Информационная технология принятия решений в микрофинансовой организации тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Кузнецова Валентина Юрьевна

• Кузнецова Валентина Юрьевна
• кандидат наук
• 2022

Оглавление диссертации кандидат наук Кузнецова Валентина Юрьевна

ВВЕДЕНИЕ

ГЛАВА 1. СПЕЦИФИКА УПРАВЛЕНИЯ ПРОЦЕССОМ МИКРОФИНАНСИРОВАНИЯ В УСЛОВИЯХ ЦИФРОВИЗАЦИИ

1.1. Микрофинансовая организация как организационная система в условиях цифровой экономики

1.2. Процесс принятия решений по выдаче микрозаймов

1.3. Анализ существующих моделей принятия решений по микрофинансированию

1.4. Методы классификации клиентов финансовых организаций

1.5. Формальная постановка задачи

1.6. Выводы по первой главе

ГЛАВА 2. КЛАСТЕРИЗАЦИЯ КЛИЕНТОВ МИКРОФИНАНСОВЫХ ОРГАНИЗАЦИЙ

2.1. Выбор базовой МФО

2.2. Формулировка критерия «уровень финансовой ответственности»

2.3. Нечеткий классификатор заемщиков по уровню финансовой ответственности

2.4. Статистический анализ скоринговых данных базовой МФО

2.5. Выводы по второй главе

ГЛАВА 3. МЕТОДИКА ПРИНЯТИЯ УПРАВЛЕНЧЕСКИХ РЕШЕНИЙ В МИКРОФИНАНСОВЫХ ОРГАНИЗАЦИЯХ НА ОСНОВЕ ПОСТРОЕНИЯ РАСШИРЕННОГО ЦИФРОВОГО ПРОФИЛЯ ПОТЕНЦИАЛЬНЫХ КЛИЕНТОВ

3.1. Усовершенствование скоринговой модели путем построения расширенного цифрового профиля клиента

3.2. Применение прецедентного подхода для классификации оффлайн-заемщиков

3.3. Анализ страниц социальных сетей для классификации онлайн-клиентов

3.4. Методика принятия управленческих решения в микрофинансовых организациях на основе расчета нормы рентабельности кредитного портфеля

3.5. Выводы по третьей главе

ГЛАВА 4. ИНФОРМАЦИОННАЯ ТЕХНОЛОГИЯ ПРИНЯТИЯ РЕШЕНИЙ В МИКРОФИНАНСОВОЙ ОРГАНИЗАЦИИИ И ЕЕ АПРОБАЦИЯ

4.1. Описание программного комплекса поддержки принятия решения и его модулей по выдаче займов в МФО

4.2. Внедрение результатов исследования в ООО МКК «Легкий займ Астрахань»

4.2.1. Описание организации

4.2.2. Локально-вычислительная сеть организации

4.2.3. Процесс внедрения и результаты

4.3. Применение разработанной методики в оффлайн-микрофинансовых организациях

4.3.1. Описание организации

4.3.2. Локально-вычислительная сеть организации

4.3.3. Процесс внедрения и результаты

4.4. Апробация результатов в кредитном конвейере SaaS Credit

4.5. Выводы и результаты по четвертой главе

ЗАКЛЮЧЕНИЕ

СПИСОК СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ А

ПРИЛОЖЕНИЕ Б

ПРИЛОЖЕНИЕ В

ПРИЛОЖЕНИЕ Г

ПРИЛОЖЕНИЕ Д

ВВЕДЕНИЕ

Актуальность исследования. Согласно определению, данному академиком Д.А. Новиковым, «организационная система представляет собой объединение людей, совместно реализующих некоторую программу или цель и действующих на основе определенных процедур и правил». Процесс принятия управленческих решений в таких системах основывается на сборе, обработке и анализе большого количества различных данных. Задачи, в которых системы поддержки принятия решения базируется на обработке хорошо структурированных числовых значений параметров предметной области, на сегодняшний день достаточно хорошо изучены. Однако активными акторами организационных систем, как было указано выше, являются люди, что вносит в принятие решения субъективную неопределенность, связанную с особенностями поведения людей.

Одним из примером организационной системы являются микрофинансовые организации (МФО). В их работе, с одной стороны, широко представлены новейшие информационные технологии. С другой стороны, важное место занимает социальный компонент, который привносит субъективную неопределенность в процесс управления. При этом особенности основных процессов в МФО часто не позволяют получить достаточный объем информации с целью принятия обоснованного решения, позволяющего повысить эффективность функционирования данной организационной системы. Это связано как с законодательными, так и с временными ограничениями при принятии решений. Кроме этого, переход к современным информационным технологиям дистанционного обслуживания делает услуги МФО еще более доступными и востребованными. Однако это влечет за собой падение эффективности работы подобных организационных систем, связанное с недостаточностью информации об акторах системы для оценки их характеристик в дистанционном формате. Данная информация часто является весьма существенной для принятия на ее основе обоснованных управленческих решений.

Таким образом, совершенствование процесса принятия решений в организационных системах (в частности МФО), учитывающего наличие субъективной неопределенности, слабую структурированность и плохую формализованность исходных данных, является весьма актуальной задачей.

При этом, в отличие от объективной неопределенности, для учета и описания которой эффективно используются теория вероятностей и математическая статистика, для описания субъективной неопределенности необходимы иные подходы. Одним из наиболее эффективных инструментов, используемых для принятия управленческих решений в условиях неопределенности, является теория нечетких множеств.

