Сегодня, несмотря на стремительное развитие финтеха в России, процесс взыскания задолженности автоматизирован только в крупнейших банках. Прочие игроки все еще полагаются на колл-центры и ручное управление задолженностями, однако спрос на ПО для автоматизации взыскания заметно растет, а на первый план выходят отечественные продукты.

С помощью внедрения инноваций банки повышают эффективность процессов: минимизируют зависимость от колл-центров, автоматизируют обработку данных, увеличивают долю успешных контактов с клиентами. Особое внимание уделяется последнему: бизнесу важно не только помочь оплатить должнику свою задолженность, но и сохранить лояльного клиента. Согласно исследованию EOS Group, более 50% должников банально забыли заплатить или просрочили платеж всего на несколько дней – и хотят урегулировать вопрос в течение пары недель. Специализированные продукты позволяют значительно повысить эффективность всего процесса, особенно на первых этапах возникновения задолженности.

Сегодня в России при работе с просроченной задолженностью 85% исходящих звонков совершаются роботом-оператором. Алгоритм может работать семь дней в неделю без перерывов на сон, обед и отдых, а шанс ошибок в сравнении с человеком минимален. Более того, у робота отсутствуют эмоциональные факторы – система общается по заранее заданному скрипту, голос произносит фразы максимально естественно, анализирует речь и интонацию собеседника, адаптируется к нестандартным сценариям диалога. Согласно статистике, 69% россиян в принципе не может отличить в разговоре робота от человека – и с каждым годом по мере совершенствования технологии создания роботов-операторов – их доля растет. А учитывая, что о желании переключиться на оператора говорит только четверть респондентов, можно сделать вывод, что алгоритмы эффективно справляются со своей задачей даже в спорных ситуациях.

Более того, согласно статистике крупнейших российских банков, минута использования робота стоит в 3–5 раз дешевле, чем минута работы человека. Таким образом, использование умных систем позволяет не только оптимизировать процессы, но и сократить расходы.

Внедрение роботов, или RPA, – один из наиболее заметных трендов в автоматизации. По аналогии с использованием робототехники на производстве, повторяющиеся задачи в банковской сфере можно передать машине.

Роботизация применяется в случаях, когда у банка не получается выстроить интеграцию с внешними системами, которые не поддерживают такую возможность. RPA-решения могут, к примеру, быстро обучаться на действиях пользователя и в фоновом режиме мониторить порталы судов в поисках результата конкретного дела, сокращая время сотрудников на рутинную задачу.

Важная ремарка: роботы не лишают человека работы. Речь идет исключительно о монотонных, скучных процессах с минимальным креативом. Людям же остаются более сложные интеллектуальные задачи. Так, в случае с взысканием долгов специалисты могут быть задействованы для устранения правонарушений на поздней стадии.

Машинное обучение – технология, которая позволяет компьютерным программам обучаться на большом массиве данных и использовать полученные знания для решения задач. Банки используют для этих целей сведения о роде деятельности и месте работы, платежную историю, структуру доходов и расходов, предпочтения, поведенческие закономерности и т. д. Алгоритм получает всю имеющуюся информацию, а также уже известные статистические закономерности и на их основе делает выводы, суммирует и подытоживает.

Так, алгоритмы машинного обучения позволяют динамически классифицировать должников по сумме долга, параметрам последней успешной (или неуспешной) коммуникации, желанию урегулировать ситуацию и т. д. При этом анализ рисков ведется не только на основе данных о самом должнике, но и с пониманием контекста, важных новостей и событий. Если компания, в которой работает должник, обанкротилась, странно ждать от него своевременного погашения платежа – с учетом этого факта банк может скорректировать свою стратегию взаимодействия, смягчить условия и сохранить клиента.

Машинное обучение позволяет банку в целом сформировать наиболее эффективную стратегию взаимодействия. Например, выявить лучший канал для связи с должником, а также определиться с временными промежутками, когда шанс получить ответ наиболее высокий. Если человек работает в ночную смену, совершает покупки по карте и заходит в приложение банка преимущественно поздним вечером, звонить ему в промежуток, например, с 12 до 15 малоэффективно. То же касается и персонализации взаимодействия: кому-то о наступлении даты платежа необходимо напомнить заранее, иначе человек забудет внести деньги, а кого-то назойливые звонки и сообщения только отпугнут – и банк потеряет клиента.

