«Кредитный скоринг как стратегия устойчивости», — Михаил Кудряшов, КОМУС: как ритейл-холдинги переосмысливают управление рисками в условиях экономической неопределённости

Компания «Комус» — один из крупнейших производителей и дистрибьюторов товаров для офиса и бизнеса в России с развитой филиальной сетью и широкой клиентской базой. Изменение объемов товарного кредитования и нагрузки на риск-функцию стимулировал компанию трансформировать подход к оценке партнёров. О том, почему классических моделей уже недостаточно, какие факторы действительно работают в небанковском секторе и как меняется сама логика управления риском и портфелем партнёров, рассказал владелец продукта Михаил Кудряшов директору по развитию резидента Сколково FIS (Финансовые информационные системы) Артему Белычеву.

Михаил, в последние годы управление кредитными рисками перестало быть темой исключительно банковского сектора. Для крупного дистрибуционного бизнеса это тоже уже вопрос не только финансовой дисциплины, но и устойчивости всей коммерческой модели. Что, на Ваш взгляд, сейчас принципиально меняется в подходе к оценке контрагентов?

Меняется прежде всего сама логика принятия решения. Если раньше можно было в большей степени опираться на классические подходы — на простую классификацию при оценке кредитной надежности поставщиков и партнёров, анализ накопленной информации за длительный период времени, — то сейчас этого уже недостаточно. Рынок стал быстрее, а значит, и реакция на изменение внешних условий должна быть быстрее, а лучше действовать на опережение.

Я бы сказал, что сегодня речь уже не идёт о замене классических инструментов. Речь идёт о том, что к ним приходится добавлять более быстрые, более чувствительные механизмы. Даже прогноз вероятности дефолта на 12 месяцев вперёд в ряде случаев становится менее актуальным просто потому, что среда меняется быстрее, чем раньше. Компании живут в условиях высокой волатильности, и этого нельзя не учитывать. Поэтому в модели начинает играть роль не только накопленная ретроспектива, но и то, как контрагент ведет себя в моменте.

Для меня это один из самых важных сдвигов. Недостаточно просто взять большой массив данных за прошлые периоды, построить прогноз и дальше жить с ним до следующего цикла пересмотра. Сейчас нужно понимать, как компания ведёт себя сейчас, как она адаптируется к изменению условий, как реагирует на давление рынка, как меняется её поведение в оперативной деятельности. Именно эта связка классической прогностической модели и динамической оценки текущего поведения даёт бизнесу более полезный инструмент. В этом смысле скоринг перестаёт быть просто механизмом оценки вероятности дефолта. Он становится основой для принятия более гибких решений по лимитам, условиям взаимодействия, возможностям реструктуризации, раннему диалогу с контрагентом.

То есть скоринг в небанковском секторе сегодня работает уже не только как защитный механизм?

Да, именно так. Если смотреть на это с позиции бизнеса, скоринг уже не сводится к задаче «пропустить» или «не пропустить» партнёра. Он начинает работать как инструмент управления. Когда ты видишь не только вероятность дефолта как абстрактную цифру, но и поведенческий профиль компании, ты можешь принимать более точные решения. Где-то нужно ограничить активность и раньше перевести взаимодействие в более осторожный режим. Где-то, наоборот, есть основания предлагать клиенту другие условия, потому что видно, что компания открыта к диалогу, ищет варианты сотрудничества и в целом ведёт себя конструктивно, и это проактивный подход.

Насколько банковские практики вообще применимы к дистрибуции? Многие пытаются просто перенести их в реальный сектор почти без адаптации.

Полностью перенести их в неизменном виде нельзя. Банковские модели хорошо работают в своём контуре, и у них сильная финансовая составляющая. Но когда мы говорим о производстве и дистрибуции, приходится глубже смотреть на сами процессы и цели бизнеса. Здесь мало понимать формальные финансовые показатели. Нужно понимать, какие процессы лежат в основе конкретной компании.

У одного дистрибьютора в центре модели — логистика. У другого — связка логистики и производства. У третьего важнее бонусы, лояльность, структура каналов продаж, модель маркетплейса, оборачиваемость, характер товарного кредитования. И вот это отличие внутренней логики бизнеса становится основополагающим, потому что оно напрямую связано с процессами управления той части капитала компании, который отвлечён для товарного кредитования.

Поэтому, когда мы говорим о заимствовании лучших практик из банковской сферы, я бы говорил не о прямом переносе, а об адаптации. Да, классические модели полезны. Да, их следует обогащать внешними источниками для формирования более точного результата. И в дистрибуции принципиально важно учитывать внутренние процессы самого бизнеса. Без этого модель будет математически аккуратной, но практически частично полезной.

Если говорить уже о внутренней эволюции таких систем, в какой момент ручная оценка перестаёт справляться? Когда бизнес понимает, что без серьёзной автоматизации он начинает сам себя тормозить?