Степень разработанности темы. Процесс формализации качественной информации в финансовой сфере обладает рядом специфических особенностей. Исследованиям в данной области посвящен ряд работ российских и зарубежных авторов (В.Аньшин, И. Ариничев, Я. Воронцов, J. Gonzalez-Ruiz, A. Peña, E. Duque, K. Yang, L. Zhang и др.). В работах К. Полякова, Л. Жуковой, Е. Снеговой, А. Золотарюка и др. обозначены общие подходы к оценке характеристик акторов финансовых организационных систем. Также имеются статьи, посвященные применению методик их косвенной оценки с использованием данных из социальных сетей (В. Евсюков, А.Масютин, С. Скиба, P. Yildirim, E. Aghasian, S. Garg, J. Montgomery, M. Óskarsdóttira, C. Sarrautec, J. Vanthienena, B. Baesensa и др.). Большинство предлагаемых данными авторами подходов предполагает сбор данных, которые в совокупности позволяют построить некий цифровой профиль актора, на основе которого прогнозируется его предполагаемое поведение. Однако при этом объем собираемой информации ограничен, а методики ее анализа и интерпретации не в полной мере учитывают слабую формализуемость процесса оценки исходных данных и не соответствуют тенденции к персонализации оказания услуг.

Исходя из этого, были выбраны объект и предмет исследования, а также сформулированы цель и задачи диссертации.

Объект исследования - процесс принятия управленческих решений в

микрофинансовой организации.

Предмет исследования - модели, методы, процедуры информационной поддержки принятия управленческих решений в МФО.

Цель диссертационного исследования - повышение эффективности управленческих решений, принимаемых в МФО, путем совершенствования информационной технологии сбора, обработки и анализа данных о клиентах.

Для достижения поставленной цели в рамках классической схемы принятия решения, состоящей из 5 этапов (диагностика проблемы, формулировка критериев и ограничений, выявление альтернатив, оценка альтернатив, окончательный выбор альтернативы) были решены следующие задачи:

1. Выявлены особенности обеспечения информационной поддержки процесса принятия управленческих решений в МФО, проанализированы имеющиеся подходы, критерии и шкалы для оценки параметров акторов процесса, выявлены их преимущества и недостатки, сформулированы цель и задачи исследования.

2. Сформулирован критерий, отражающий уровень финансовой ответственности клиентов МФО и позволяющий формализовать субъективную неопределенность оценок их характеристик. На его основе разработана методика кластеризации клиентов.

3. Предложены процедуры классификации потенциальных оффлайн- и онлайн-клиентов на основе прецедентного подхода путем построения их расширенных цифровых профилей.

4. Разработана комплексная методика принятия управленческих решений на основе предложенных методик классификации клиентов.

5. Предложенные решения апробированы в условиях реальных МФО, проанализированы результаты внедрения, выработаны рекомендации по тиражированию разработанной технологии информационной поддержки процесса принятия управленческих решений в организационных системах, работающих в области микрофинансирования.

Содержание основных разделов отвечает положениям «Стратегии развития информационного общества Российской Федерации на 2017-2030 гг.» и «Национальной программе «Цифровая экономика Российской Федерации на 20182024 гг.».

Методы исследования: системный анализ, теория вероятностей и математическая статистика, теория принятия решений, теория нечетких множеств, объектно-ориентированное программирование.

Научная новизна диссертационного исследования заключается в том, что при разработке информационной технологии поддержки принятия управленческих решений в МФО были усовершенствованы блоки сбора, обработки информации и синтеза управляющих решений. Технология включает положения, обладающие научной новизной:

1. Впервые предложен критерий, расширяющий цифровой профиль клиента по сравнению со скоринговой базовой оценкой, отличающийся формализованным представлением уровня финансовой ответственности клиента в виде лингвистической переменной, позволяющий прогнозировать уровень выполнения его договорных обязательств.

2. Для потенциальных оффлайн- и онлайн-клиентов предложены две процедуры классификации, отличающиеся учетом и формализацией невербальных характеристик для расширения цифровых профилей клиентов и позволяющие распределять клиентов по группам с заданными свойствами.

3. На основе метода прецедентов разработана комплексная методика принятия решений, отличающаяся учетом субъективной неопределенности поведенческих характеристик клиентов и позволяющая повысить обоснованность принимаемых решений в отношении клиентов в условиях неопределенности или неполноты информации.

Степень достоверности научных положений и выводов определяется корректным применением методов исследований, подтверждается вычислительными экспериментами, успешным внедрением результатов работы в различных организационных системах, работающих в области

микрофинансирования, что отражено в соответствующих актах.

Теоретическая значимость работы заключается в создании информационной технологии принятия управленческих решений по микрофинансированию, разработке и обосновании предложенного для ее реализации математического и алгоритмического обеспечения.

Практическая значимость работы заключается в повышении эффективности принятия управленческих решений в МФО на основе предложенных процедур и методик. Созданы и зарегистрированы в «Реестре программ для ЭВМ» программные продукты: «Модуль для построения профиля заемщика при личной идентификации», «Модуль сбора, анализа данных и построения расширенного цифрового профиля заемщика», реализующие предложенные методики и процедуры. Данные программные продукты используются в практической деятельности микрофинансовых организаций: ООО МФО «Суперклик», ООО МФО «Легкий займ Астрахань» и др. Также они были приняты компанией, занимающейся автоматизацией микрофинансовой отрасли ООО НПП «Дослаб» для внедрения модуля поддержки принятия решений в программное обеспечение системы кредитного конвейера. Результаты диссертации используются в Астраханском государственном техническом университете при подготовке инженерных и научных кадров.

