Top.Mail.Ru
технологии и наука

Кредит за 10 секунд

Поможет ли банкам искусственный интеллект. Фото: ТАСС Поможет ли банкам искусственный интеллект. Фото: ТАСС

Банки хотят всё больше и больше кредитовать, чтобы больше зарабатывать, несмотря на рост необеспеченных кредитов, потенциально невозвратных. И в этом им помогают большие данные, которые, по выражению британского математика Клайва Хамби, могут стать новой нефтью.

У пионера кредитования малого бизнеса по данным онлайн-касс «Модульбанка», как выяснила «Ко», просроченные кредиты составляют 24,7 % от общего портфеля кредитов. Процент просроченных кредитов в двух самых больших российских банках, только готовящихся к массовому внедрению машинного обучения в кредитовании, ниже. Так, на 1 ноября у Сбера просрочка была 2,6 % у физлиц и 2,4 % у юрлиц. У ВТБ, соответственно, — 4,1 % и 2,0 %. «Ко» разбиралась, как банки используют большие данные и искусственный интеллект (ИИ) при выдаче кредитов.

Большие данные в банках

Сегодня получить кредит малому и среднему бизнесу (МСБ) в большинстве банков сложно и долго. Банки запрашивают много документов — бизнес-план, учредительные бумаги, финансовые акты — и принимают решение в основном по бухгалтерской отчетности. И часто вынуждены отказывать в выдаче кредитов, потому что у предприятия нет бухгалтерской отчетности. Иногда банки «рисуют» эти документы, чтобы выдать кредит, поделился с «Ко» региональный банк. Но с сентября Центральный банк РФ разрешил банкам выдавать кредиты по собственным методикам, на основе данных, собранных самими кредитными учреждениями, не требуя отчетов от клиентов. Сумма кредита — до 10 млн руб.

Что это за данные?

Самые ценные данные — транзакционные, особенно связанные с персонификацией

— говорит Андрей Черток, управляющий директор Центра развития компетенций по исследованию данных Сбербанка
Плюс кредитные истории. Банки нанимают специалистов по машинному обучению, чтобы создавать скоринговые модели, проводящие финансовый анализ с использованием ИИ.

Несколько банков уже выдают займы на основе данных онлайн-касс или данных чеков с наименованием товаров. Это делают Сбербанк, «Альфа-Банк», «Промсвязьбанк», «Модульбанк», ВТБ и др. Банки не раскрывают, какой процент в их кредитных портфелях составляют эти сделки. ВТБ в августе даже приобрел оператора фискальных данных из топа-3 — «Первый ОФД» (170 тыс. клиентов). Общее число таких операторов в России — 21, и 7 из них держат 90 % рынка. А онлайн-касс — 3,2 млн. Они отправляют более 100 млн чеков ежедневно. Стоит отметить, что банк может получить доступ к кассовым операциям клиента только с его согласия.

«Модульбанк» еще в конце 2017 года раньше всех стал кредитовать малый и средний бизнес, используя данные онлайн-касс, а также данные по счетам заемщика в других банках. Он покупает данные у операторов фискальных данных — ОFD.ru и «СКБ Контур». OFD.ru (ООО «Петер-Сервис Спецтехнологии») в топе-5 по количеству обслуживаемых касс (более 250 тыс.), занимает 15 % рынка онлайн-касс, в числе его совладельцев миллиардеры Алишер Усманов и Владимир Скоч. Модуль по этой схеме выдает до 2 млн руб. Время решения о выдаче кредита «Модульбанку» удалось сократить до 10 сек. Сколько кредитов выдается на основе данных онлайн-касс, «Модульбанк» не раскрыл.

«Операции по кассе — это такая крутая штука, там и нал, и безнал, там всё есть. И тогда ты гораздо лучше понимаешь картину по розничной точке — магазину, кафе и пр.», — радуется экс-директор и экс-совладелец «Модульбанка» Яков Новиков, но высокую задолженность своих корпоративных клиентов в 24,7 % не комментирует.

Представитель банка из топ-3 сказал «Ко», что крупному банку неинтересны данные одного или нескольких операторов фискальных данных, ему нужны данные всех операторов. Сбербанк поставил задачу выдавать кредиты для малого бизнеса — за 7 мин., при этом финальное решение о кредите остается за юристами, по словам Андрея Чертока. Автоматизировать полностью юристов — не удается, вопреки планам главы Сбера Германа Грефа сократить значительное количество юристов из-за рутинных операций.

