| Выход в лидеры и новые вызовы В начале 90-х годов прошлого века в России появилась система коммерческих банков. Болезни, существовавшие в тот момент в экономике, передались по наследству и ее детям. Банки в общей массе представляли собой либо кассу крупного предприятия, концентрируя в себе все его риски, которые всегда крайне высоки; либо находились в тесной связи с представителем чиновничества, обслуживая бюджетные средства, имея, тем не менее, шанс потерять бизнес при очередных выборах. Ведение банковского бизнеса в тот момент подразумевало в основном наличие хороших связей. Идея создать новый банк, не имея покровителя, который бы обеспечил достаточный финансовый поток, казалась трудноосуществимой. При создании “Северной казны” с самого начала была сделана ставка не на “дядю с тугой мошной”, а на лидерство в передовых банковских технологиях. Только так можно было выделиться маленькому банку из обширной массы кредитных организаций. Крупные инновации следовали одна за другой, почти ежегодно: 1994 год - “Быстрые расчеты”: банк становится обладателем самой развитой на Урале сети корреспондентских счетов и одним из лидеров в скорости проведения платежей; 1995 год – разработана одна из первых в регионе система удаленного управления расчетным счетом “Клиент-банк”; 1996 год – один из первых в России, банк “Северная казна” внедрил собственную микропроцессорную карту; 1999 год – третьими в России банк создал систему удаленного управления счетом через Интернет (www.internetbank.ru 2000 год – сайт банка занял 3 место в рейтинге сайтов крупнейших Российских банков, составленный компанией “Интернет Маркетинг”; 2002 год – создан до сих пор единственный на Урале банковский сертификационный центр ЭЦП; 2003 год – банк приступил к эмиссии микропроцессорных карт VISA VSDC Electron/Classic. Со временем солидный список инноваций позволил банку занять лидирующие позиции в регионе именно за счет того, что новые технологии позволяли качественно обслуживать большее число клиентов. Но, как известно, рост и увеличение в размерах неизбежно ведет к ухудшению управляемости бизнеса, а традиционный подход по ужесточению контроля – к росту бюрократического аппарата. Акционеры банка не воспользовались этим решением, а напротив, начали бороться с ростом численности персонала. Но задача оказалась не простой. К тому же она была существенно усугублена новыми мощными тенденциями, захватившими банковский мир – приходом массового клиента, поворотом к розничному бизнесу, неизбежно влекущим за собой рост числа сотрудников. Решение этой проблемы было найдено опять же в области технологических инноваций – на этот раз ставка была сделана на передовые технологии управления бизнес-процессами, документопотоками и на интеллектуальные автоматизированные системы принятия решений. О причинах проявления интереса со стороны российских банков к автоматизированным системам можно судить по цитатам: "На протяжении последнего года банки идут к минимизации документооборота при выдаче кредита населению, поскольку поточный метод - единственный способ обеспечения доходности проекта", - говорит начальник отдела кредитования физических лиц МДМ-банка Е. Демыгина. "В Россию придут европейцы и американцы. Максимум через год – два конкуренция будет адская, в том числе среди самих иностранцев. Пока никто ничего официально не заявлял, но уже формируются команды, пишутся стратегии, идет артподготовка", - считает банкир, пожелавший остаться неназванным. "В следующем году мы увидим колоссальный взрыв на этом рынке, появится много новых участников и продуктов, полноценный рынок кредитных карт и очень много видов кредитования, связанного с приобретением конкретных товаров и услуг", - уверен А.Краснов вице-президент Банка Москвы. Добыча денег посредством “добычи данных” В этих условиях одним из ключей к успеху становится способность автоматизировать процесс обработки кредитных заявок, включая этапы анализа и принятия решения. Исторически, эти задачи решалась исключительно человеком, так как на первый взгляд практически невозможно предусмотреть все моменты и отразить их в программном обеспечении. Тем не менее, идея подключить к этой задаче математический аппарат неоднократно возникала, и в свое время была решена. На Западе методологии, позволяющие автоматизировать процедуру классификации клиентов, получили название скоринг-систем – от английского глагола score – дословно “зарабатывать очки”. В своем простейшем варианте скоринг-система оценивает заемщика по набору характеристик (перечень имущества, должность, образование и т.