Денис Карелин, банк топ-20 РФ — в интервью FIS про урегулирование задолженности 

Директор по развитию FIS Марина Стешина побеседовала с Денисом Карелиным, представителем банка топ-20 РФ, экспертом  в области рисков, сферы collection, сегментов розницы и МСБ, в новом выпуске программы “Финтех драйв” телеканала “ПРО БИЗНЕС”. Они обсудили ключевые тренды в урегулировании задолженности, роль платформ и искусственного интеллекта в повышении эффективности взаимодействия с клиентами, а также опыт внедрения FIS Collection в одном из российских банков.

Полный выпуск доступен на канале компании на Rutube. Ниже приводим основные фрагменты беседы.

Марина Стешина: Здравствуйте, дорогие друзья! В эфире программа “Финтех драйв” и я — её ведущая, Марина Стешина. Сегодня у нас в гостях Денис Карелин, эксперт в области взыскания, рисков, розничного и МСБ-сегментов. Здравствуйте, Денис.

Денис Карелин: Добрый день.

Марина Стешина: Хотели сегодня с вами поговорить на какую тему, которая остаётся одной из самых актуальных в сфере кредитования розницы, малого и среднего бизнеса — это взыскание задолженности.

Сегодня мы видим высокий уровень закредитованности как у физических лиц, так и у МСБ. Какие ключевые технологические и рыночные тренды в этой сфере вы видите на текущий момент? Что будет определять рынок в ближайший год-полтора?

Денис Карелин: Интересный вопрос. Тренд всегда один, во главе всегда стоят клиенты. Когда мы говорим о клиентах — физических лицах или представителях МСБ — мы взаимодействуем с людьми. Ты всё равно звонишь, коммуницируешь, пишешь, приходишь, общаешься с физическими лицами, которые так или иначе отвечают за деятельность юридического лица, малого предпринимателя и так далее.

И в основе всех технологий и коммуникаций стоит человек, который доверил свои отношения кредитору. И всегда стоит вопрос, а как же выстроить эту систему взаимодействия.

По сути, эта система всегда клиентоориентированная, потому что у физического лица может быть и ИП, и ООО, он может быть бухгалтером, коммерческим директором, лицом принимающий решения в этой компании. И когда ты отрабатываешь, взаимодействуешь, помогаешь человеку, то ты смотришь на него в комплексе как на клиента. Физическое или юридическое лицо — всё равно это всё взаимосвязано. 

Основной тренд — это как раз применение платформы, которая позволяет тебе видеть всего клиента в целом, не только когда у него случилась какая-то проблема, хоть мы и говорим о рынке взысканий или, я бы сказал, о рынке урегулирования. Рынок взысканий был в России ранее, а начиная уже с 2010-х годов это всё-таки рынок урегулирования. И регулятор, и банковское сообщество, и сообщество микрофинансовых организаций пришло к тому, что надо клиенту помогать. И клиентоцентричность позволяет тебе не только видеть клиента со сложностями, но и предугадывать их и в целом смотреть в режиме реального времени, как помочь клиенту, чтобы сохранить его лояльность.

Марина Стешина: То есть основной тренд — это клиентоцентричность и понимание индивидуальных проблем человека, который взял долг у банка, будь то физическое лицо (для своих личных нужд) или руководитель компании, в которой он работает или которой владеет.

Денис Карелин: Да, именно так. И важно смотреть на клиента не только в пределах своего банка, но и шире — с учётом данных бюро кредитных историй, других кредиторов. Ценно, если клиент сам приходит и говорит, что у него есть проблема и предлагает договориться о решении — и ты помогаешь клиенту в целом договориться со всеми кредиторами, благодаря чему сохраняешь его для себя как клиента, чтобы в дальнейшем продолжить с ним путь.

С точки зрения технологий побеждает тот, у кого есть IT-платформа, которая способна показать клиента целиком и помогает взаимодействовать с ним по комплексу его обязательств, в том числе не только в периметре кредитной организации.

Марина Стешина: Какие основные компоненты должны быть у такой цифровой, IT-платформы, чтобы урегулирование было наиболее эффективным с учетом тренда на человекоцентричность?