Апробация результатов. Основные положения и отдельные результаты диссертации докладывались и обсуждались на 3-й международной молодежной конференции «Информационные технологии и технологии коммуникаций: Современные достижения» на базе Астраханского государственного технического университета (Астрахань, 2019 г.); XIX Международной научно-практической конференции «Проблемы проектирования, применения и безопасности информационных систем в цифровой экономике» на базе Ростовского государственного экономического университета (Ростов-на-Дону, 2019 г.); VIII Всероссийской научно-практическая конференция «Наука и практика: проектная деятельность - от идеи до внедрения» (Томск, 2019 г.); Ш-ей Международной научно-практическая конференция «Мобилизация этнокультурного ресурса как

важнейший фактор противодействия экстремизму и терроризму» (Грозный, 2019 г.), II Всероссийской научной конференции студентов и аспирантов «Финансовые технологии и финансовые инновации в Индустрии 4.0» (Сыктывкар, 2020 г.), Международной научной конференции «Математические методы в технике и технологиях» (Казань, 2020 г.), IV Всероссийской молодежной научно-практической конференции «Анализ состояния и перспективы развития экономики России» (Иваново, 2020 г.).

Публикации. Основные результаты диссертационного исследования опубликованы в 14 печатных работах, из них: 4 статьи в журналах из списка, рекомендованного ВАК РФ, 3 - в журналах, входящем в базу Scopus, 7 - в материалах и трудах конференций; получено 2 свидетельства о государственной регистрации программ для ЭВМ и 1 свидетельство о регистрации базы данных.

Личный вклад автора в опубликованные в соавторстве работы и спроектированные программы для ЭВМ заключался в непосредственном участии на всех этапах теоретических и экспериментальных исследований, в частности, в проведении анализа подходов к построению цифровых профилей; формулировке критерия, характеризующего уровень их финансовой ответственности; разработке методики классификации клиентов на основе построения расширенного цифрового профиля; проведении концептуального проектирования, разработке пользовательского интерфейса, тестировании программных модулей для ЭВМ, реализующих разработанные модели, методики и процедуры.

Положения, выносимые на защиту:

1. Новый критерий, формализующий уровень финансовой ответственности клиента.

2. Комплексная методика классификации клиентов МФО на основе построения их расширенных цифровых профилей.

3. Информационная технология поддержки процесса принятия управленческих решений в организационных системах, работающих в области микрофинансирования.

Структура и объем работы: Работа состоит из введения, 4 глав, заключения,

списка литературы из 102 наименований, и 5 приложений. Основная часть работы изложена на 123 страницах машинописного текста, содержит 10 таблиц и 39 рисунков.

ГЛАВА 1. СПЕЦИФИКА УПРАВЛЕНИЯ ПРОЦЕССОМ МИКРОФИНАНСИРОВАНИЯ В УСЛОВИЯХ ЦИФРОВИЗАЦИИ

1.1. Микрофинансовая организация как организационная система в условиях цифровой экономики

Развитие информационных технологий сопровождается комплексной трансформацией сферы финансовых услуг. Влияние цифровизации на российский рынок финансовых услуг носит комплексный характер и описывается следующими тенденциями:

1. Распространяется практика дистанционного взаимодействия клиентов услуг с финансовыми организациями. Оно может организовываться в разных формах и закономерно не может полностью заменить личный контакт, однако большинство тривиальных запросов в техподдержку банков и иных финансовых организаций всё чаще решаются без посещения офисов.

2. Изменяется потребительское поведение. Клиенты российского рынка привыкли получать любые услуги «в один клик»: просто и быстро, по адекватной цене.

3. Изменилась структура рынка финансовых услуг. Сейчас в России отмечается тенденция к уменьшению офисов у организаций, оказывающих финансовые услуги. При этом растет интерес к дистанционным каналам оказания услуг их любой точки России и мира.

Данные факты характеризуют планомерный переход к эпохе цифровой экономики. Несмотря на то, что термин «цифровая экономика» стал использоваться свыше 25 лет назад (его ввёл в оборот в 1995 году американский информатик Николас Негропонте), содержание понятия до сих пор остаётся неопределенным ни одним международным правовым актом.

В Российской Федерации под данным термином подразумевается следующее: «цифровая» (электронная) экономика — это экономика, характерной особенностью которой является максимальное удовлетворение потребностей всех

ее участников за счет использования информации, в том числе персональной. Это становится возможным благодаря развитию информационно-коммуникационных и финансовых технологий, а также доступности инфраструктуры, вместе обеспечивающих возможность полноценного взаимодействия в гибридном мире всех участников экономической деятельности: субъектов и объектов процесса создания, распределения, обмена и потребления товаров и услуг (согласно указу Президента РФ от 9 мая 2017 г. № 203 "О Стратегии развития информационного общества в Российской Федерации на 2017 - 2030 годы) [1].

В общем виде цифровую экономику можно представить как ту часть экономических отношений, которая использует для решения повседневных задач сотовую связью, информационные технологии и Интернет. Это позволяет сократить цепочки связей между организациями, правительством и населением, избавляясь от посредников и тем самым ускоряя проведение любых сделок и операций.

Данную тенденцию подтверждают показатели капитализации мировых публичных организаций за последние 10 лет (Рисунок 1.1). Если 10 лет назад в рейтинге самых прибыльных организаций были нефтяные, газовые гиганты, то сейчас лидерами являются представители 1Т-отрасли: автоматизации и социальных медиа - т.е. те компании, которые поддерживают цифровую экономику, позволяя бизнесу взаимодействовать со своими потребителями без посредников и оказывать услуги быстро, качественно и из любой точки мира.

