ИИ не исправит плохие данные: чему банкам стоит научиться на десяти годах скоринга

Крупные банки один за другим заявляют о внедрении ИИ в оценку кредитных рисков корпоративных заемщиков. На первый взгляд, движение логичное. Банки обладают огромными массивами информации, ИИ способен находить в них связи, которые человек физически не увидит, быстрее анализировать риски и сокращать сроки принятия решений. Но, прежде чем передавать ИИ еще большую часть кредитного решения, стоит посмотреть на опыт предыдущей технологической революции в банковском кредитовании при внедрения скоринга, на который возлагались такие же надежды.

Скоринг должен был стандартизировать первичную оценку заемщика, снизить стоимость анализа, убрать часть рутинной работы и ускорить выдачу кредитов. И многое из этого действительно произошло. Только вместе с ускорением рынок получил несколько системных проблем, последствия которых мы видим до сих пор.

Постепенно скоринг во многих случаях превратился в самостоятельный фильтр. Если компания не соответствовала определенному набору формальных критериев, до кредитного специалиста она могла просто не дойти. Одновременно менялась банковская инфраструктура: количество кредитных аналитиков сокращалось, количество клиентских менеджеров росло. Логика понятна, если значительную часть анализа делает машина, человеку остается продавать продукт и сопровождать клиента. Но вместе с трудоемкой ручной работой банковская система начала терять ценную кредитную экспертизу. Опытный аналитик видит отрасль, собственника, контрагентов, сезонность, структуру сделки, качество обеспечения, причины изменения финансовых показателей. Иногда несколько правильных вопросов предпринимателю дают больше информации о реальном состоянии бизнеса, чем десятки автоматически рассчитанных показателей.

Есть пример, когда один из банков в 2013 году перевыполнил план по выдаче кредитов за счет скоринга, а в 2014 году получил исторический максимум просрочек и дефолтов. Система не учла того, что могли заметить реальные аналитики на местах.

Конечно, за эти годы скоринг развивался. Мы много лет ездим на Scoring Day и слушаем риск-менеджеров, которые рассказывают, какие данные сегодня используются при принятии кредитного решения. Источников уже сотни. Учитывается информация, о которой предприниматель зачастую даже не подозревает, вплоть до потребительского поведения собственника бизнеса».

В результате возник парадокс. Банки знают о бизнесе все больше. А бизнес все меньше понимает, почему банк принимает отрицательное решение. Раньше логика была относительно понятной: есть положительная деловая репутация, выручка, активы, залоговая масса, значит, финансирование вероятнее будет. Сегодня ничего из перечисленного само по себе кредит не гарантирует.

Несколько лет назад по запросу руководителя одного из регионов мы проводили большую аналитику. Нужно было понять, почему бизнес промышленно развитого субъекта оказался на предпоследнем месте в России по объему привлеченного льготного финансирования. Когда разложили путь потенциального заемщика по этапам, картина получилась весьма показательной.

По формальным признакам под программу подходили 129,3 тысяч предприятий. Попробовали обратиться за ним 2045. 770 предприятий получили практически мгновенный отказ на этапе скоринга. Еще 926 компаний, которые первичный скоринг прошли, потерялись на этапе сбора документов. Кто-то не понял, какие именно данные нужны банку. Кто-то не смог представить их в требуемом виде. У кого-то учет просто не позволял быстро сформировать необходимую информацию. До одобрения дошли 349 компаний. 75 предприятий отказались от льготного финансирования сами, потому что рассчитанные банками лимиты оказались настолько небольшими, что практически не влияли на финансово-хозяйственную деятельность бизнеса. Кредитные договоры в итоге подписали 274 компании. При этом из трех предусмотренных программой ставок – 14%, 16% и 18% – подавляющее большинство заемщиков получили верхнюю процентную ставку.

Из 129,3 тысяч предприятий, формально подходящих под программу, реальным льготным финансированием смогли воспользоваться около 0,2%. Причина оказалась не только в самом бизнесе.

