Банк России ужесточает регуляторные требования к банкам для предотвращения роста закредитованности населения. Эти меры направлены на снижение рисков, связанных с избыточной долговой нагрузкой граждан и потенциальными финансовыми кризисами. Вместе с этим ограничения приводят к усилению конкуренции среди кредиторов за привлечение качественных клиентов. Ключевым инструментом в борьбе за них становится прогнозная аналитика, основанная на анализе больших данных.
Как искусственный интеллект помогает более точно оценивать риски, связанные с предоставлением кредитов, а также предлагать продукты, максимально адаптированные к потребностям и финансовому поведению клиентов, рассказывает вице-президент, главный директор по управлению рисками МТС Банка Светлана Винокурова.
Несмотря на растущие процентные ставки, готовность россиян финансировать различные потребности с помощью кредитов остается высокой. По данным бюро кредитных историй (БКИ), доля людей, имеющих три кредита и более, за последние три года выросла с 20% от общего числа банковских заемщиков до 29%. По приблизительным оценкам, количество таких заемщиков в стране растет в среднем на 18% в год и сейчас составляет 13 млн человек (исходя из данных по количеству заемщиков по отчету ЦБ).
Чтобы не допустить роста закредитованности населения, Банк России ужесточает регуляторные требования к кредиторам — в первую очередь макропруденциальные лимиты и капитальные требования по розничным кредитам. Притом что количество банковских заемщиков в последние два года и так растет не очень быстро — на 5–11% в год, политика ЦБ естественным образом приводит к усилению конкуренции за качественных клиентов. В результате рост бизнеса банков и финтех-компаний все больше зависит от способности правильно оценить потребности и кредитоспособность заемщика, а ключевым инструментом конкурентной борьбы стали знания о клиенте, основанные на анализе большого массива данных, — предикативная или прогнозная аналитика.
Для примера возьмем кредитный скоринг — процесс оценки качества заемщиков. В каждом банке работает своя скоринговая система, которая определяет кредитные лимиты, тип продукта, а часто и размер процентной ставки для каждого клиента. Помимо собственных данных, кредитным организациям доступны данные бюро кредитных историй, рассказывающие, какие кредиты потенциальный заемщик брал ранее, допускал ли он просрочки, отказывали ли ему другие банки. Однако для максимально точной оценки риска этого недостаточно. Кредитная история — лишь капля в море данных, анализируемых крупнейшими кредиторами. Например, в МТС Банке на отказы на основе только данных БКИ приходится менее трети поданных заявок.
Сегодня скоринг уже невозможно представить без данных, полученных из различных открытых источников. Анализ «цифровых следов», которые оставляет каждый из нас, и развитие машинного обучения позволяют МТС Банку создать математическую модель, которая менее чем за 1,5 минуты определит объем кредита, его формат и стоимость для каждого конкретного клиента. При этом в процессе принятия решения не участвует человек, что дополнительно исключает фактор «человеческой ошибки».
Единой для всех банков системы оценки кредитоспособности не существует. Скоринг-модель МТС Банка самообучаема и анализирует более 150 переменных. Банк использует все доступные возможности по ее обогащению. Такой скоринг позволяет контролировать качество кредитного портфеля даже в условиях стремительного роста выдач кредитов. Анализ накопленных данных позволяет строить и обучать сложные математические модели, способные выявлять гораздо более глубокие связи и закономерности, которые невозможно обнаружить «вручную».
Например, математики МТС Банка построили нейронную сеть, которая определила идеального заемщика. Это женщина от 32 до 43 лет, проживающая в Центральном регионе России. Она замужем, в ее кредитной истории 16 закрытых кредитов и три-четыре действующих. Она пользуется кредитной картой и активно покупает одежду, посещает рестораны и заказывает продукты в супермаркетах на всю семью. Она следит за своим здоровьем и оплачивает обслуживание своего автомобиля.
Предикативная аналитика не менее полезна в рамках клиентского опыта и маркетинга. Многие банки используют ее для развития персонализированного подхода к клиенту и кросс-продаж. На основе таких данных МТС Банк может предложить клиенту уже предодобренный кредит именно в тот момент, когда это будет ему интересно с наибольшей вероятностью. С помощью искусственного интеллекта банк также оценивает профиль каждого проблемного заемщика и определяет наиболее подходящий алгоритм коммуникаций для скорейшего урегулирования задолженности.
Одним людям эффективнее просто позвонить, с другими лучше работать через коллекторские агентства. Внедрение такого подхода помогло МТС Банку выйти на достаточно сильные результаты по взысканию: 90% просроченной задолженности взыскивается в срок до трех месяцев, при этом на взыскание 1 рубля банк тратит не более пяти с половиной копеек.
Сегодня финансовый сектор является основным потребителем данных и кредитных оценок у телеком-операторов, интернет-поисковиков, FMCG-компаний. Однако возможность построить сложные математические модели, в которых эти данные будут эффективно использоваться, есть далеко не у всех. Центробанк еще три года назад отмечал, что использование Big Data лидерами рынка, обладающими большими клиентскими базами и технологическими ресурсами, «дает таким компаниям конкурентные преимущества по сравнению с более мелкими игроками на рынке». «С другой стороны, — писал регулятор, — использование больших данных может стимулировать конкуренцию за счет выхода на рынок финансовых услуг финтех- и бигтех-компаний… что в целом создает конкуренцию традиционным финансовым институтам».
Сегодня и МТС Банк проходит этап значительного роста — cреднегодовой темп роста портфеля необеспеченных кредитов за последние шесть лет составлял 50%. Мы видим, что без умения предвосхищать потребности клиентов возможностей расти и конкурировать на сегодняшнем рынке почти нет.