Крупнейшие по капитализации мировые публичные компании

2008^201

Компания Капитализация

Exxon Mobil Corp

PetroChina Co Ltd 380,87

General Electric Co 278,45

China Mobile Ltd 268,5

"Газпром" 267,037

Ind. and Com. Bank of China Ltd 247,13

Microsoft Corp 230,4

Wal-Mart Stores Inc 229,16

Royal Dutch Shell 221,2

Petroleo Brasileiro

SA Petrobras

Компания Капитализация

Apple Inc. 909,8

Amazon.com 824,8

Alphabet Inc. 774,8

Microsoft 757,6

Facebook 562,5

Tencent 478,6

Alibaba Group

Berkshire Hathaway

JPMorgan Chase

ExxonMobil 350,3

Рисунок 1.1 - Статистика капитализации публичных компаний с 2008 по 2018 год Всем перечисленным выше требованиям цифровой экономики в силу специфики своего финансового продукта отвечают микрофинансовые организации.

Также микрофинансовая организация (МФО) является одним из примеров

организационной системы. Согласно определению, данному академиком Института проблем управления РАН Д.А. Новиковым, «организационная система представляет собой объединение людей, совместно реализующих некоторую программу или цель и действующих на основе определенных процедур и правил» [2]. В МФО, с одной стороны, широко представлены новейшие информационные технологии. С другой стороны, важное место занимает социальный компонент, который привносит субъективную неопределенность в процесс управления.

В 2010 году был принят Федеральный закон «О микрофинансовой деятельности и микрофинансовых организациях» [4]. Он регулирует на основании гражданского законодательства микрокредитование и деятельность микрофинансовых организаций. Согласно данному закону, под микрозаймом понимается заем, предоставляемый займодавцем заемщику на условиях, предусмотренных договором займа, в сумме, не превышающей предельный размер обязательств заемщика перед займодавцем по основному долгу. Соответственно договор микрозайма представляет собой разновидность договора займа, сумма которого не может быть выше установленного размера.

Микрофинансовая организация (МФО) — это юридическое лицо, которое осуществляет микрофинансовую деятельность, внесено в государственный реестр микрофинансовых организаций в порядке, предусмотренном Федеральным законом [4]. Деятельность таких организаций строго контролируется Центробанком Российской Федерации и регламентируется соответствующим федеральным законом и рядом отраслевых инструкций и стандартов.

По данным, опубликованным в «Обзоре ключевых показателей микрофинансовых институтов» Центробанка Российской Федерации, за 2019 год портфель микрозаймов достиг 190 миллиардов рублей.

Бурный рост рынка «быстрых займов» обусловлен тем, что у многих экономических агентов по различным причинам отсутствует доступ к банковским продуктам. Это связано с нижеперечисленными факторами:

1) достаточно слабая финансовая грамотность клиентов микрофинансовых организаций (не только физических лиц, но и представителей микробизнеса (ИП и ООО));

2) существенная доля российского населения проживает за чертой бедности;

3) отсутствие либо ограниченное число офисов банков в ряде регионах Российской Федерации - чаще всего речь идет о районных центрах, северных регионах и территорий Сибири и Дальнего Востока;

4) потенциальные заемщики имеют характеристики, которые не соответствуют требованиям банков («серая» заработная плата, негативная кредитная история и др.) [5].

Кроме того, популярность услуг микрофинансирования связана с тем, что, в отличие от классической системы банковского кредитования при принятии решения о заключении договора осуществляется только первичная проверка подлинности предоставленных документов и среднее время рассмотрение заявки не превышает 30 минут.

Переход к современным технологиям дистанционного обслуживания еще более увеличивает доступность и популярность услуг микрокредитования. Однако это влечет за собой рост количества дефолтных заемщиков - отсутствие личного контакта с заявителем в случае онлайн-займов не позволяет в полной мере оценить его благонадежность.

Кроме того, введение единого стандарта по взысканию просроченной задолженности, а также ужесточение нормативно-правовой базы деятельности коллекторских агентств, резко ограничили возможности этих организаций в сфере взыскания долгов: поправки в Федеральный закон №230 «О защите прав и законных интересов физических лиц при осуществлении деятельности по возврату просроченной задолженности» внесли изменения в политику контактов с должниками и третьими лицами, которые имеют отношение к должнику (родственники, друзья и т.д.), тем самым ограничивая финансовым компаниям и их представителей в вопросе возврата проблемной задолженности. Учитывая данные нормативно-правовые корректировки, МФО всё чаще стараются самостоятельно

работать с должниками, избегая передачи права взыскания с задолженностью. По данным Центробанка, это связано с тем, что работа коллекторских агентств вызывает у потребителей финансовых услуг всё больше жалоб.

Указанные аспекты позволяют рассматривать МФО как важную организационную систему, оказывающую существенное влияние на финансовую стабильность населения и государства в целом, управление которой осуществляется в условиях неопределенности, поскольку особенности процесса микрофинансирования часто не позволяют получить достаточный объем информации с целью принятия обоснованного решения о выдаче микрозайма. Это связано как с законодательными (запрет на получение данных о наличии долгов по ЖКХ, неоплаченных штрафов и т.п.), так и с временными ограничениями при принятии решения по заявке.

В связи с вышесказанным МФО нуждается в такой скоринговой системе, которая будет отвечать требованиям скорости принятия решения и при этом выявлять недобросовестных клиентов еще на этапе рассмотрения заявки на обслуживание.

1.2. Процесс принятия решений по выдаче микрозаймов

Процесс кредитования клиента микрофинансовой организации можно условно разделить на несколько этапов: подготовительный, на котором изучается возможность и целесообразность заключения договора на обслуживание и принимается решение; оформление кредитного договора и другой документации; непосредственное использование кредита и заключительный этап — анализ эффективности сделки.

Важное значение для всех последующих имеет первый этап. На нем исследуется кредитоспособность потенциального клиента, оценивается риск предполагаемой сделки, рассматривается возможность предоставления ссуды с точки зрения кредитного потенциала МФО и соответствия основным направлениям ее рисковой стратегии.