Таким образом, банки смогут увеличить кредитование малого и среднего бизнеса, на его долю приходится всего 15 % от общего объема кредитов, по данным McKinsey. Остальные — у крупного бизнеса.

Большие данные сотовых операторов

Большие данные сотовых операторов — еще один источник big data. Телеком-оператор обладает самыми большими данными о клиенте — это круг общения, профиль потребления услуг и пр. Мы знаем, когда у клиента родится ребенок, когда у него будет свадьба, ремонт, покупка квартиры и пр. Всего 16 % людей пользуются услугами только одного банка, и банк знает о своем клиенте далеко не всё», — отмечает старший менеджер по исследованию больших данных Tele2 Артём Климов. Как нейросети Tele2 узнают, что у его абонента, например, родится ребенок? Нейросети это узнают по посещению роддома супружеской парой.

«Банки же, не так хорошо зная клиента, иногда предлагают ему кредиты, хотя он уже переехал в другой город, либо просят заполнять большие анкеты, а потом отказываются выдать кредит, — продолжает Климов, — Мы клиентам выставляем баллы в зависимости от их расходов, круга общения и географии передвижений. Наши скоринговые баллы позволяют банкам увеличить объем выдач кредитов с сохранением уровня риска».

прочитать весь текст

Карточные данные и customer journey map

Когда человек получает кредитную карту «Тинькофф», он подписывает соглашение об автоматической передаче данных своих чеков банку. В будущем банк на основании этих данных сможет делать персонализированные предложения о покупках и уже сейчас — о кешбэках в ресторанах. В месяц этот банк получает около 15 млн чеков, подсчитал директор по развитию бизнеса «Первый ОФД» Максим Ларькин. Представитель «Тинькофф» разъяснил, что в действительности банк видит не все чеки — «зависит не от нас, а от магазина и ОФД (оператора фискальных данных. — Ред.). Можем делать предложения на их основе. Тем не менее эту функцию клиент может отключить при желании».

Такую же систему запустит и ВТБ. ВТБ не прокомментировал ситуацию. Чек — это полная детализация того, что купил человек, и по чеку можно предложить производителям товаров взять на себя расходы по возврату кешбэка. В итоге — ситуация win-win: банк платит кешбэк, его клиент получает кешбэк, а производитель и банк получают лояльного покупателя. И этих транзакционных данных и кредитной истории достаточно, чтобы принять решение о выдаче кредита физлицу.

«Хоум Кредит Банк» (ХКБ входит в чешскую группу PPF), используя данные, накопленные по платежным операциям и кредитам, может делать персонифицированные предложения по кредитам и выдавать некоторые за 5 мин., без 2НДФЛ. Если речь идет о сумме до 100 тыс. руб. Аудитория мобильного приложения — 3 млн клиентов— физлиц, которые могут получить кредиты в нем, там же и погашать долг. При этом процент просроченных кредитов у ХКБ по итогу первого полугодия — 3,9 %.

До конца года ХКБ собирается внедрить геопозиционирование клиента на основе его геоданных, сообщил Сергей Исаев на конференции Scoring Day. Геоданные будут браться из транзакций и геомаяков. Основываясь на геолокации, на результатах моделирования потребностей и customer journey map (карта пути клиента), клиент будет получать персонализированные предложения в виде push-уведомлений. Например, купить кроссовки в ближайшем спортивном магазине и пр. и увеличить сумму по кредиту. При этом клиента будут спрашивать, хочет ли он получать подобные уведомления.

Поменьше спама, побольше релевантных предложений

 — комментирует Сергей Исаев

Геопозиционирование клиента и customer journey map — это новшество для российского рынка. Так, например, «Альфа-Банк» введет геопозиционирование и лицевую биометрию в течение трех лет в своих офисах для наилучшего предложения услуг своим клиентам.

У Сбербанка 66,3 млн активных пользователей «Сбербанка-онлайн» и СМС-банка. Самый крупный банк в России вместе с «Яндексом» создали маркетплейс «Беру!». Но собственной карты рассрочки для покупки на нем товаров Сбер не выпустил, предлагая покупать в кредит под 18 %. Это высокая ставка, но зато онлайн, без посещения отделения. На «Беру.ру» можно покупать в рассрочку при помощи карт ХКБ, «Тинокофф», «Совкомбанка» и Qiwi. По итогу 2018 года у компании «Яндекс.Маркет», которой принадлежит «Беру.ру», убыток в 1,1 млрд руб. и выручка всего 8,8 млрд руб. Для сравнения, у крупных онлайн-магазинов выручка в разы больше: у Ozon — 45 млрд руб., у Wildberries — 111,2 млрд руб. Сбербанк наверняка также планирует запустить customer journey map, но в банке об этом пока не говорят.

