Наталья
Полевич

руководитель направления департамента аналитических решений компании "КОРУС Консалтинг"
© ComNews
06.04.2020

По статистике, дебиторские задолженности пост-оплатных клиентов перед предприятиями с каждым годом только растут, а традиционные мероприятия по взысканию не приносят ощутимого эффекта. В оценке и предупреждении кредитных рисков сбытовым компаниям, промышленным предприятиям, ритейлу и другим поможет опыт финансовых организаций, которые уже несколько лет используют для этого автоматизированные скоринговые системы на основе машинного обучения и аналитики. Подробнее – в рассказе руководителя направления департамента аналитических решений компании "КОРУС Консалтинг" Натальи Полевич.

Очевидно, что кредитные клиентские риски – это не только о банках. С риском дебиторской задолженности связана деятельность любого предприятия, обслуживающего контрагентов на пост-оплатной основе: в промышленности, энергетике, ритейле и т. д. Допустим, вы как сбытовая компания поставляете потребителям электроэнергию, потребитель получает ресурсы, а оплату откладывает или вовсе забывает про нее. В момент получения услуги у клиента перед вашей компанией возникает дебиторская задолженность, а когда истекает срок оплаты, она становится просроченной. Получается, что деньги, которые компания рассчитывала получить в срок, не пошли в оборот, и для обеспечения вашей деятельности (закупки энергии, воды, газа у производителя) вам, вероятно, придется брать в банке заем, а с клиентом начинать утомительную процедуру по возврату средств.

Четыре стихии скоринга

Есть ли другой сценарий работы с пост-оплатными клиентами, при котором компания-поставщик могла бы принимать обоснованные решения в условиях неопределенности, выработать политику по управлению клиентскими рисками? Несомненно, есть. Здесь нам очень пригодится опыт финансовых организаций, которые в силу специфики своей деятельности уже давно используют автоматизированные инструменты для оценки рисков, или скоринг.

Выделяют четыре вида скоринга. Application scoring – это система оценки кредитоспособности потенциального заемщика в момент подачи заявки на получение кредита или займа, но в случае нефинансовой организации система может подразумевать под собой оценку платежеспособности нового клиента, степень его благонадежности. В сегменте B2B, например, можно воспользоваться информацией из открытых источников: выручка компании, участие в тендерах, судебных разбирательствах, уставной капитал и так далее. В B2C это анализ данных по зарплате, количеству членов семьи, кредитная история и многое другое.

Если у компании с клиентом уже сложились взаимоотношения, то есть клиент действующий, необходима как оценка его потенциальной платежеспособности, так и прогноз вероятного поведения в будущем: behavioural scoring. Здесь анализируются уже не внешние данные клиента, а история оплаты, наличие просрочек, задолженностей и пр. Fraud scoring оценивает вероятность мошеннических действий клиента: для сбытовой компании это может быть, например, заведомо заниженные показания счетчиков – косвенно это тоже дебиторская задолженность. На основании истории потребления и других показателей система выявляет аномалии и сигнализирует о ней.

Наконец, если у клиента перед компанией все-таки возник долг, применяется комплекс мероприятий по его взысканию: collection-scoring. Это могут быть как предупредительные меры, простые напоминания о необходимости рассчитаться с поставщиком услуги (звонок, SMS, e-mail – в зависимости от политики компании, суммы долга и пр.), так и судебный иск.

Кого это касается

Казалось бы, сбытовые и промышленные компании, ритейл – это все-таки не банки, у них нет таких сильных потребностей в предупреждении кредитных рисков. Но давайте посмотрим на статистику. По данным Росстата, в 2019 году дебиторская задолженность перед предприятиями, занимающимися обеспечением электрической энергией, газом и паром, а также кондиционированием воздуха, составила 2492,5 млрд рублей! Из них 18,4% – просроченная. Отсюда вытекает и просроченная кредиторская задолженность этих предприятий – 19,9% от общей суммы. В целом по всем отраслям в России дебиторская задолженность клиентов на конец ноября 2019 г. составила 50681,3 млрд рублей (из нее просроченная – 3019,4 млрд рублей, 6%), ее рост год к году составил 9,5%. Это огромные суммы даже для крупных сбытовых компаний.