Для решения вопроса о выдаче микрозайма МФО требует от клиента предоставления определенного набора информации.:

- ФИО;

- запрашиваемая сумма и срок займа;

- дата рождения;

- паспортные данные;

- электронная почта;

- адрес регистрации;

- адрес фактического проживания;

- данные СНИЛС;

- номер телефона;

Введение диссертации (часть автореферата) на тему «Информационная технология принятия решений в микрофинансовой организации»

- место работы;

- суммарный доход в месяц (в том числе неофициальный);

- уровень образования;

- семейное положение;

- количество детей;

- ФИО доверенного лица;

- контакты доверенного лица;

- данные о недвижимости и/или автомобиле (в случае предоставления залога).

Перечень запрашиваемой в анкете данных может варьироваться в зависимости от рисковой политики конкретной МФО.

В зависимости от того, каким образом заявителей обращается за микрофинансовой услугой - лично через офис МФО (оффлайн-заявка) или через официальный сайт МФО либо партнерский банковский агрегатор (онлайн-заявка) - после заполнения анкеты со всеми вышеперечисленными данными начинается процесс рассмотрения заявки (Рисунок 2.1)

Процесс рассмотрения заявки от ее подачи до выдачи заемных средств можно разделить на 3 этапа:

1. Проверка анкетных данных;

2. Скоринг;

3. Проверка требований Центробанка.

На первом этапе происходит проверка предоставленных клиентом личных сведений - проверка паспортных данных в системе МВД, СНИЛС - в Пенсионном Фонде РФ. После этого происходит идентификация клиента. В соответствии со ст. 3 ФЗ № 115: идентификация - совокупность мероприятий по установлению определенных Федеральным законом сведений о клиентах и подтверждению достоверности этих сведений с использованием оригиналов документов и (или) надлежащим образом заверенных копий и (или) государственных и иных информационных систем. Первичная идентификация может производиться путем личного посещения заявителем офиса МФО или уполномоченного ею кредитного учреждения, а также с использованием единой системы идентификации и аутентификации при использовании усиленной квалифицированной электронной подписи (УКЭП) или простой электронной подписи (ПЭП) при условии, что при выдаче ключа простой электронной подписи личность физического лица установлена при личном приеме. При повторных обращениях идентификация не производится, используются сведения, полученные при ранних обращениях. Завершающей частью подготовительного этапа является запрос в базу Федеральной службы судебных приставов (ФССП) для получения сведений об имеющихся исполнительных производствах в отношении заявителя и проверка полученных результатов на соответствие рисковой политике МФО.

Второй этап - Скоринг. Он представляет собой математическую или статистическую модель, с помощью которой на основе кредитной истории самого заявителя и историй предыдущих похожих на него клиентов МФО пытается установить, с какой вероятностью рассматриваемый клиент вернет заемные средства в указанные в договоре сроки. Данный процесс реализуется с помощью анализа данных из заявки и Бюро кредитных историй (БКИ).

В упрощенном виде скоринговая модель представляет собой взвешенную сумму определенных характеристик. В результате получается интегральный показатель (score); чем он выше, тем выше надежность клиента, и таким образом

МФО может упорядочить кредитоспособности.

своих клиентов по степени возрастания

Рисунок 1.2 - Схема процесса принятия управленческих решений в МФО Интегральный показатель каждого клиента сравнивается с неким числовым порогом, заданным ЛПР для определения категории заемщика, если результат сравнения соответствует рисковой политике МФО - заявка передается на проверку соответствия требованиям Центробанка, в противном случае - отклоняется.

На заключительном этапе рассмотрения заявки клиент и необходимая ему сумма проверяется на требование Центробанка, согласно которому суммарная закредитованность конкретного клиента с учетом выдаваемой ему суммы не должна превышать 25% от объема кредитного портфеля МФО. В случае, если

условие соблюдается, займ выдается заемщику тем способом, который он выбрал - выдача денежных средств наличными, переводом на банковскую карту или через систему денежных переводов. В случае несоблюдения условий Центробанка происходит перерасчет возможной к выдаче суммы с учетом ограничения. Если клиента устраивает пересчитанная сумма, выдача осуществляется, в противном случае - заявка на кредитование отклоняется.

Отдельным, необязательным этапом выступает проверка сведений о залоговом имуществе. Этот этап осуществляется после предварительной проверки в случае, если в качестве залога по договору клиент предоставляет имущество -недвижимость или транспортное средство. Проверка имущества осуществляется путем отправки запросов в базу ГИБДД или Росимущества.

1.3. Анализ существующих моделей принятия решений по микрофинансированию

Увеличение прибыльности микрофинансирования непосредственно связано с сокращением количества заключений невыгодных договоров. В зависимости от того, насколько точно МФО классифицирует заявителя на кредитование, принимается решение - оказывать ему услуги или нет и на каких условиях. Этот решение принимается с помощью скоринговых систем. Причем если на заре появления микрофинансирования как финансового института скоринг (процесс оценки кредитоспособности заявителя) обеспечивался путем субъективного заключения кредитного эксперта, то сейчас всё происходит автоматически.

Для оценки кредитного риска производится анализ кредитоспособности клиента, под которой в российской банковской практике понимается способность юридического или физического лица полностью и в срок рассчитаться по своим долговым обязательствам. В западной банковской практике кредитоспособность трактуется как желание, соединенное с возможностью своевременно погасить выданное обязательство. В соответствии со вторым определением основная задача скоринга заключается не только в том, чтобы установить, достаточно ли у клиента

денежных средств для исполнения своих договорных обязательств, но и степень его надежности и обязательности в финансовых вопросах. Иными словами, скоринг оценивает, насколько клиент благонадёжен.

