Главная
Дмитрий Тарасов, директор Центра разработки аналитических решений ОЦО, и Марк Попов, директор направления Data Science, Ростелеком, рассказали Центру компетенций ОЦО о применении искусственного интеллекта и Data Science в управлении дебиторской задолженностью.
«Ростелеком» работает с дебиторской задолженностью полного цикла, начиная с момента, когда формируется выручка. Это ключевой этап формирования дебиторской задолженности, потому что, если выручка изначально сформирована невозвратной или допущен прямой фрод, то с такой задолженностью потом работать крайне трудно, а иногда невозможно. Заканчивается цикл работы с дебиторской задолженностью этапом, когда небольшая часть задолженности, которую мы не смогли вернуть (потому что 100% собираемость дебиторской задолженности, к сожалению, пока еще недостижимый результат), списывают. В компании для работы с дебиторской задолженностью функционирует большая профильная функция – Центр кредитного контроля.
Направления Data Science при работе с дебиторской задолженностью
Существует множество решений в области автоматизации и искусственного интеллекта для работы с дебиторской и кредиторской задолженностью. В статье описаны основные из них.
NLP (Natural Language Processing – обработка естественного языка) – все, что связано с извлечением полезной информации из текстов, написанных естественным человеческим языком: письма, сообщения в мессенджерах, документооборот. Сюда же можно добавить обработку устной речи. Из всего этого можно извлекать полезные данные, и все это умеет делать современный ИИ.
Предиктивная аналитика – все, что касается попыток предсказать будущее в том или ином виде, начиная от бюджетного плана и заканчивая прогнозом погоды для клиента на завтра, чтобы понять, долетит он до нас или нет. Без предиктивной аналитики сложно представить современную функцию работы с дебиторской задолженностью.
Рекомендательные системы. Их можно использовать сотрудникам, которые занимаются collection-скорингом (системой скоринга на стадии работы с невозвращенными кредитами), для работы с клиентом, а также благодаря таким системам можно порекомендовать клиенту более подходящий для него финансовый инструмент. Кроме того, можно рассматривать рекомендательные системы не с точки зрения исключительно collection-функции, а чуть шире, как помощь в работе с поставками и оборудованием и формировании базы для дальнейшей работы с дебиторской задолженностью.
Генерация текстов. Если необходимо сформировать какой-то документ (пост в интернете, сообщение клиенту, смс, емейл, юридический документ для суда), то генерация текстов это берет на себя. Под этим скрыт большой пласт решений.
Распознавание и синтез речи – технология, которая постепенно выходит на свое плато развития. В работе с дебиторской задолженностью применяется, в первую очередь, в коммуникациях с клиентом. Мы можем общаться с клиентом не через дорогого оператора, а использовать «дешевого» робота.
Системы компьютерного зрения. Для работы с дебиторской задолженностью используются достаточно редко. Например, в специфических кейсах работы с залоговым имуществом.
Data Science-инструменты и решаемые кейсы
Первый инструмент – оценка рисков (кредитный и collection-скоринг, прогноз выживаемости клиента). Оценка рисков, сделанная на основании больших данных и с помощью математических моделей, всегда превосходит оценку человека.
Второй – распознавание платежей. Не всегда клиенты платят по шаблону. Нужно произвольный текст в назначении платежа разобрать и соотнести с теми, которые раньше получали сотрудники-операторы. Также бывает, что платят не сами клиенты, а агенты или приставы. Поэтому бывает сложно понять, за какого клиента пришел платеж. Для этой задачи используется инструмент информационного поиска – он не только эффективен, но и прозрачен. Т.е. можно понять, по каким критериям разнесся тот или иной платеж.
Третье решение – оценка имущества в залоге, а четвертое – логистика по сбору оборудования. Мы выдаем оборудование нашим клиентам, и в какой-то момент после расторжения договора его нужно вернуть. Физических филиалов компании не так много, поэтому мы отправляем для этого своих сотрудников. И для минимизации затрат на сбор этого оборудования часто приходится решать задачи по оптимизации маршрута. Т.е. нужно этот маршрут рассчитать так, чтобы затраты на логистику в итоге были меньше. Кроме того, мы внедрили робота, который оповещает клиента о том, что нужно вернуть оборудование, и согласует с ним время сдачи.
