— Александр, инновационные подходы банка к работе с МСБ впечатляют!

— Спасибо, у нас действительно есть поводы для гордости. Например, несколько лет назад мы первыми в России запустили онлайн-кредитование для бизнеса, а недавно стали предоставлять предодобренные решения. На мой взгляд, их преимущества очевидны: предприниматель может выбрать сумму в рамках заранее одобренного лимита, при этом оформление кредитной линии и получение денег происходят полностью онлайн в интернет-банке. Получатель кредита может не являться клиентом ПСБ и не иметь у нас банковского счета. Но заранее одобренное предложение у него, тем не менее, будет — и уже ему решать, воспользоваться или нет нашим предложением.

Александр Чернощекин, старший вице-президент — руководитель блока среднего и малого бизнеса Промсвязьбанка

— Подобный подход — ноу-хау банка или за этим стоит что-то большее?

— Не скажу за всех коллег по банковскому сектору, но отмечу, что стратегия ПСБ в этом сегменте рынка основана на подходе data-driven, т.е. на управлении бизнесом с помощью сбора, анализа данных и принятия управленческих решений на основе информации о рынке в целом и его участниках в частности. Современные технологии позволяют сделать это даже на базе открытой информации.

— Как родилась идея предодобренных кредитов для МСП по всей стране?

— Уверен, что наши представления о жизни формируются в юности. В этом случае все произошло именно по этому сценарию. Поскольку я длительное время работал сначала кредитным аналитиком, а затем клиентским менеджером, я неплохо представлял себе, что если есть отчетность компании и хорошее знание этого бизнеса, то необходимо сравнить впечатления от бизнеса с цифрами его баланса. В принципе, вся дальнейшая аналитика является скорее подтверждением первоначальных впечатлений о компании.

Далее полученный менеджером опыт масштабируется на локальный рынок города, области или района. К этому всему требуется добавить социальный контекст, общение с финансистами и погружение в среду. Вокруг этого мы и начали строить всю эту историю.

В процессе работы стало понятно, что объем данных, который накоплен в экономике и госуправлении, довольно большой, а значит, есть возможность собрать всю доступную информацию и провести финансовый анализ.

Но при этом нельзя игнорировать экспертное мнение клиентского менеджера.

Таким образом, работает машина, которая агрегирует все данные, существующие на рынке, автоматически заполняет карточки, считает коэффициенты, делает скоринг и другую работу, доступную искусственному интеллекту. А клиентский менеджер, благодаря естественному интеллекту знает, с какой компанией стоит начинать работу в первую очередь.

И это не секрет ПСБ, а понимание того, что работа кредитных аналитиков и риск-менеджеров по простым кредитам скорее направлена на подтверждение эффективности скоринговой модели и веры клиентского менеджера в своего клиента, которая была у нас на первоначальном этапе. Со временем и последний этап можно автоматизировать и упростить, мы именно это и сделали.

— Но ведь у малого бизнеса минимальная налоговая отчетность…

— Приходится использовать несколько моделей. Для работы с малым бизнесом и микробизнесом мы используем транзакционные данные: как компания платит по счету, за что оплачивает по полю «Назначения платежа», какие платит зарплаты, как часто проводит транзакции в пользу поставщиков. Смотрим на то, как компания платит налоги. Все эти данные становятся доступными для автоматического анализа благодаря нейросетям. Ежегодная отчетность ИП в нашем случае непоказательна, мы смотрим на поток платежей предпринимателя.

А из отчетности среднего бизнеса, которая хоть и сдается раз в год, но стабильно и более полно, для нужд скоринга уже можно что-то почерпнуть. Кроме того, доступны данные по торгам по госзаказу, арбитражам, налоговым историям и т.д. Мы используем несколько десятков различных источников информации. При этом для качественной аналитики требуется какое-то минимальное время существования бизнеса.

— Как тестировались модели? Какие риски пришлось учесть?

— Модели тестировались у нас в песочнице, в этот период мы проверяли и оценивали их работу. В период пандемии, наверное, сделали первый «подход к снаряду», рассчитали лимиты и посмотрели, сколько могли бы выдать клиентам.

Понятно, что любые «боевые» модели тестируются на настоящих клиентах, но в том объеме лимитов и в том сегменте рынка, при которых потери в случае неудачи будут минимальными. При этом мы поняли: если в результате эксперимента потери по кредитам ушли в ноль, значит, это плохая модель, ведь она обучается по принципу оптимизации убытков против максимизации маржи, которая должна покрывать возможные убытки, себестоимость и приносить целевой доход согласно стратегии, о которой я говорил ранее. А если потери при тестах уходят в ноль, это значит, что, во-первых, слишком сильно закручены гайки и банк одобрил слишком мало кредитов. Во-вторых, это значит, что риск-менеджеры еще точно не понимают, где может возникнуть просрочка в будущем, поэтому желательно, чтобы через аналитиков прошло какое-то количество дефолтных кейсов. Только так можно добиться высокой предсказательной силы скоринговых моделей по разделению клиентов на «плохих» и «хороших».

Что касается рисков, то выявлено несколько нетипичных стоп-факторов. Например, если компанию создали сегодня, а на следующий день у нее на балансе числится миллиард рублей активов, а прибыли нет, то ясно, что так в жизни не бывает. И наша модель это «понимает».

— Не поделитесь некоторыми данными?

— Давайте приведу их в сравнении. Например, наши коллеги в банковской сфере говорят о том, что они стремятся выдавать 80% цифровых кредитов, а ПСБ уже превысил этот показатель. Например, в сегменте МСП он составляет 88%, если считать по количеству выданных кредитов. Для поддержания такого темпа и обеспечения рентабельности бизнеса у нас полностью автоматизированы многие рутинные процедуры, исключен бумажный документооборот, используется электронная подпись и т.д. А счет юридическим лицам мы научились открывать всего за несколько минут!