Чаще всего используются следующие характеристики для построения скоринговой модели: возраст, профессия, наличие детей и иждивенцев, личный доход и членов семьи, наличие мобильного телефона, наличие кредитов и кредитной истории и т.д.

В разных странах набор характеристик, которые наиболее тесно связаны с вероятностью того, что клиент не вернет заемные средства или задержит выплату, будет отличаться в силу национальных экономических и социально-культурных особенностей. Чем более однородна популяция клиентов, на которой разрабатывается модель, тем точнее прогнозирование просрочки. Поэтому очевидно, что нельзя автоматически перенести модель из одной страны в другую или из одного банка в другой. Даже внутри одного банка существуют различные модели для различных групп клиентов и различных видов договорного обслуживания.

Скоринг является методом классификации всей интересующей популяции на различные группы, когда нам неизвестна характеристика, которая разделяет эти группы (вернет клиент кредит или нет), но зато известны другие характеристики, которые прямо или косвенно характеризуют заемщика. В статистике идеи классификации популяции на группы были разработаны Фишером в 1936 г. на примере растений. В 1941 г. Дэвид Дюран впервые применил данную методику к классификации кредитов на «плохие» и «хорошие». По времени это совпало со Второй мировой войной, когда почти все кредитные аналитики были призваны на фронт, и банки столкнулись с необходимостью срочной замены этих специалистов. Банки заставили своих аналитиков перед уходом написать свод правил, которыми следовало руководствоваться при принятии решения о выдаче кредита, чтобы анализ мог проводиться неспециалистами. Это и был как бы прообраз будущих экспертных систем.

В начале 50-х гг. в Сан-Франциско образовалась первая консалтинговая фирма в области скоринга - Fair Issac, которая до сих пор является лидером среди разработчиков скоринговых систем.

Но широкое применение скоринга началось с распространением банковских карт. При том количестве людей, которые ежедневно обращались за ними, банкам ничего другого не оставалось, как автоматизировать процесс принятия решений по выдаче кредита. Однако очень скоро они оценили не только быстроту обработки заявлений на выдачу кредита, но и качество оценки риска. По данным американских и европейских исследований, после внедрения скоринг-систем в банках уровень безнадежного долга сокращался почти в половину [15].

Финансовая организация вправе сама выбирать перечень данных для скоринга. В классических скоринговых моделях используются базовые скоринговые параметры, перечень которых приведен выше. С развитием цифровых технологий и ослабеванием эффективности действующих скоринговых моделей ученые предпринимают попытки анализировать ко всему прочему еще и косвенные параметры благонадежности заемщиков. Например, команда ученых университета Сарагозы (Испания) предлагают использовать принцип «социальной миссии» микрофинансирования, анализировать условия в стране и давать возможность получить микрозайм даже тем заемщикам, которые имеют негативную кредитную историю [85]. Это объясняется тем, что за микрофинансированием чаще всего обращаются те, кто прогорел в собственном бизнесе, и они нуждаются в поддержке, поэтому для их дальнейшего развития вместе с микрозаймом им нужно предлагать курсы для ведения бизнеса или финансовое партнерство (инвестирование).

Группа английских и бельгийских ученых рассматривают данные мобильных устройств и операторов сотовой связи как основной источник информации для формирования кредитной истории клиентов [28]. В основе предлагаемой их методики лежат социальные связи и накопление CDR-файла - журнала всех телефонных звонков клиентов телекоммуникационного провайдера. Т.е. этот набор данных включает в себя информацию о том, кому и как часто звонит или пишет тот

или иной клиент финансовой организации. Авторы выдвигают гипотезу, что клиенты с высоким доходом в основном связаны с другими высокодоходными клиентами и наоборот. Аналогичные предположения делали и ученые из Марокко

[19].

Начиная с 2005 года, который ознаменовался ростом популярности социальных сетей, финансовые организации развивают технологии анализа данных из социальных сетей для принятия решений по кредитованию физических лиц. И если на заре развития соцсетей страницы потенциальных заемщиков вручную рассматривались андеррайтерами на предмет неплатежеспособности (например, наличие сообщений на страницах о трудностях с финансами, о потере работы, разводе и т.д.), то сейчас эту задачу перекладывают на нейронные сети, результат работы которых неоднозначен и непредсказуем [22]. Авторы среди преимуществ анализа социальных сетей отмечают тот факт, что на своих страницах заемщики чаще всего публикуют те данные о своей жизни, интересах, событиях, которые более информативны в контексте оценки кредитоспособности и благонадежности, нежели анкета заемщика.

При этом ни один из рассмотренных методов не учитывает желание погашать долги, а рассматривает только возможность сделать это. Кроме того, ни одна из рассмотренных методик не описывает то, как в зависимости от полученных данных о клиенте, можно его классифицировать на имеющиеся категории.

1.4. Методы классификации клиентов финансовых организаций

Чтобы можно было проводить сравнение клиентов МФО с совершенно различными, зачастую совершенно разрозненными, в том числе неформализованными характеристиками и принимать управленческие решения не интуитивно, а на основе четких критериев, непосредственно связанных с вероятностью невозврата заемных средств, необходимо построение математических моделей, которые дадут возможность оценить, какая информация о клиенте является существенной, а какую можно опустить при принятии решения.

Первым шагом при построении модели осуществляется выборка клиентов МФО, о которых уже есть информация, насколько вовремя или с просрочкой они возвращают заемные средства - это так называемая «обучающая» выборка. В ней выделяются группы клиентов - обычно в классическом скоринге используются группы «хороший клиент» и «плохой клиент». Именно по этим группам модель должна распределять новых клиентов при их обращении за обслуживанием. Таким образом, мы имеем классификационную задачу, где с использованием имеющегося набора данных необходимо получить функцию, наиболее точно распределяющую клиентов на группы «хороших» и «плохих».