Большое преимущество технологии машинного обучения – возможность гибко адаптироваться под новые реалии и постоянно добавлять в массив свежие данные. Любые происходящие изменения динамически отражаются на выводах, которые делает алгоритм, и позволяют банку решать вопросы с задолженностями стабильно эффективно.

Машинное обучение – это один из аспектов технологии искусственного интеллекта. Оно как совокупность большого числа различных алгоритмов, в том числе нейросетевых, позволяет продвинуться чуть глубже – и не только искать закономерности, но и систематизировать данные и делать прогнозы. Причем работает это, даже если у банка нет полной информации о конкретном клиенте.

Так, искусственный интеллект позволяет сегментировать клиентов, выделяя группы со схожим опытом взаимодействия с банком и жизненными обстоятельствами. Бизнес может делать прогноз о том, какими будут действия должника в том или ином случае, используя информацию о поведении других людей из близкой группы. Таким же образом компании выявляют клиентов, которые могут уйти в просрочку. А также приоритизируют должников: выбирают среди них тех, с кем можно начинать работу уже сейчас, а по отношению к кому нужно предпринять дополнительные усилия.

Благодаря технологиям искусственного интеллекта работает и большинство антифрод-систем. Алгоритмы машинного зрения и нейросети позволяют выявить транзакционное мошенничество, поддельные или украденные документы, указание неправдивой или вымышленной информации – со стопроцентной достоверностью или с определенной долей вероятности. В последнем случае к проверке дополнительно подключается человек.

Помимо этого, искусственный интеллект анализирует и сотрудников отдела взыскания: оценивает эффективность их работы, следит за отклонением от процесса и колебаниями результативности. Алгоритмы, которые есть в современных CRM-платформах, выделяют подходы и методы наиболее эффективных работников и дают рекомендации остальным. Умные системы не только контролируют сотрудников, но и помогают им в ведении процессов: подсказывают персональную стратегию и следят, чтобы работа велась в полном соответствии с ней, формируют подсказки и шаблоны для общения с каждым клиентом, напоминают о времени и канале коммуникации. Такая помощь и надзор со стороны искусственного интеллекта позволяют банкам не только повысить производительность, но и минимизировать вероятность споров и судебных рисков.

Крупнейшие банки страны интегрируют свои решения с популярными российскими интернет-сервисами для размещения объявлений о продаже недвижимости, транспорта, земельных участков. Благодаря этому коммерческие организации могут выставлять лоты для прямой продажи имущества, которое у них есть на балансе после процедуры взыскания.

Автоматический импорт информации о клиентах и договорах позволяет предпринимать дополнительные действия в процессе взыскания задолженности. Это особенно актуально в случаях, когда человек объявил себя банкротом через суд или запущено исполнительное производство относительно активов в другом банке.

Работа с внешними сервисами – к ним относятся ресурсы нотариусов и судебных приставов, государственные системы и мастер-системы банков – упрощают процесс взыскания задолженности, когда решить вопрос SMS-сообщением или звонком не получилось. Во-первых, у сотрудника отдела взыскания всегда актуальная и полная информация о должнике и его контактах с банком. А во-вторых, доступ ко всем возможным сервисам позволяет легко вести работу на поздних этапах взыскания. При этом современные системы позволяют следить за безопасностью персональных данных, а значительная часть информации передается в обезличенном виде.

Цифровые технологии на рынке взыскания – инструмент, который показывает свою пользу не только для банков, но и для их клиентов. Роботы позволяют максимально гибко вести коммуникацию с должником, демонстрируя при этом существенный прирост эффективности. Машинное обучение и нейросети улучшают статистический анализ и прогнозирование, благодаря чему банки могут заранее выстраивать стратегию работы с клиентами и не доводить ситуацию до возникновения задолженности. А интеграция систем сокращает временные затраты, снижает зависимость от бюрократии и освобождает сотрудников от рутинных процессов. В сочетании эти факторы демонстрируют рост показателей возврата в среднем на 15% – огромные значения на фоне роста общих объемов задолженности по стране, приближающихся к 100 трлн рублей за 2023 год.