Проблема начинается раньше кредитной заявки

Когда стали разбирать причины, увидели проблему с обеих сторон. Структура баланса и качество бухгалтерского учета многих предприятий не соответствовали требованиям банков. Бизнес десятилетиями смотрел на учет и бухгалтерию, прежде всего, через призму налогов. Главная задача была понятной: вовремя сдать отчетность, корректно рассчитать налоги и не получить претензий от ФНС. О том, как выглядит баланс глазами кредитного аналитика, можно ли из учетной системы понять реальное финансовое состояние предприятия, правильно ли отражены активы, насколько прозрачна дебиторская и кредиторская задолженность, можно ли увидеть движение запасов, задумываются только тогда, когда понадобились заемные деньги. Качественный бухгалтерский учет для растущего бизнеса – такой же финансовый актив, как репутация, производственная площадка или ликвидное имущество.

Поэтому первое, что должно быть сделано на стороне компании-заемщика, настроен качественный учет, и это делает компанию понятной для банков, инвесторов и партнеров. То есть повышает прогнозируемость доступа к капиталу и позволяет бороться за лучшие условия.

А на стороне банков другая сторона проблема – работа с данными. Сначала заемщик их должен извлечь из первоисточника, переформатировать, отправить, в банке менеджер их получил, направил дальше, их загрузили в свою систему и начали выяснять, соответствует ли полученное реальному положению дел. Получается такой маршрут. Не стоит удивляться долгому рассмотрению корпоративных кредитных заявок и низкой конверсии. Если в систему на входе поступают неполные, противоречивые или искаженные данные, увеличение вычислительной мощности проблему не решит. Система просто начнет быстрее и технологичнее обрабатывать плохие данные. Более того, существует риск повторить историю скоринга на новом уровне.

Главная задача сегодня находится уровнем ниже искусственного интеллекта. Нужно построить нормальную архитектуру передачи данных между бизнесом и банком. Банкам и компаниям необходимо выстраивать прямой цифровой маршрут передачи достоверных данных из учетной системы предприятия в банковскую систему. Не через письмо бухгалтера и Excel, который несколько раз сохранили, а из первоисточника непосредственно в банк, с согласия предпринимателя и с понятным контролем состава передаваемых данных. Для этого в стране есть ИТ-продукты и отечественное ПО. Их внедрение сокращает зону, где возможны ошибка, искажение или мошенничество.

И только после этого – искусственный интеллект

ИИ должен усиливать аналитика, а не заменять кредитное мышление и вымывать человеческую кредитную экспертизу. Для простых и массовых продуктов автоматическое решение естественно. Но кредитование малого и среднего, а тем более сложного корпоративного бизнеса часто требует ответа на вопрос: как сделать эту сделку возможной при приемлемом уровне риска. А это требует кредитного мастерства: график, обеспечение, транши, привязка погашения к производственному циклу и т.д.Нужно понять, почему показатели конкретного предприятия отличаются от среднеотраслевых, разобраться, где перед нами реальный риск, а где особенность бизнеса, которую алгоритм воспринимает как отклонение. Именно здесь ИИ может стать очень сильным помощником хорошего аналитика, но не заменителем.

Есть и еще один вопрос, который, на мой взгляд, неизбежно встанет по мере развития ИИ-кредитования, это объяснимость решения. Если компания получает отказ, ей необходимо понимать факторы, которые к нему привели. Тогда предприниматель понимает, что именно необходимо изменить, чтобы через полгода или год вернуться в банк с другим качеством бизнеса. Это полезно и кредитору, и всей банковской системе, потому что повышает качество будущих заемщиков.

Дискуссию об искусственном интеллекте в кредитовании сегодня легко свести к вопросу: сможет ли машина точнее человека определить вероятность дефолта, но это узкая постановка задачи. Вопрос в том, можем ли мы построить систему, в которой качественный бизнес становится понятным банку, банк понятным бизнесу, а технологии сокращают расстояние между ними.

Для этого нужны четыре пункта: качественный учет на стороне бизнеса, доверенный цифровой канал передачи первичных данных, сохранение профессиональной кредитной экспертизы внутри банков и понятная обратная связь по результатам автоматизированного решения и поверх всей этой архитектуры уже ИИ. Тогда его можно использовать как инструмент, который снимает рутину, расширяет возможности аналитика и позволяет банку быстрее находить сделки, которые можно и нужно финансировать.

В конечном счете, хороший результат цифровизации кредитования – это здоровый бизнес, который получил необходимый ему капитал на понятных условиях, и банк, который выдал качественный кредит и получил его обратно с доходностью. ИИ-инструменты нужно сначала правильно встроить в работу, чтобы технология, которая должна была решить проблемы, не создала несколько новых.