Пятый инструмент – умные голосовые роботы для общения с клиентом. Так как нам доступны аудиозаписи разговора с клиентом, благодаря им мы можем определить его психоэмоциональный портрет по голосу, выявить лжеца, а также в целом провести постаналитику телефонных звонков. Помимо того, благодаря роботу мы ведем проактивную работу с запросами клиентов и ищем новые более эффективные кейсы с точки зрения конечной цели взыскания.
Мы активно используем NLP технологии и OCR (Optical Character Recognition – оптическое распознавание символов – прим. ред.). В идеале, все документы должны нам приходить в электронном виде, однако пока что эта цель недостижима. Часть документов приходит в бумажном виде (например запросы от государственных органов). И очень много ручной работы связано с просмотром и обработкой этих документов. В том числе, с извлечением данных. Эту задачу берёт на себя технология OCR. Она связана с чтением текста со сканнера, распознаванием написанного и извлечением оттуда информации. Мы в своей работе используем разнообразные технологии и модели для работы с русским языком.
Кроме того, мы используем DS-инструменты для формирования наиболее эффективной стратегии коммуникаций с клиентом: выбор лучшего времени и способа контакта, подбор информационного контента, прогнозирование будущих действий и выбор следующего шага для каждого этапа взаимодействия с учетом коррекции на фактическую реакцию клиента.
Еще один случай применения DS-решений – подготовка документов для досудебного и судебного взыскания (акты, заявления, претензии), подбор параметров комплекса документов (сути претензий, требований, списка нарушений) и генерация документов, а также автоматическая проверка на соответствие законодательной базе и информационный поиск аналогичных дел в арбитражной практике.
Кредитный и collection-скоринг
Клиенты не одинаковые – вероятность нарушить обязательства по оплате счетов различается от клиента к клиенту. Однако по формальным признакам их можно объединять в однородные группы по уровню рисков, а для новых клиентов предсказать, в какую именно группу риска они попадут.
Поэтому скоринг клиентов – это начальный этап, который позволяет нам работать дальше с той дебиторской задолженностью, которую реально собрать и вернуть. Если в крупной компании нет хорошо развитой функции collection и кредитного скоринга, то она автоматически будет получать огромный объем невозвратной дебиторской задолженности. Причем огромный массив данных компания будет получать о тех контрагентах, которые не были мошенниками, а просто высокорискованными контрагентами, с которыми заключали высокорискованные сделки.
Разнообразные модели скоринга применяются при планировании персонализированных маркетинговых мероприятий (рассылки, SMM, рекомендации в личном кабинете, персональные предложения в CRM), при автоматическом согласовании доходных договоров и формировании рекомендаций по предельной сумме и срокам оказания услуг, а также в процессе оценки возможности досудебного и судебного взыскания и формировании наиболее результативной последовательности действий коллекторского отдела.
Итак, как же организуется функция кредитного скоринга? Крайне важно понимать, зачем это в принципе нужно. Для этого необходимо понять, как строится наша бизнес-модель: есть ли время на детальный скоринг клиента, или мы должны решать задачу скоринга моментально. Например, к нам в офис пришел клиент, чтобы купить пакет видеонаблюдения. В этом случае у нас нет нескольких часов, чтобы собрать по нему данные. И мы применяем блок технологий и уже собранных данных по этому клиенту (данных, собранных банками, например).
Мы используем скоринг, когда есть цепочка согласования договора. Физическое лицо интересно скорить, когда оно уже является нашим клиентом, и у нас есть время собрать по нему информацию. Дальше мы будем определять для него уровень кредитного лимита, оборудование, которое можно ему дать в кредит и т.д. Иными словами, физлицо нас на старте не интересует как скоринг-объект. Если человек пришел к нам заключить договор, мы его заключим.