д.), каждой из которых соответствует свой уровень значимости, выражаемый в баллах. Итоговая оценка системы, получаемая суммированием баллов, отражает предельный размер кредита, который можно предоставить заемщику без обеспечения (залога). Скоринг принадлежит к классу систем анализа данных и управления знаниями, для названия которых в настоящее время используется целая группа терминов, неполный перечень которых включает data mining (“добыча данных”), knowledge management (“управление знаниями”), knowledge discovery (“открытие новых знаний”). Значение их в бизнесе, в том числе банковском, в последнее время возрастает. Согласно определению, эти системы, базируясь на математическом анализе, моделировании и технологиях баз данных, находят в массивах данных скрытые связи и закономерности, позволяющие выводить новые правила и предсказывать будущие результаты. Другое определение data mining: “процесс извлечения информации из данных с целью получения новых знаний”. Типичные приложения этих систем включают в себя сегментацию рынков, классификацию клиентов, выявление мошеннических действий, оценку различных направлений продвижения розничных продуктов, анализ кредитных рисков и др. По данным исследовательской компании Forrester Research за 2000 год 52% компаний во всем мире использовали data mining для маркетинга; 48% - для управления работой с клиентами; 34% - в управлении продажами; 22% - для совершенствования бизнес-процессов; 14% - для выявления мошеннических действий; 10% для разработки новых рыночных продуктов. Автоматизированный анализ кредитных заявок как задача распознавания образов, требует накопленной статистики по распознаваемым объектам для построения моделей и решающих правил. Сложность ситуации для большинства российских банков заключается в том, что статистика по выдаче кредитов недостаточна для адекватной работы системы. Под адекватной работой математической модели понимается ее способность обеспечить некий минимальный процент невозвратов по кредитам. По мировому опыту, этот процент должен варьироваться от 0,5 до 3%. Нулевой процент – величина абсолютно недостижимая, так как помимо недобросовестности заемщика, в силу вступают повседневные риски – смерть, потеря работы, несчастные случаи. Самые низкие проценты невозвратов достигаются в мусульманских странах – 0.5 - 1%. Это значение вплотную приближается к минимально возможному, так как национальные традиции предусматривают практику коллективной ответственности за каждого члена общины. Напротив, индивидуалистическая культура Христианского мира подводит это значение к уровню 3%. Однако в России эти показатели значительно хуже. Причина в недостатке статистических данных (кредитование населения дело пока новое и анализировать еще нечего, а построение экспертных систем дело сложное и требует уникальной научной квалификации). По оценкам компании McKinsey, которая занималась разработкой ритейловых проектов для ряда банков России, невозврат кредитов в этой сфере составляет около 7%. Однако в период ожидаемого скорого выхода на этот рынок многих банков-участников эти цифры могут оказаться заметно хуже. Ввиду отсутствия накопленного опыта, присутствующие здесь риски, в частности, по возможным мошенническим действиям, в данный момент оценить очень сложно. Кроме того, многие выходящие на рынок банки фактически не используют интеллектуальные системы автоматизированного анализа и зачастую не отказывают в кредитах почти никому. Но применение скоринг - системы гарантии не дает, так как очень многое здесь зависит от ее качества. По нашему мнению, это тот случай, когда некачественная система хуже, чем отсутствие такой системы вообще. Наш ответ на вызовы рынка Теперь вернемся к той реальной ситуации, в которой оказался представляемый нами банк (впрочем, как и всякий другой банк, который не отказался от амбициозной цели отвоевать достойную долю на вновь открывающихся рынках). Первое – это отсутствие статистики, о чем говорилось выше. Для полноценного обучения скоринг-система требует данные по 1500 - 2000 проблемным кредитам, что может быть накоплено за 10 лет работы регионального банка. Получить кредитную статистику крупных банков невозможно, так как данная информация является наиболее секретной. Причина этого проста – хорошая скоринг – система станет мощнейшим оружием в конкурентной борьбе за розничные кредитные рынки. Второе обстоятельство, даже если такую статистику удастся найти, то все равно условия Нью-Йорка или Москвы не переносимы на нашу уральскую ситуацию, на наши уровни зарплат и рисков. А отсюда вытекает, что нам не поможет не только чужая заимствованная статистика, но и заимствованные модели и западные (очень недешевые) специализированные информационные системы. Результаты поисков и анализа привели нас к тому, что исходная задача из плоскости традиционных чисто математических и статистических подходов вышла на уровень более сложной постановки - экспертной системы с математическим