Денис Карелин: Если посмотреть на жизненный цикл клиента, то, когда он обслуживается — всё хорошо, проблемы начинаются только тогда, когда он выходит в период просрочки 90+. В гонке за благополучие клиента побеждает именно тот, кто умеет выстроить непрерывный цикл взаимодействия с клиентом: и когда у него всё хорошо, и когда надо вовремя сообщить ему о платеже либо каких-то изменениях, и так далее. Регулирование начинается, уже когда у клиента наступает просрочка.

Например, во время досудебного урегулирования банк пытается помочь клиенту не допустить глубокой просрочки, сохранить его кредитную историю, сохранить его для себя как клиента. А когда мы говорим уже о поздних сроках просрочки 90+, то это уже безвыходная ситуация для банков, МФО — необходимо идти в судебную стадию, но даже здесь всегда есть возможность урегулировать вопрос. Тот, кто научился вести всё взаимодействие с клиентом в непрерывном цикле (и уведомления, и сопровождение рабочего портфеля, и урегулирование), и представляет историю успеха. Именно такой подход обеспечивает и сохранность информации, и возможность при необходимости человека договориться с ним ещё за 5 дней до даты платежа о способах погашения.

А бывает, наступает первый день просроченной задолженности — как будто ничего не было. Песня хороша, начиная сначала — это неправильно. Для части бизнеса цикл 0−90 дней просрочки — сторонний процесс, а с 90 дней просрочки начинают работать юристы по досье.

Мы же стараемся узнать про клиента всё. Мы сначала с клиентом договорились о кредитовании, он нам рассказал, что ему необходимо, дальше мы видим, как он обслуживает свой долг, как часто платит полную или частичную сумму платежа, бывают ли у него короткие просрочки. Мы знаем его кредитную историю, потому что, пока он клиент, мы можем обновлять эти данные. Этого достаточно, чтобы строить прогнозные модели, самим определять, сделает ли клиент очередной платеж за 5−10 дней, а какие клиенты с большей вероятностью выйдут в просрочку.

Для банков и МФО — это ключевая проблема, потому что они измеряют эффективность взаимодействия не возвращенными рублями, а резервами, которые формируют для выполнения требований регулятора и обязательств перед своими вкладчиками.

Прогнозная модель как раз подсказывает бизнесу, что у клиента начинаются проблемы и надо сформировать больше резервов, и ключевая задача — управлять этим процессом. Помогая клиентам, ты помогаешь себе, формируешь меньше резервов, ведь резервы — прямой финансовый результат.

Марина Стешина: В банковской сфере продуктивность бизнеса принято мерить разными KPI. Как Вы измеряете эффективность подразделений, которые занимаются урегулированием долгов? Изменились ли эти показатели за последние 2−3 года?

Денис Карелин: Основные показатели, наверное, не изменились за ближайшие года, и первый из них — это выход клиентов из рабочего портфеля в портфель с просрочкой. Это вход в воронку, когда мы видим, что у клиента начинаются проблемы. Этот показатель интереснее в основном кредитным организациям, банкам и микрофинансовым организациям. МФО в дальнейшей конверсии очень сильно зависят от этого показателя. Для банков же, по сути, — это качество работы с клиентом: как и информирование, так и первые риск-индикаторы (возможно, где-то система принятия решений даёт сбой). 

Это первый показатель, который отслеживается, он же частично входит в конфликт интересов с подразделениями урегулирования, которые начинают работать, только когда образуется первый день просрочки у клиента. Чем лучше ты работаешь с показателем перехода из рабочего портфеля в просроченный, тем реже клиенты, которые на короткое время допустили просрочку, переходят в работу службам урегулирования, и им становится сложнее добиваться своих поставленных показателей. Основной показатель для службы регулирования — это ввод клиентов в график с 1-го по 90-й день просрочки.

Если посмотреть на график формирования резервов, то именно с 1-го по 90-ый день идёт максимальный рост резервов, их накопления. Уровень доходит до 93−95% в зависимости от эффективности работы команды, и задача службы регулирования — обеспечить, чтобы как можно больше клиентов вернулись обратно в график своих платежей. И в этом как раз и состоит основное искусство.