Другое дело клиенты B2B и B2G. По ним договор проходит несколько фаз согласования, поэтому у нас есть время собрать весь массив данных и провести углубленный скоринг на основании этой информации. Скоринг проходит в два этапа. Первый – это сбор информации по клиенту из всех доступных источников, его идентификация. Второй шаг – это применение модели искусственного интеллекта, которая будет на основании собранной информации показывать, в какую группу попал данный клиент. Какая-то часть клиентов может не попасть ни в одну группу. Например, Сбербанк. Нет смысла его скорить, потому что в любом случае он нам заплатит, если не будет ошибок в договоре с нашей стороны.
Таким образом, скоринг, во-первых, влияет на кредитный рейтинг клиентов, который позволяет их группировать внутри отчетности, мониторить их поведение, применять к ним те или иные меры работы с их дебиторской задолженностью. Во-вторых, он позволяет ограничивать кредитные лимиты клиента по сумме и глубине его возможного ухода в просрочку. И, наконец, одна из самых главных задач – стратегия работы. Используя знания о клиенте, благодаря стратегии работы мы можем определять, как нам с ним сотрудничать, когда ему стоит звонить или уже подавать заявление в суд и т.д.
В скоринге клиентов используются нейросети, что делает его абсолютно непонятным для наружного наблюдателя, и интерпретируемость таких моделей может быть очень низкая. Иными словами, иногда невозможно сказать, почему один клиент оказался в группе с кредитным рейтингом 0, а другой – в группе с кредитным рейтингом 5. Мы можем только контролировать правильность выбора.
Чат-боты и голосовые роботы
Использование голосовых роботов и чат-ботов позволяет сократить расходы на кол-центр и улучшить качество обработки информации.
Данные технологии применяются в основном для коммуникации с клиентом. Он может позвонить, чтобы узнать свою сумму долга. И оператору необходимо с ним поговорить и объяснить, как сформировалась эта сумма. Часто такие диалоги можно вывести с оператора, которому надо платить зарплату, обучать и обеспечивать рабочим местом, на робота. В этом случае применяются несколько технологий. С одной стороны, это генерация и синтез речи. Т.е. мы должны понять, о чем с нами говорит клиент. С другой стороны, мы должны сгенерировать ответ клиенту. А с третьей – поняв, о чем с нами говорит клиент, нам нужно подготовить необходимые для него данные.
Например, клиент запрашивает сумму долга по договору, назвав его номер. Мы, со своей стороны, должны понять, что это за договор, проверить, что он относится именно к этому клиенту, что у него есть право запрашивать информацию по данному договору, и далее найти этот документ в наших системах. После чего подготовить ему ответ. И все это мы должны сделать за 2-3 секунды, пока клиент говорит и ждет нашего ответа.
Использование чат-ботов и роботов, во-первых, избавляет нас от необходимости сохранять кол-центр в формате простых операторов, работающих по скриптам. Мы можем их ориентировать на глубокую детальную проработку индивидуальных кейсов и обучать, чтобы они могли эффективно поддерживать диалог с контрагентами, решать вопросы по задолженности, которые не решаются роботом.
Во-вторых, мы в принципе улучшаем качество коммуникаций, если настроили и разработали технологию правильно. В-третьих, если мы подключаем сервисы речевой аналитики к диалогу с клиентом, мы можем собрать много ценной информации: как говорит клиент, каким тембром, какие слова он использует в своей речи, насколько она эмоционально окрашена, спорит ли он и т.д. И дальше эту информацию использовать в скоринге решений вокруг этого человека. Например, можем передать полученные данные в маркетинг и использовать для таргетирования предложений по этому клиенту.
Таким образом, мы можем автоматизировать исходящие коммуникации благодаря синтезу речи, причем как с использованием шаблонов, когда бот просто зачитывает информацию клиенту, и в этом случае не подразумевается обратная связь, так и в формате диалога.
