Управление денежными потоками: качество долгов и должников

Институт кредитного менеджмента и компания SAS Россия/СНГ 26 марта провели в Москве встречу кредитных менеджеров, где обсуждались насущные для организаций любой отрасли вопросы: Кому открывать кредитную линию, а с кем работать только по предоплате? Кому выдавать кредит, а кому отказать? Как управлять дебиторской задолженностью? Как оценить благонадежность контрагента и периодически проводить переоценку? Как продвигается работа над стандартами кредитного менеджмента? Наиболее оживленную дискуссию участников вызвала такая тема, как автоматизация кредитного менеджмента. Нам удалось поговорить с экспертом в этой области Николаем Филипенковым, руководителем направления риск-менеджмента SAS Россия/СНГ.

Что принципиально меняется в компании после автоматизации процессов кредитного менеджмента?

Скорость и качество принимаемых решений. Как следствие, растет финансовая устойчивость организации. Используя современные инструменты кредитного скоринга, работающие на базе технологий углубленного анализа данных, вы управляете риском не на основе экспертного мнения, а на основе объективных данных и статистики. Углубленная аналитика, которая является ядром таких инструментов, позволяет находить в данных скрытые закономерности и взаимосвязи, прогнозировать вероятность тех или иных событий, сценарии развития ситуаций. Соответственно, менеджеры принимают более объективные и дальновидные решения.

Где актуальны такие системы?

Наиболее очевидной сферой для применения кредитного скоринга являются банки. Выдача кредитов – это повседневный процесс. Неверная оценка платежеспособности заемщиков повышает риски банка и, в конечном счете, угрожает его жизнеспособности. Но объективно, кредитный скоринг актуален везде, где компании работают с большим числом потребителей своих продуктов и услуг: в телекоммуникационных компаниях, в сфере торговли, в энергетике, в транспортных компаниях. Кроме того, с помощью кредитного скоринга вы можете оценивать надежность своих поставщиков и партнеров по бизнесу.

В чем разница при работе с инструментами кредитного скоринга в банках и в других секторах экономики?

Банки достаточно регламентированы в том, чтобы для построения аналитических моделей в первую очередь использовать такой метод глубинного анализа данных, как логистическая регрессия. В компаниях других отраслей свободы больше, доступен даже больший спектр возможностей по применению, например, нейронных сетей, деревьев решений, метода опорных векторов, которые могут давать эффективный результат. Поэтому многие пользователи экспериментируют с аналитическим инструментарием, подбирая наиболее эффективные комбинации узлов и предлагаемой системой методов. Ведь важно понимать, что лучше вас специфику вашего бизнеса и ваши данные никто не знает. Так что наиболее корректно будет работать аналитическая модель, построенная именно на данных вашей организации и учитывающая именно ваши особенности работы.

Как быть в случаях, когда речь идет о новых контрагентах или заемщиках, ведь по ним еще нет данных?

Традиционно у скоринга есть совершенно определенная задача - по истории взаимодействия с контрагентами посмотреть, каким будет взаимодействие с другими контрагентами, как лучше его строить, какова вероятность, что они просрочат выплаты или вообще не исполнят обязательства. На основе характеристик каждого нового контрагента, то есть информации о нем, для него можно рассчитать скоринговый балл, который отражает уровень доверия, которого заслуживает этот контрагент. Этот метод позволяет охватить широкий спектр контрагентов. И даже если у кого-то из них нет кредитного рейтинга, вы можете его посмотреть по скоринговым баллам контрагентов с аналогичным профилем, с аналогичным набором характеристик. Это анкетный скоринг. К тем контрагентам, по которым уже накоплена история взаимодействия, применяется поведенческий скоринг. С его помощью можно прогнозировать их дальнейшее платежное поведение. Когда же встает вопрос взыскания просроченной задолженности, применяется коллекторский скоринг. Он позволяет понять, с кем работать самостоятельно, где привлечь коллекторское агентство, кому достаточно позвонить, а к кому из должников нужно ехать и общаться лично. Так или иначе вы имеете дело со статистически составленным профилем контрагента.

Как интерпретировать результаты, которые аналитик получает в системе для кредитного менеджмента? Ведь не всегда схемы и диаграммы понятны тем, у кого нет математического образования.

Действительно, на рынке труда увеличивается разрыв между спросом на кадры со знанием инструментов аналитики и предложением. Несколько лет назад начался тренд, связанный с демократизацией аналитики. У нас около трех лет назад вышел инструмент отчетности и BI нового поколения, который нацелен именно на конечных пользователей и работает на базе высокопроизводительных технологий обработки данных в оперативной памяти. Соответственно, все данные, которые есть в компании, можно загрузить в оперативную память, исследовать их и строить на них отчеты. Причем, система поддерживает многопользовательский режим. С такими инструментами результаты работы аналитических моделей становятся наглядными и понятными. Система автоматически выбирает наилучший вариант для представления результатов, или же пользователь сам может определить форму отчета. Так что аналитика становится не только полезной, но и понятной.