Здесь всё довольно приземлённо: у ручной модели есть физический предел. Если говорить совсем просто, один сотрудник может качественно обработать порядка шести-десяти заявок по товарному кредитованию. Это нормальный человеческий масштаб. Но когда бизнес растёт, объёмы уже другие. Ты не можешь бесконечно увеличивать штат. Особенно если у тебя очень большой поток партнёров и их нужно переоценивать регулярно, по событию, по запросу, практически в постоянном режиме.

На определённом этапе становится очевидно, что ручной подход начинает сдерживать рост. Причём это выражается не только в скорости. Появляются ошибки, появляется субъективность, в оценке становится слишком много личностного фактора. Для массового сегмента это особенно критично. И здесь обычно появляется первая волна автоматизации — несложная, прикладная, рассчитанная на большие группы однотипных или близких по профилю контрагентов.

Дальше начинается следующий этап. Бизнес видит, что даже небольшая автоматизация даёт эффект на масштабе, и тогда уже можно считать экономическую модель более серьёзно. По сути, ты начинаешь прогнозировать выгоду на горизонте от 3 до 5 лет, а затем и на горизонте 5-7 лет, если речь идёт о более зрелом контуре автоматизации. Тогда автоматизация перестаёт быть локальной инициативой и становится частью долгосрочной стратегии. Она охватывает уже не только массовый сегмент, а весь контур работы с контрагентами (партнёры и поставщики), потому что внутри портфеля статусы постоянно меняются: хороший клиент может перейти в зону внимания, поставщик — в другую категорию, активный партнёр — в спящий профиль, и всё это должно находиться под контролем.

Перейдём к нашему проекту. Как Вы подошли к построению самой скоринговой модели? Что для Вас стало точкой опоры?

Честно говоря, для меня одним из самых сильных впечатлений на старте стал объём исторических данных. Мы получили ретроспективу на горизонте 15–20 лет, и это уже само по себе очень серьёзная основа. Конечно, не все данные вошли в итоговую выборку, потому что больший массив пришлось очищать, часть данных оказалась, если использовать бытовое выражение, «грязной» и не подлежала нормальной статистической обработке. Но сам факт, что после очистки и подготовки мы получили действительно достаточный объём валидных данных – это стало для проекта ключевым преимуществом на старте.

Почему это было важно? Потому что такая ретроспектива отражает не только сухую статистику. Она фактически сохраняет историю взаимоотношений бизнеса с контрагентами. Через данные начинает проявляться реальный паттерн поведения: как компании действуют в дистрибуции и производстве, как выстраивают отношения, как реагируют на разные ситуации, как ведут себя в длинном цикле взаимодействия. Это уже не просто набор полей в таблице, а материал, из которого действительно можно извлечь полезную модель вероятности дефолта и определения класса риска.

Но после этого началась уже самая содержательная часть — обсуждение параметров. И вот здесь, пожалуй, лежал один из важнейших выводов проекта. На первый взгляд может показаться, что в такой модели решающими должны быть финансовые показатели. На практике у нас получилось иначе. Качественные характеристики перевесили. В нашем случае распределение сложилось как 60 на 40, где 60 — это отраслевые и другие качественные параметры, а 40 — финансовые. И это не теоретическая конструкция, а результат работы бизнеса компании «Комус» за длительный период работы в виде данных и применения качественного подхода к обработке статистики нашими коллегами из FIS.

Среди параметров, которые показали более высокую прогностическую способность, были отраслевая характеристика, численность компании, судебные производства и другие нефинансовые признаки, которые точнее отражают портрет контрагента.

Это не значит, что финансовую составляющую можно отбросить. Нельзя. Но её статистическая значимость в нашем кейсе оказалась ниже. Финансовые данные скорее дополняют общую картину, а на первый план вышли именно качественные характеристики. Для небанковского сектора это, как мне кажется, очень показательный сценарий.

А что оказалось самым сложным уже внутри самого проекта: данные, математика, согласование?

Если смотреть на весь путь, сложность нарастала поэтапно. Сначала сложно было найти и собрать нужные данные. Потом стало ещё сложнее договориться, какие параметры действительно должны войти в модель. А самым сложным в итоге оказалось утвердить модель внутри бизнеса.

Это вполне объяснимо. У каждого участника такой работы есть собственный экспертный опыт, собственный взгляд, свои знания. И в крупных компаниях это естественно: люди искренне считают важным добавить свое экспертное мнение, потому что отвечают за результат. Но из-за этого даже довольно понятные параметры, которые легко интерпретируются, они могут обсуждаться очень долго. Получается своеобразный перевес человеческого багажа — опыта, представлений, внутренних оценок.

Чтобы пройти эту стадию, коллегам из FIS пришлось проделать огромную работу. По сути, речь шла уже не просто о базе данных, а о среде, в которой много раз — сотни и тысячи раз — перебирались разные комбинации факторов и сценариев. Это была очень большая, местами полуручная работа, которую со стороны часто недооценивают. Но именно она позволила показать бизнесу, что модель не просто красиво выглядит на бумаге, а действительно валидна, проходит тестирование и выдерживает апробацию на небольших сегментах партнёров. Поэтому если выделять одну действительно самую сложную точку проекта, я бы назвал именно этап утверждения.

