее предоставленными данными, финотчетами других клиентов из аналогичной отрасли. В итоге получается выявить скрытые проблемы, которые пока не показывает официальная отчетность.

Технология обработки и анализа данных по каждому клиенту позволяет построить несколько моделей для составления объективного представления о финансовом положении компании:

1. Денежного потока — расчет показателей Cash-Flow, оценка достаточности денежного потока, анализ входящих и исходящих платежей, размера остатков на счетах в банках, а также информации о действующих кредитах.

2. Ценообразования — получение выходных данных из инструмента ценообразования, учет эластичности спроса.

3. Обеспечения — оценка обеспечения одного контракта банковскими продуктами.

4. Статистической или рейтинговой — расчет кредитного рейтинга, расчет вероятности дефолта.

5. Кредитной дисциплины — качество обслуживания обязательств по действующим или закрытым кредитным продуктам.

6. Антифрода — выявление мошеннических действий или маргинальных операций, не несущих экономического смысла.  

Прогноз от Big Data

Транзакционная модель позволяет в разы повысить качество оценки компании. Но, как правило, она эффективно работает в тех случаях, когда есть первые признаки назревающих проблем. Более надежных результатов позволяет добиться использование Big Data.

На основании официальной отчетности, судебно-исковых заявлений, документов о банкротстве и прочих данных из открытых источников можно выстроить четкие алгоритмы оценки. Один из наиболее перспективных для работы с юридическими лицами — алгоритм использование графовой аналитики больших данных, это позволяет смоделировать сеть из контрагентов компании, выявить их внутренние связи, а также максимально точно спрогнозировать риски. Если в выстроенной цепочке появляется хотя бы одна компания с финансовыми проблемами, то ближайшие  ее звенья — контрагенты и партнеры — автоматически попадают в зону риска. 

Вот пример: сеть розничных магазинов закупает товары у прямых производителей и с оптовых баз. Всего в цепочке задействовано несколько десятков организаций-поставщиков. Компания получает стабильную прибыль, что подтверждают как отчетность, так и транзакционная модель. Но при анализе контрагентов мы видим, что образуется цепочка аффилированных юридических лиц. При этом к одной из компаний у налоговых органов возникают претензии. Дальнейший анализ подтверждает, что речь идет о вливании в компанию полученных незаконным путем средств с целью их дальнейшей легализации. Без помощи Big Data просчитать риски было бы сложно.

Сегодня область применения Big Data постоянно расширяется. Транспортные компании используют большие данные для контроля и маршрутизации подвижных составов, метеорологические станции — для предсказания погоды, социальные сети — для анализа релевантности рекламы.      

Банки во всем мире планомерно внедряют инструменты работы с большими данными в свои процессы. В основном речь идет об использовании в кредитном скоринге, в первую очередь — в работе с розничными клиентами. Но сейчас все больше возможностей для применения находится и в корпоративном блоке.

Важно, что интерес к технологии есть и со стороны регуляторов. Банк России изучает вопрос использования технологий Big Data на российском рынке и, более того, разрабатывает собственные алгоритмы измерения экономической активности на основании комплексного анализа новостных сайтов при помощи Big Data.

Все эти факты свидетельствуют о том, что отчетность теряет свой вес в оценке финансовых рисков, и в недалеком будущем, вероятно, ее роль в скоринговых моделях банков будет сведена к минимуму. 

Мнение редакции может не совпадать с точкой зрения автора