Может ли ИИ спровоцировать финансовый кризис?

Эксперты уверены, что и искусственный интеллект, и целый кредитный комитет из специалистов банка допускают ошибки: либо выдают невозвратные кредиты, либо не выдают кредиты надежном заемщику. Директор отдела валидации рейтингового агентства «Эксперт РА» Виталий Соболь убежден, что «кризис создают люди, принимающие повышенный риск в надежде на чудеса искусственного интеллекта. Успокоить может то, что сформировавшегося рынка данных для обучения моделей сейчас нет, большинство работает со своими собственными данными или данными партнеров. Ошибки большого числа обученных на таких данных моделей можно считать "разнонаправленными", а значит, они вряд ли приведут к накоплению рисков в целом секторе».

«Если мошенник знает, как работает ИИ, он может, например, имитировать солидный и постоянно растущий оборот, чтобы получить большой кредит, и, когда сумма станет приличной, исчезнуть с деньгами… В сфере финтеха идет постоянная борьба брони и пушек, эволюционируют как технологии оценки рисков, так и технологии фрода», — отмечает начальник аналитического управления БКФ Максим Осадчий.

«С применением больших данных подставить какие-то данные для того, чтобы модель одобрила кредит, клиенту становится все сложнее. Если логистическая регрессия (статистическая модель, используемая для прогнозирования вероятности возникновения некоторого события путем подгонки данных к логистической кривой. — Ред.) использовала основных 20 переменных, то модель, построенная на машинном обучении, использует от 300. Некоторые используют до 1000 переменных. Помимо машинного обучения, математических моделей, у нас встроена биометрия — это когда мы сверяем фото клиента при оформлении кредита с банком мошенников. У нас есть система, которая ищет совпадения с базой сомнительных лиц, которая есть в бюро кредитных историй», — говорит Светлана Винокурова из «МТС Банка».

Сегодня менее 7 % российских банков способны в полной мере использовать возможности ИИ в анализе больших данных, считают в McKinsey. При этом у тех, кто внедряют ИИ в масштабе всей организации, отношение операционных расходов к доходам на 12 процентных пунктов ниже, чем в среднем по рынку.

А как обстоят дела у крупных международных банков с big data для кредитования? JPMorgan Chase в прошлом году внедрил программу Coin, которая сократила рассмотрение кредитных договоров до секунд за счет считывания наиболее важной информации в документах. Ручное рассмотрение 12 000 годовых коммерческих кредитных договоров обычно занимает около 360 000 часов.

Также банки запускают чат-боты и программы, которые позволяют анализировать платежное поведение их клиентов. Wells Fargo предоставляет пользователям мобильных приложений различные советы, как использовать их деньги. Например, оповещает о повторяющихся платежах выше среднего уровня. Если клиент получает входящий депозит, который не нужен для удовлетворения обычных расходов или запланированных платежей, ему предлагают отложить средства в депозит. Bank of America для этого использует чат-бот Erica. Эти чат-боты и приложения позволяют собирать аналитику, которая имеет ценность при принятии банком решения о выдаче кредитов.

CitiBank намерен бороться с мошенничеством при помощи программы Feedzai, которая будет отслеживать платежное поведение клиента на предмет отклонений от обычной платежной активности этого клиента. Эти отклонения могут включать в себя необычно крупный перевод средств или платеж, произведенный в месте, которое клиент, как известно, не часто посещает. Программное обеспечение предупредит аналитиков мошенничества до того, как транзакция будет совершена.

Классификация банков по уровню использования технологий ИИ
Банк Уровень Место
Тинькофф Банк Заявленный банком уровень использования технологий искусственного интеллекта и машинного обучения значительно выше среднего уровня, характерного для крупных российских банков 1
ГПБ
МТС Банк
Банк «Русский Стандарт» Заявленный банком уровень использования технологий искусственного интеллекта и машинного обучения выше среднего уровня, характерного для крупных российских банков, при наличии значимого потенциала в этой сфере


2
Московский кредитный банк
Промсвязьбанк
Банк «Ренессанс Кредит»
УБРиР Заявленный банком уровень использования технологий искусственного интеллекта и машинного обучения близок к среднему уровню, характерному для крупных российских банков 3
БКС Банк
Банк «Дельта-Кредит»
Банк «Открытие»