Какие результаты Вы сейчас считаете базовыми ориентирами для модели, если говорить именно в цифрах и метриках?

Здесь важно честно сказать: полноценный эффект ещё собирается, потому что для него нужно время и статистика на работающей модели. Но базовые метрики у нас уже есть, и они для нас очень важны.

Первая — это покрытие. По рынку ориентиром можно считать порядка 80%, а для своей системы мы поставили планку 90%. На текущем этапе мы уже покрываем свыше 90% партнёров, которые поступают к нам на оценку из коммерческого контура, при наличии данных можем их оценить, и это для нас хороший показатель жизнеспособности модели.

Вторая ключевая метрика — это классическая разделяющая способность модели, то есть Джини. У нас этот показатель сейчас превышает 71%. Для небанковского сектора уровень выше 60% уже можно считать достаточным. При этом мы понимаем, что на рынке есть и менее прозрачные инструменты, которые показывают и 80%+. Но для нас принципиально важна не только цифра как таковая. Для нас важна прозрачность принятия решения. Мы хотели, чтобы по каждому партнёру было понятно, как именно модель пришла к своему выводу. И в какой-то момент сознательно приняли решение в пользу более прозрачной модели, даже если по одному формальному показателю она не будет максимальной на рынке. Для бизнеса это оказалось важнее. Наш базовый ориентир сейчас — 70+ по Джини и 90+ по покрытию, а дальше модель уже будет итерационно развиваться.

И как эта модель должна изменить саму работу с товарным кредитованием в горизонте ближайших лет?

Самое важное здесь в том, что модель позволяет перейти от реактивного управления к проактивному. До сих пор во многих контурах логика была простой: пришёл запрос, его обработали, приняли решение. Сейчас, с момента внедрения автономного инструмента определения вероятности дефолта и класса риска, появится возможность действовать раньше. Не ждать, пока возникнет проблема, а видеть тенденцию, заранее понимать направление движения по партнёру и на этой основе выстраивать дальнейшие шаги.

Это уже меняет не только риск-контур, но и сам бизнес-процесс по работе как с отдельным партнёром, так и по портфелю в целом. Если раньше товарное кредитование воспринималось как отдельный функциональный блок, то теперь оно сможет стать частью более широкой системы управления отношениями с партнёрами. Мы говорим уже не только о том, чтобы правильно оценить риск по одному партнёру, но и о том, чтобы управлять портфелем в целом, видеть общий риск, соотносить его с риск-аппетитом компании, понимать, где можно усиливать лояльность, кому можно предложить лучшие лимиты, лучшие условия, какие решения допустимы в рамках общей стратегии. И в этом смысле горизонт в пять-семь лет здесь совершенно реален – это не короткая и не среднесрочная инициатива, а именно стратегическое направление развития продукта «кредитный скоринг», встроенного в общую картину компании «Комус».

Насколько в этой логике важен мониторинг в реальном времени?

Критически важен. Следующий шаг здесь — это переход от статического представления информации, будь то списки или отчёты, к дашбордам и мониторингу в реальном времени. Когда в любой момент ты можешь открыть систему и получить исчерпывающую информацию по любому контрагенту из портфеля. Причём не только по нему самому, но и в контексте всего портфеля, соотношения рисков, принятых лимитов и общей стратегии.

Это важная точка, потому что такой мониторинг становится уже инструментом не только риск-менеджера, но и коммерческой команды. У менеджера по продажам появляется не просто оценка благонадежности, а материал для дальнейшего разговора с клиентом и для планирования развития отношений. И вот здесь как раз возникает настоящий синтез: модель вероятности дефолта, классификация партнера, риск-аппетит, рекомендации по дальнейшему сотрудничеству и понимание целевого горизонта по клиенту. В этом виде система действительно начинает работать как инструмент управления устойчивым сотрудничеством.

Если смотреть ещё дальше, что Вы считаете следующим этапом зрелости?

Следующий этап — это уже работа с более сложной цифровой архитектурой бизнеса. Я имею в виду и дальнейшее обогащение модели точечными источниками, и применение инновационных инструментов, и, если смотреть шире, создание цифровых двойников бизнеса. Но здесь очень важно не бежать впереди паровоза. Пока у тебя нет качественных, чистых, прозрачных данных и понятной базовой модели, подключать любые сложные инструменты преждевременно.

Поэтому логика такая: сначала выстроить прочную модель данных, сохранить и наращивать знания, не потерять прозрачность, а уже затем постепенно двигаться в сторону более сложной аналитики, в том числе с использованием искусственного интеллекта там, где это оправдано. Но фундаментом всё равно остаются данные и логика бизнеса. Без них любые, даже самые модные технологии будут давать слабый результат. И в этом смысле развитие такой системы в виде автономного продукта — это уже не вопрос одного проекта в рамках управления кредитованием, а вопрос цифровой устойчивости целого стратегического направления компании в целом.

Узнать больше про внедрение системы поддержки принятия решений FIS.