Очень рада приветствовать вас здесь. Коллеги, смотрите, сегодня достаточно много говорили о доступности банковского финансирования для малого и среднего бизнеса как в рамках программы государственной поддержки, так и в рамках программы кредитования МСБ самими банками. Я бы сегодня хотела рассказать про те технологии, инструменты, которые банки могут взять на вооружение, чтобы сделать кредитование малого и среднего бизнеса более удобным для клиента, более доступным. Потому что они, как правило, позволяют повысить уровень одобрения заявок малого и среднего бизнеса и сократить трудозатраты для малых и средних предприятий на подготовку документов. Кроме того, они, собственно говоря, снижают риски самих банков и, как следствие, поскольку кредитные риски меньше, это помогает удешевлять именно стоимость программ банков для малого и среднего бизнеса.

Какие инструменты я бы хотел сегодня осветить? Первое – это подходы на основе бенчмаркинга. Второе – это транзакционный скоринг, «умные» кредиты. Третье – это проверка достоверности отчетности малых и средних предприятий на основании анализа динамики показателей. Четвертое – это анализ взаимосвязей малых и средних предприятий. И пятое – это альтернативные источники данных. Эти инструменты, они очень активно применяются на Западе и наши российские банки также стали их в последние годы внедрять, в чем мы им активно помогаем.

Если мы говорим о подходе на основании бенчмаркинга, тут приведен пример для предодобренных кредитов, но, собственно говоря, для и не предодобренных кредитов этот подход тоже работает. Банк проводит оценку клиента по четырем направлениям. Прежде всего, это оценка текущего кредитного риска клиента. Это производится на базе стандартных моделей внутренних кредитных рейтингов банка, на базе финансовой информации, предоставленной клиентом, или из открытых источников типа «СПАРК».

Потом производится моделирование и бенчмаркинг бизнес-показателей компании с учетом возможного нового долга на основании ключевых бизнес-драйверов и драйверов риска. Это так называемая оценка бизнес-риска. Какие тут могут быть ключевые бизнес-драйверы? Это, например, если мы рассматриваем небольшое кафе или ресторан, мы смотрим на количество столиков, на их заполняемость, на клиентопоток и сколько все это может компании приносить. Если тут мы получаем разницу с управленческой или официальной отчетностью компании, грубо говоря, отчетность, которая построена на основании этих драйверов, отличается, то тут можно говорить с клиентом или даже принимать какие-то решения на основании этого как раз внутреннего моделирования. Для микробизнеса часто решение западными банками принимаются именно по итогам, в том числе, такого моделирования.

Потом проверяется качество данных предоставленных, содержащихся в отчетности и документах клиента. Это автоматическая, скажем так, оценка «достоверности», попадают ли они в интервалы, характерные для этого вида клиента, для его региона, для вида деятельности и прочих особенностей.

И четвертое: оцениваются западные банки риск обесценения, т.е., как мы знаем, традиционные модели кредитного риска оценивают вероятность дефолта на интервале в год. То есть они реагируют с достаточно большим лагом, т.е. если есть у нас риск обесценения, дефолта здесь, то кредитный рейтинг может его еще не отражать. Но для малого и микробизнеса есть модели, которые на основания индикаторов раннего предупреждения могут показывать, они являются более чувствительными, чем традиционные скоринговые модели банковские.

Второе – это транзакционный скоринг и «умные» кредиты. Собственно говоря, это такие модели, которые построены как на базе стандартного статистического моделирования, так и с применением системы машинного обучения и искусственного интеллекта, которые позволяют оценивать кредитоспособность клиента в режиме реального времени на транзакционных данных. Какие используются транзакционные данные? Это, прежде всего, движения по расчетному счету клиента. Это движение по эквайрингу и инкассации. Это финансовая информация из открытых источников. Это движение по счетам собственников и руководителей и какие-то прочие негативные факторы тоже из внешних и внутренних источников собираются.

Третий инструмент – это проверка достоверности отчетности на основании анализа динамики показателей. Тут банки стремятся выявить недостоверную отчетность или какие-то ее части, тоже строятся модели на базе искусственного интеллекта, машинного обучения либо традиционные регрессии. Берут отчетность заемщика за проверяемый период, берут статистику по прошлым периодам и берут статистику по компаниям с аналогичной деятельностью, аналогичного размера. Анализируется показатель, т.е. строится большая комплексная модель, которая показывает взаимосвязь всех показателей, они сопоставляются между собой и с рынком и учитывают всевозможные взаимосвязи, и на основании этого делаются выводы об ошибках в отчетности.

Четвертое – это проверка достоверности отчетности. Извините, пожалуйста. Это выявление взаимосвязи заемщиков, тут не поменяли заголовок. Что это за инструмент? Он позволяет банкам выявлять взаимосвязи заемщиков, например, на базе анализа производственных цепочек, и на основании этого делать вывод о наличии дополнительных кредитных рисков. Это тоже делается методами статистического моделирования и тоже с применением того же искусственного интеллекта.

Тут подходы несколько отличаются для малого бизнеса и для микробизнеса. Для малого бизнеса мы смотрим на анализ (для малого, скажем так, и среднего) конкретных цепочек поставок, анализируем юридическую связанность разной степени, скажем так, силы, анализируем финансовые отношения, т.е. отношения заемщик-заимодатель, взаиморасчеты и т.д., сверяем показатели отчетности – это делают наиболее, так скажем, продвинутые банки, и выявляем какие-то необычные транзакции – тут есть пересечение с финансовым мониторингом. Для микропредприятий подход более, скажем так, портфельный. Анализируются, прежде всего, финансовые отношения, отношения собственников, сотрудников, смотрится на иные взаимосвязи, т.е., например, общие адреса, общие контакты, общие сотрудники, и опять-таки выявление необычных транзакции. И на базе этих взаимосвязей можно сделать вывод о том, как раз предсказать какие-то негативные события кредитные будущем, т.е., например, если какие-то взаимосвязанные компании испытывают финансовые трудности, например, в цепочке поставок, то риск заемщика выше, или наоборот, если все связанные компании находятся в хорошей форме, то и наша компания, она, собственно говоря, есть большая вероятность того, что с ней будет все в порядке.

И пятое – это альтернативные источники данных, на основании которых тоже можно делать кредитный скоринг и рассчитывать какие-то бизнес-показатели. Это данные с электронных кошельков, например, PayPal. Надо сказать, что, поскольку мы говорим про западные рынки, там через электронные кошельки проходит большое количество платежей в счет, например, розничных малых предприятий. Данные мобильных операторов, данные онлайн бухгалтерии, данные платформ e-commerce, например, того же «Амазона», на котором представлены товары малых и средних поставщиков. Данные социальных сетей, статистика различные по сайтам этих малых и микропредприятий, если такие имеются. Данные сервисов доставки, геоданные, данные госорганов. Прежде всего, конечно, модели оценки на базе альтернативных источников данных используют стартапы, которые позволяют кредитовать малый и микробизнес, такие, как Funding Circle, Kabbage, Ant Financial и т.д. Но и эти же компании они, во-первых, предоставляют свои модели данных банкам, а во-вторых, банки самостоятельно тоже эти модели разрабатывают уже.

Собственно говоря, такой краткий обзор тех инструментов, которые помогают банкам сделать кредитование более доступным для малых и микропредприятий и менее рискованным для себя.

Спасибо большое за внимание.