Задачи классификации классически решаются с помощью следующих методов:

- статистические методы, основанные на дискриминантном анализе (линейная регрессия, логистическая регрессия);

- дерево классификации или рекурсионно-партиционный алгоритм (РПА);

- нейронные сети;

- генетический алгоритм;

- метод ближайших соседей.

Для решения таких задач чаще всего применяют регрессионные методы, например, линейная многофакторная регрессия:

V = Wo + WlXl + W2X2 + ... + ^пХп , где V - вероятность невозврата заемных средств, w - весовые коэффициенты, х -характеристики клиента.

Недостаток данной модели заключается в том, что в левой части уравнения находится вероятность, которая принимает значения от 0 до 1, а переменные в правой части могут принимать любые значения от - Г до + Г.

Логистическая регрессия позволяет избавиться от этого недостатка: log (У/(1-У)) = Wo + WlXl + W2X2 + ... + WnXn.

Для использования этого метода необходимы гораздо более сложные расчеты для получения весовых коэффициентов и, следовательно, более мощная компьютерная база и усовершенствованное компьютерное обеспечение. Но при

современном уровне развития компьютерной техники это не является проблемой, и в настоящее время логистическая регрессия является лидером скоринговых систем.

Все регрессионные методы чувствительны к корреляции между характеристиками, поэтому в модели не должно быть сильно коррелированных независимых переменных.

Нейронные сети и классификационные деревья представляют собой системы, которые могут кластеризовать клиентов на категории, в рамках которых уровень риска приблизительно одинаков и существенным образом отличается от величины риска соседних групп. Нейронные сети наилучшим образом применимы при установлении уровня кредитоспособности юридических лиц, где рассматриваются выборки гораздо ограниченного размера, чем при кредитовании физических лиц [23].

Генетический алгоритм базируется на аналогии с естественным отбором в биологии. В финансовой сфере это происходит так: имеется набор моделей классификации, которые подвергаются «метаморфозам», «скрещиваются», и в результате отбирается наилучший алгоритм, т. е. модель, предлагающая более точную классификацию.

При применении метода ближайших соседей устанавливается единица измерения для вычисления расстояния между клиентами, в результате чего каждый из них получает определенное положение в пространстве координат. Каждый новый клиент классифицируется в зависимости от того, кого вокруг него в пространстве рядом - «плохих» или «хороших».

На практике чаще всего применяют несколько методов, и финансовые организации держат свои скоринговые подходы как коммерческую тайну, поэтому сказать точно, какой метод наилучший, невозможно ввиду отсутствия точных данных, поэтому научное сообщество может делать только приблизительные заключения, основываясь на научных публикациях и имитационном моделировании.

1.5. Формальная постановка задачи

Все рассмотренные выше методики классификации клиентов предусматривают их разделение по группам «плохие» (которые не вернут займ) и «хорошие» (которые вернут займ). Однако такая классификация не отражает специфики микрофинансирования и не учитывает тот факт, что в зависимости от того, когда именно заемщик вернет займ, прибыль от конкретной сделки может существенно измениться. Это связано с тем, что заемщик, вернувший займ вовремя, платит только заранее определенный процент за пользование займом, в то время как заемщик, вернувший займ с просрочкой, заплатит не только процент за пользование, но и за просрочку. Так, даже среди «хороших» заемщиков есть более прибыльные и менее прибыльные. В связи с этим, для повышения прибыльности бизнеса и рентабельности кредитного портфеля организационные системы, работающие в сфере микрофинансировании, заинтересованы в том, чтобы выявлять наиболее прибыльных клиентов и предлагать им более выгодные условия.

При этом под рентабельностью кредитного портфеля (ROE) понимается показатель чистой прибыли относительно объема собственного капитала организации в расчетный период.

Постановка задачи в формальном виде может быть представлена следующим образом:

yN р

ROE(N) = hk#$pL ^ max, (1)

где Р$ = W$ — R$; Р$ - прибыль, полученная от i-го клиента; W$ - доход от i-го клиента (за вычетом заёмных средств); R$ - расходы, связанные с возвратом займа через суд в случае возникновения такой необходимости (услуг юристов по оформлению судебных документов); V - сумма собственного капитала МФО при ограничениях V% < V, V$ < 0,25 V для V$=1, N (требование регулятора - ЦБ), 1000 < Si < 15000,0 < D)se <30.

1.6. Выводы по первой главе

Исследование и совершенствование процесса принятия решения по выдаче займов в организационных системах, работающих в сфере микрофинансирования, является актуальным научным направлением в области управления организационными системами, включающим себя: фундаментальные вопросы анализа характеристик клиентов, обращающихся за кредитным обслуживанием; определение параметров, которые ее могут характеризовать; выявление факторов, сказывающихся на прибыльности микрофинансового бизнеса. При этом важнейшим аспектом является такая классификация клиентов, которая на этапе заявки позволит выявить проблемных, неплатежеспособных заявителей.

Анализ предметной области показал, что процесс принятия управленческих решений в микрофинансовых организациях осуществляется в условиях неопределенности, вызванной недостатком информации для принятия решения по обслуживанию того или иного заявителя. Проанализированы имеющиеся подходы к решению задачи поддержки принятия решений в банковской и микрофинансовой сфере. Это позволило сделать вывод о том, что при текущей модели микрокредитования определение финансовой надежности клиента сводится преимущественно к анализу кредитной истории. Этот анализ, в свою очередь, определяет категорию заявителя - «хороший» (потенциально возвращающий) и «плохой» (потенциально не возвращающий заемные средства) Такая классификация является грубой, т.к. не учитывает степень принадлежности клиента к категориям, а также прибыль от обслуживания клиентов, возвращающих средства с просрочкой. При этом, даже при использовании имеющейся методики классификации в случае дистанционного обслуживания выявление потенциально нерентабельных заявок затруднительно ввиду отсутствия личного контакта с заявителем.