Кроме того, мы можем извлекать много ценной информации во время диалога, используя сервисы речевой аналитики, после чего проводить контроль качества. Это позволяет улучшать работу робота или находить проблему в разговоре оператора с клиентом. Операторы могут разговаривать с клиентами не совсем так, как нам хотелось бы. Помимо этого, робот может принимать неверные решения с точки зрения процесса. Используя автоматическую аналитику на основании искусственного интеллекта, можно такие вещи «отлавливать» и анализировать. Если проблема была в роботе, то мы перенастраиваем его, дополнительно обучаем, чтобы в следующий раз он более правильно принимал решения.
Например, если нужна была помощь оператора, то сразу переключить на оператора и не ждать, пока клиент разозлится. Если клиент спрашивал сумму задолженности, то не надо пытаться на него давить, чтобы он заплатил, а просто сказать ему сумму. Если же проблема была в операторе (повысил голос, использовал нецензурную лексику, слишком долго молчал), то, соответственно, идентифицировать его, отследить проблему и далее передать информацию в группу контроля качества, которая следит за кол-центром.
Прогнозирование финансовых показателей
Одна из ключевых функций кредитного контроля – прогнозирование и планирование ключевых финансовых показателей. Дебиторская и кредиторская задолженности, денежный поток, сумма резерва на сомнительные долги – только часть из них.
В Ростелекоме создана система прогнозирования финансовых показателей для группы компаний с глубокой детализацией выручки, поступления денежных средств и объемов дебиторской задолженности. За счет возможности прогнозировать в разрезе клиента и учета множества факторов мы повышаем точность прогноза.
Кроме того, внедрение ИИ позволяет значительно сократить время на прогнозирование и планирование, повысив при этом точность.
Резерв на сомнительные долги (РСД)
Для крупной организации вопрос начисления и восстановления резервов на сомнительные долги – это мощный инструмент управления OIBDA (Operating Income Before Depreciation and Amortization –финансовый показатель, означающий операционный доход до вычета амортизации основных средств и нематериальных активов – прим. ред.) и GM (Gross Margin – один из финансовых показателей, который показывает, сколько денег компания зарабатывает на продаже товаров после вычета затрат на производство – прим. ред.). Один из оптимальных способов управления резервов на сомнительные долги описывается в IFRS 9 (прим. ред. – международный стандарт финансовой отчетности, устанавливающий порядок подготовки и представления финансовой отчетности в части финансовых активов и финансовых обязательств, требования к признанию и оценке, обесценению, прекращению признания, общему порядку хеджирования, принципы признания ожидаемых кредитных убытков за весь срок действия финансового инструмента). Один из базовых аспектов – это стандартизированное управление рисками для однородных групп клиентов или индивидуальный расчет уровня риска и резерва для каждого клиента.
Использование ИИ позволяет очень точно определять риск дефолта и вероятную сумму потерь для клиента и сокращает время расчета РСД.
Андеррайтинг доходных договоров
Входной контроль рисков – сверхважная функция. Зачастую выполняется вручную, поскольку текст договора, условия, каналы поступления и срок на реакцию могут быть абсолютно разными от документа к документу. Тем не менее, задача поддается математическому решению с помощью ИИ.
К нам поступает множество договоров. Во многих из них неструктурированный текст, условия написаны по-разному и разбросаны по всему телу договора. Казалось бы, задача нерешаемая. Но на самом деле с этим можно работать, используя андеррайтинг доходных договоров. Во-первых, мы проверяем право подписи, количественные метрики, данные клиента, наличие нужных подписей. Следующий шаг – мы проверяем суть договора, чтобы она соответствовала заявленному типу, а также анализируем риски заявленных условий в документе. Для сложных кейсов мы применяем глубокую проверку контрагента, также учитывая макрофакторы.
На основании всех полученных данных мы уже можем принимать решение: договор можно пропустить без дополнительного согласования и подключения функции риск-контроля; договор изначально рисковый и необходимо его отправить на рассмотрение комитетом; договор рисковый, но достаточно будет просто подключить к работе андеррайтера.