модулем распознавания в условиях неопределенности параметров, моделирующим процесс принятия решения кредитным инспектором на основе подходов систем искусственного интеллекта. Данный подход на порядок превосходит обычные статистические постановки по сложности реализации, но позволяет запустить систему, обладая минимальной информацией по объекту распознавания. После выдачи кредита эта система сможет анализировать поведение клиентов, классифицировать их по типам кредитного поведения и выдавать рекомендации по работе с ними. Например, подсказывать, каким клиентам надо увеличить лимит или предложить новый продукт. Более широко, она будет решать задачу автоматизированного анализа и выработки оптимальных решений и подсказок при работе с массовым клиентом. Что конкретно позволит скоринг-система заемщику: Получить кредит без залога; Ускорить процедуру выдачи кредита; Формировать самому клиенту список документов, которые нужно предоставлять банку (система способна оценивать заемщика по широкому перечню параметров); Узнать размер предоставляемого кредита спустя считанные минуты после обращения. Имея описанные возможности, клиент получает максимум информации и свободы в выборе действий, понимает ситуацию и даже может ей до определенной степени управлять. Это интереснее, чем отдать свою заявку в “черный ящик” и потом неделю ждать, какое решение из него выскочит. Что даст скоринг-система банку: Ускорение процесса обработки кредитных заявок; Сокращение численности банковского персонала; Экономию за счет использования персонала более низкой квалификации; Обеспечение объективности и единообразия критериев в оценке заявок кредитными инспекторами во всех филиалах и отделениях банка; Контроль всех шагов рассмотрения заявки, включая саму методологию оценки, на основе информационной системы. Это позволяет регулировать объемы кредитования в зависимости от ситуации на рынке, вносить коррективы в методологию оценки централизованно и немедленно вводить в действие их во всех отделениях банка. Но это далеко не все. Накапливаемые в системе данные смогут быть использованы для следующих целей: Изучения и классификации типов клиентов; Анализа клиентских предпочтений и потребностей в различных продуктах; Оценки качества кредитного портфеля и бизнеса (по различным направлениям и регионам); Оценки вероятного отклика различных клиентов на предложения им различных продуктов. После накопления достаточной статистики скоринг - система сможет решать более сложные задачи. Например, нахождения оптимального, в смысле прибыли, уровня отсечения заявок (максимум разности между прибылью от “хороших” кредитов и потерями от “плохих”). Кроме непосредственно скоринга кредитных заявок, будет решаться и задача скоринга поведения клиентов, уже получивших кредиты (вторичного скоринга). Основываясь на данных о действиях клиента, аккуратности погашения кредита и т.д., система автоматически выявит клиентов с повышенным риском невозврата, даст ответы на вопросы: можно ли увеличить данному клиенту лимит и на сколько?, стоит ли предложить ему другой продукт и какой именно? Еще один вид скоринга – определение оптимальной стратегии действий по отношению к клиентам, не возвращающим кредит (с какими клиентами стоит поработать самим и какими методами, а каких передать в агентство по возврату долгов). Рекомендации по такой стратегии также будут вырабатываться автоматически на основе данных о клиенте, о его операциях и о взаимодействии с банком. В настоящее время многие российские банки пытаются выйти на рынок кредитных карт (не путать с картами с возможностью овердрафта и VIP картами, для которых процедура скоринга не нужна). “Северная казна” не является исключением из этого правила, а, если судить по известной нам информации, скорее исключением в способе решения данной задачи. Уже в январе 2004 года будет действовать система, позволяющая выдавать кредитные карты в “промышленном” масштабе, при разработке которой ставилась цель отойти от традиционных подходов, малоэффективных в существующей ситуации, и опереться на передовые тенденции в соответствующих областях исследований. “Лидер не тот, кто ведет, а тот, за кем идут” С течением времени подходы к ведению крупного бизнеса претерпели существенные изменения. В данный момент любое крупное предприятие должно ориентироваться уже не на ценовую конкуренцию, а на инновационное лидерство своего предприятия среди конкурентов. Достичь этого результата можно лишь введением того, что называется научным подходом в принятии решений и реализации инновационных технологий. Владимир Фролов, доктор экономических наук, профессор Анатолий Ватолин, доктор физ. - мат. наук, профессор Андрей Фролов, специалист отдела инновационных технологий банка "Северная казна" ИТАР-ТАСС Урал |