Марина Стешина: Расскажите, пожалуйста, о вашем опыте внедрения IT-платформ, которые были наиболее эффективны с точки зрения урегулирования задолженности. Как Вы в целом понимаете, что набор решений, который у Вас есть, действительно приносит бизнес-эффект для банка или другой финансовой организации?

Денис Карелин: В одном из проектов мы использовали систему автоматизации использовалась FIS Collection. Банк более 5 лет уже использовал эту платформу. При этом даже если у тебя есть классная платформа, которая умеет делать всё: и сопровождать клиента до даты платежа с точки зрения pre-collection, информирования, и работать по выстроенную процессу с ранними сроками просрочки (с телефонией, системой коммуникаций, sms-, email-, push-кампаний, отправкой бумажных писем), и реализовывать процесс автоматизации судебной, исполнительной работы, и так далее, всегда возникает вопрос, что в каждом сложном механизме должна быть команда, которая и придумывает, что необходимо бизнесу, и реализует.

На примере этого проекта, мы сформировали команду внутри банка — и уже спустя полгода 90% всех доработок уже реализовывались силой внутренней команды. Это позволило применять новые инструменты регулирования, предложить клиентам быструю и удобную реструктуризацию, кредитные каникулы — тот инструмент, когда клиент может просто уменьшить свою долговую нагрузку. И это история успеха и клиента, и банка. Когда ты работаешь в команде, у тебя есть движок, который всё замечательно умеет решать, есть люди, которые умеют этим движком управлять, то в этом и заключает история успеха. 

Каждую настройку нужно измерять с помощью рабочей контрольной группы. Ты что-то сделал, проверь разницу “было-стало” и оцени эффект в резервах, ведь для кредитора основной эффект — это резервы, которые он формирует. Важна, конечно, и стоимость твоих действий. Дальше, развивая платформу, ты можешь уже прикручивать онлайн-взаимодействие с госорганами, службой судебных приставов, нотариальной палатой, судами. 

Но, конечно, главное — с клиентом коммуницировать, не забывая все предыдущие коммуникации. И очень важно, чтобы твоя система умела взаимодействовать с искусственным интеллектом, скоринговыми моделями, чтобы могла поглощать результаты работы скоринговых моделей в виде скорбалла и помогать сегментировать клиентов. В частности, на предыдущем проекте у нас получилось. Система рассчитывала скоррбал даже внутри — и это дало нам серьезное преимущество, это был сильный успех. Мы получили порядка 50% прибыли в розничном бизнесе именно за счёт этого проекта.

Марина Стешина: Поскольку мы затронули тему искусственного интеллекта и она на текущий момент является трендовой, какие методы машинного обучения показали наилучшие результаты в практике урегулирования?

Денис Карелин: Самое главное — моделирование. Использование роботов для коммуникации с клиентами позволяет обработать массу запросов, но это больше информирование, а не работа на бизнес-результат. Все-таки, когда у человека какая-то проблема, например, карточку заблокировали, он пытаешься не с роботом решить вопрос, а дозвониться до оператора и объяснить ситуацию. Поэтому в каждом голосовом помощнике по закону ты всегда обязан обеспечить клиенту выход на оператора. Я лично использую фразу: “Соедините, пожалуйста, с человеком”, три раза повторяешь и выходишь на оператора, комфортно общаешься, как ты привык, ведь персонализация — это общение с человеком.

В основном в урегулировании или в текущем обслуживании клиента используются базовые ML-модели. 

Первая модель находится в pre-collection и позволяет определить тех клиентов, которые с большей вероятностью из рабочего портфеля перейдут в просроченные. Для чего это надо? Для того, чтобы ты мог ещё до даты платежа предложить клиенту выход из сложившейся ситуации, о которой тебе ещё не сказали. Как правило, риск-сегмент — это от 5 до 20% от всего портфеля, он зависит в том числе от мощностей, позволяющих отработать разные объёмы в организации. При концентрации на проблемы в небольшом сегменте в 5%, сохраняется концентрация и 80% всех выходов в просрочку на уровне 1+. Модель позволяет значительно сегментировать клиентов по заданной целевой функции. 

