Искусственный интеллект покорил МФО

Потенциал применения технологий искусственного интеллекта в финансовой сфере или как нейросети получили развитие в микрофинансовых организациях быстрее, чем в банках.

Сегодня нейросети получили распространение не только в предиктивной аналитике и формировании персональных предложений клиентам, но и в оценке кредитных рисков, борьбе с мошенничеством, а также онлайн-скоринге. При этом искусственный интеллект в микрофинансовых организациях уже получил более активное развитие, чем в банках.

Искусственный интеллект отлично зарекомендовал себя в борьбе с кибер-мошенниками. Алгоритмы нейросетей могут эффективно работать с любыми данными, в том числе, зашифрованными. При этом нейросети каждый день учатся выявлять новые подозрительные признаки и бороться с хакерами и мошенниками – особенно с пресловутым человеческим фактором, то есть ситуациями, когда сам потребитель вовлечен в процесс списания собственных денег. Например, компания Brighterion, которая сотрудничает с крупнейшими европейскими финансовыми организациями, разработала несколько таких систем для борьбы с мошенниками. Они изучают и запоминают типичное поведение человека, и, если возникает какое-либо отклонение, реагирует тревожным сигналом. По данным компании, они снижают ущерб от мошенников на 75-95%. Есть такие системы и для борьбы с отмыванием денег. Так, индийский банк HDFC использует для этого решение SAS Institute, которое позволяет выявить потенциально подозрительные операции, счета фирм-однодневок. Применяет нейросети для выявления мошенников и PayPal.  В итоге мошеннические транзакции в PayPal составляют всего 0,32% (по данным компании).

Еще одно направление – автоматизированное принятие решений по типовым вопросам. Сюда относится и онлайн-скоринг, который отлично работает в розничном банкинге, но нашел еще большее распространение в МФО – в розничном кредитовании и кредитовании малого бизнеса.

Оффлайн-скоринг требует от финансовых организаций сбора документов, причем некоторые могут оказаться недостоверными. Скажем, отчетность фирмы, если речь идет о кредитах для бизнеса. Все это выливается в существенные временные затраты. Данные о выручке, расходах, динамке различных финансовых показателей, о налогах и взносах, кредитах и платежах, позволяют нейросетям оценивать клиента и принимать объективное решение. Помимо информации об операциях при нейросетевом скоринге применяется и масса других данных. Например, могут использоваться такие параметры, как информация о денежных переводах клиента, информация из социальных сетей, данные мобильных операторов. Например, наличие большого числа сим-карт, открытых на имя клиента, и довольно быстро дезактивированных, может стать негативным фактором для принятия положительного решения по кредиту. В рознице системы онлайн-скоринга также используют не только данные бюро кредитных историй, но и анализируют поведенческие факторы, например, паттерн поведения потенциального клиента при заполнении анкеты на сайте. Сколько времени ушло на каждое действие, сколько раз он поправлял данные при заполнении «полей» заявки, как двигал «ползунки» калькулятора. Например, если человек несколько раз корректировал свой доход в анкете в сторону повышения, система обозначит это как тревожный фактор. Всего нейросетевые скоринг-модели могут учитывать тысячи и даже десятки тысяч различных параметров, что позволяет ускорить систему принятия решений по большому числу заявок в МФО.

На рынке есть ряд онлайн-решений для проведения такого «умного» скоринга. Например, сервис Scorista оценивает заемщиков МФО. Другой сервис для автоматизации кредитной деятельности МФО Credit Sputnik интегрируется с информацией из кредитных историй ОКБ, Equifax, «Русский Стандарт», сервисом ФССП, выносит на их базе решение. В «Мани Фанни» применяется собственная разработка - система скоринга, построенная на базе технологии искусственного интеллекта, она позволяет обрабатывать несколько тысяч заявок в день, при этом, качество одобряемых заявок повысилось с внедрением системы примерно на 10-15%.

Согласно данным Сбербанка, около 99% кредитных решений в рознице и около 35% в корпоративном сегменте принимаются автоматически. Ориентируясь на эту статистику, можно предположить, что на искусственный интеллект можно вывести многие процессы – и в части оценки заемщиков, и в части андеррайтинга страхователей, и в части кредитного анализа.

В части кредитного анализа предпринимателей довольно перспективно применение поведенческих моделей риска. Характер движения денежных средств по счету, типичность операций, регулярность платежей, «оседаемость» выручки – на основании анализа этих показателей можно делать выводы, является ли какая-то ситуация зоной риска. Любой классический мониторинг построен на анализе отчетности. Это постфактум мониторинг. А в предиктивной модели в режиме онлайн срабатывают триггеры, обращая внимание на которые можно погрузиться в тот или иной кейс. Сегодня мы активно изучаем эту тему и в своей работе с малым бизнесом.

С дальнейшим развитием нейросетей МФО определенно смогут работать быстрее, лучше управлять просрочкой и оперативно отслеживать мошеннические транзакции. Поэтому тем, кто хочет быть конкурентоспособным в будущем, нужно отрабатывать эти темы уже сейчас.