Вот почему системами кредитного скоринга, которые уже активно применяются в банках, начинают интересоваться ведущие предприятия других отраслей экономики. Аналитика Big Data и прогнозирование на основе машинного обучения позволяют эффективно управлять кредитными клиентскими рисками. Так, в 2017 году "Ростелеком" начал внедрять у себя систему управления кредитным скорингом на базе программного решения SAS: уже на первом этапе проекта, в сегменте B2O, компании удалось снизить резерв по сомнительным долгам международных операторов на 224 миллиона рублей.

Уверена, что те же системы управления кредитными клиентскими рисками будут показывать эффективность и в энергетике, и в дистрибуции, и даже в ритейле. Системы класса Credit Scoring по управлению клиентскими рисками для всех сегментов бизнеса – B2B, B2C, B2O, B2J – подразумевают управление вероятными потерями, связанными с отказом или неспособностью клиента (контрагента) полностью или частично выполнить свои кредитные обязательства. Цель таких ИТ-решений – сокращение убытков от разорений контрагентов и расходов, связанных с возвратом долга. Аналитическая платформа для подобных систем разрабатывается на основе компонентов open source, что позволяет во многом оптимизировать бюджет каждого проекта внедрения.

Решение collection scoring уже применяет один из крупных российских дистрибуторов канцтоваров в рамках пилотного проекта. Система помогает составить рейтинг клиентов и на его основе проводить определенные мероприятия по возврату задолженности. Не секрет, что даже разные виды оповещений (звонок оператора колл-центра, SMS или письмо по электронной почте) имеют разную стоимость и трудозатраты, поэтому определение канала, при помощи которого бизнес будет взаимодействовать с тем или иным клиентом, может сильно повлиять на бюджет этих мероприятий.

Важно понимать, что при всем сходстве статистических и математических методов аналитики, взаимоотношения кредитных организаций с клиентами по многим параметрам кардинально отличаются от подобных взаимоотношений, к примеру, сбытовых компаний. Если в первом случае банк, проведя application scoring, имеет право отказать клиенту в выдаче кредита, то поставщик отопления или водоснабжения не может отобрать себе только "хороших" клиентов, и по закону ему очень сложно отключить неплательщика от своих услуг. Да и для клиента сбытовой компании психологически нет разницы, просрочил он платеж на сутки или на две недели. Поэтому, разрабатывая решения для ритейла, энергетики или промышленности, необходимо учитывать стратегию долгосрочного взаимодействия компании с клиентом в комплексе: законодательные ограничения, возможность обучения плательщиков дисциплине, предупреждающие мероприятия (precollection scoring).

Риски оценит робот

Результатом внедрения системы кредитного скоринга в организации нефинансовой сферы станет снижение уровня ожидаемых потерь за счет уменьшения безнадежной задолженности, снижение уровня просроченных дебиторских задолженностей благодаря возможности прогнозирования просрочек платежа, снижение резерва по сомнительным долгам и операционных расходов на взыскание.

Как работают эти системы? На базе технологий и методов машинного обучения и интеллектуального анализа данных, полученных из различных источников. На рынке сейчас достаточно enterprise-решений, которые давно себя зарекомендовали, прежде всего, в финансовой отрасли: это продукты SAP, SaaS, IBM и других крупных ИТ-игроков. Однако у бизнеса есть интерес к open source решениям, которые по точности прогнозирования не хуже, чем проприетарные, но позволяют сэкономить на приобретении лицензий.

Таким образом, в энергетике, на производстве и в других сферах, где существует проблема дебиторских задолженностей, настало время пользоваться методами, которые уже неплохо зарекомендовали себя в финансовом секторе и телекоме.