Вторая модель — это модель позволяет определять клиентов, которые с 1-го по 10-ый день просрочки сами её погасят, чтобы не беспокоить их лишний раз, не тратить ни своих ресурсов, ни драгоценного времени клиентов. Любой звонок о том, что у вас просроченный платеж на один месяц или даже день, это некомфортная история для клиента.

Поэтому модель предсказывает тебе, кто из клиентов погасит сам задолженность без твоего участия. Соответственно, ты можешь свой ресурс сконцентрировать именно на тех клиентах, которым важно обсудить, как урегулировать вопрос — не просто погасить задолженность, а в целом обсудить помощь.

Например, пересмотреть срок кредита, ведь основная проблема у клиентов, что тот платеж, на который они рассчитывали год либо полгода назад, они ранее могли платить, к примеру 100 тысяч в месяц, а сейчас доступно только 50. Можно увеличить предельный срок кредита, если позволяют параметры по кредитованию, возможно, с повышением ставки. По сути ты решаешь проблему долговой нагрузки человека в моменте, сколько клиент должен из своего бюджета ежемесячно тратить.

Первая и вторая модели — это 30−90 дни просрочки, они позволяют тебе увидеть именно тот сегмент клиентов, который с максимальной вероятностью скорее погасится, и концентрировать своё внимание на других сегментах и способах урегулирования.

Третья модель — это модель предсказания банкротства. К сожалению, на рынке кредитования розницы и МСБ в формате ИП банкротство — это сейчас большая проблема. На рынке от БКИ есть модели скоринга, которые дают вероятность банкротства клиентов, особенно хорошо именно на 10-ый день просрочки. И если ты их применяешь вместе со своим скорингом, который разрабатываешь на своей клиентской базе, то через матрицу двух моделей ты получаешь хорошее предсказание. И ты понимаешь, что с этими клиентами тебе нужно искать другой способ урегулирования. 

Опять же, здесь есть 2 подхода с применением ИИ. Есть модель, которая строится на логистической регрессии — сложная, долго вычисляемая, много ресурсов тратится на неё. А есть ML-модель, которая позволяет тебе быстро перестраиваться, не тратить  3−4 месяца на разработку стандартной, сложной, тяжелой модели, а использовать существующую при мониторинге. Если качество ухудшается, ты её пересчитываешь. Это позволяет реализовывать больше моделей — и даже более качественных. 

Когда мы говорим о просроченных кредитах, то, например, модель на pre-collection имеет вероятностную характеристику Gini порядка 84%, то есть рынок работает от 70 до 86%. Это очень здорово, особенно когда мы выдаем кредиты с моделью в районе 65−70%. Это означает, что  предсказательная сила даже выше, чем на этапе принятия кредитного решения.

Марина Стешина: Скажите, как Вы видите  развитие самих технологий в области урегулирования задолженности в ближайшие годы?

Денис Карелин: Технологии — это инструмент, который помогает нам достучаться до клиента, особенно когда он закрывается из-за проблем. И именно цифровая технология обеспечивает доверительный канал с клиентом и помогает донести до него, что ты хочешь ему предложить персонализировано. Ты говоришь: “Давайте мы подумаем, что сделать, предложим вам какие-то программы урегулирования”, представляя первую, вторую, третью. “Мы хотим, чтобы Вы вернулись в график и сохранили свою кредитную историю, сохранили свои деньги и не тратили лишние на пени, штрафы и так далее”. 

Забота о клиенте — это основа, потому что есть клиент, значит, есть наш бизнес для помощи ему. Цифровые решения помогают нам правильно коммуницировать с клиентами и находить общий язык.

Марина Стешина: Давайте подведём итог нашей интересной беседы. Во-первых, в основе всего стоит человек. И все банки и финансовые организации, которые сталкиваются с урегулированием задолженности, приходят к тому, что должна быть клиентоцентричность. Во-вторых, цифровые технологии и любые платформы в первую очередь должны являться помощниками, повышать эффективность тех людей, которые занимаются урегулированием, подсказывать лучшие скрипты, обучать, предсказывать поведение клиентов. Денис, спасибо большое за интересную беседу. Дорогие друзья, наша передача подошла к концу. До новых встреч!

Узнать больше про эффективную автоматизацию процесса урегулирования задолженности с FIS Collection.