Была построена функциональная диаграмма процесса принятия решений по управлению бизнес-процессами МФО, отражающая взаимосвязь отдельных функций по определению характеристик потенциальных клиентов (запросы в

ФССП, МВД, БКИ и т.п.). Ее анализ позволил сделать вывод о необходимости усовершенствования процесса определения категории заявителя. Данный процесс является ключевым в скоринговой модели любой МФО.

Сформулирована цель диссертационного исследования: повышение эффективности управленческих решений, принимаемых в МФО, путем создания информационной технологии сбора, обработки и анализа данных о клиентах. При этом под эффективными понимаются такие управленческие решения, которые приводят к увеличению рентабельности кредитного портфеля (ROE) - показателя чистой прибыли относительно объема собственного капитала организации в расчетный период.

Для достижения поставленной цели были сформулированы следующие задачи:

1. Выявить особенности обеспечения информационной поддержки процесса принятия управленческих решений в МФО, проанализировать имеющиеся подходы, критерии и шкалы для оценки параметров акторов процесса, выявить их преимущества и недостатки, сформулировать цель и задачи исследования.

2. Сформулировать критерий, отражающий уровень финансовой ответственности клиентов МФО и позволяющий формализовать субъективную неопределенность оценок их характеристик. На его основе разработать методику кластеризации клиентов.

3. Предложить процедуры классификации потенциальных оффлайн- и онлайн-клиентов на основе прецедентного подхода путем построения их расширенных цифровых профилей.

4. Разработать комплексную методику принятия управленческих решений на основе предложенных методик классификации клиентов.

5. Предложенные решения апробированы в условиях реальных МФО, проанализированы результаты внедрения, выработаны рекомендации по тиражированию разработанной технологии информационной поддержки процесса принятия управленческих решений в организационных системах, работающих в области микрофинансирования.

ГЛАВА 2. КЛАСТЕРИЗАЦИЯ КЛИЕНТОВ МИКРОФИНАНСОВЫХ

ОРГАНИЗАЦИЙ

2.1. Выбор базовой МФО

С 29.03.2016 вступили в силу изменения в Федеральный закон от 02.07.2010 № 151-ФЗ «О микрофинансовой деятельности и микрофинансовых организациях» (далее - ФЗ № 151), которые разделили все микрофинансовые организации (МФО) на два типа: микрофинансовые компании (МФК) и микрокредитные компании (МКК). И если до 01.07.2020 года разница между этими видами компаний была достаточно существенная (требования к собственному капиталу, возможность дистанционной (удаленной) идентификации клиентов, возможность поручать кредитной организации (КО) на основании договора проведение идентификации или упрощенной идентификации клиента - физического лица и др.), то сейчас ключевое различие между МФК и МКК заключается лишь в том, от кого организация может привлекать денежные средства (от физических лиц -учредителей или от любых физических лиц). С 01.07.2020 года МФО всех видов вправе проводить дистанционную (удаленную) идентификацию заемщиков и поручать КО на основании договора проведение идентификации или упрощенной идентификации клиента - физического лица.

Идентификация - совокупность мероприятий по установлению определенных ФЗ№ №151 сведений о клиентах, их представителях, выгодоприобретателях, бенефициарных владельцах и подтверждению достоверности этих сведений с использованием оригиналов документов и (или) надлежащим образом заверенных копий и (или) государственных и иных информационных систем. Например, для физических лиц таким документом будет являться паспорт или иной документ, удостоверяющий личность.

Упрощенная идентификация клиента - физического лица (далее -упрощенная идентификация) - осуществляемая в случаях, установленных ФЗ № 115, совокупность мероприятий по установлению в отношении клиента -

физического лица фамилии, имени, отчества (если иное не вытекает из закона или национального обычая), серии и номера документа, удостоверяющего личность, и подтверждению достоверности этих сведений одним из следующих способов:

- с использованием оригиналов документов и (или) надлежащим образом заверенных копий документов;

- с использованием информации из информационных систем органов государственной власти, Пенсионного фонда РФ, Федерального фонда обязательного медицинского страхования (ФОМС) и (или) государственной информационной системы, определенной Правительством РФ;

- с использованием единой системы идентификации и аутентификации при использовании усиленной квалифицированной электронной подписи (УКЭП) или простой электронной подписи (ПЭП) при условии, что при выдаче ключа простой электронной подписи личность физического лица установлена при личном приеме.

В рамках диссертационной работы предлагается рассматривать такую микрофинансовую организацию, которая осуществляет услуги и при личном посещении офиса МФО, и в онлайн-режиме при удалённой идентификации для того, чтобы предусмотреть универсальную или адаптированную методику управления рентабельностью кредитного портфеля МФО.

Базовой организацией была выбрана ООО МКК «Суперклик», осуществляющая свою деятельность на территории Российской Федерации с 2014 года под фирменным наименованием «QickDengi» (в 2018 году проходила смена юридического лица при сохранении фирменного наименования, клиентской базы, офисов обслуживания и сайта для работы в онлайн-режиме). Головной офис организации находится в городе Ростов-на-Дону (Российская Федерация).

На рисунке 2.1 показан рост кредитного портфеля базовой организации за счёт роста количества клиентов, обращающихся за микрозаймом. При этом разовая сумма выдачи составляет в среднем 4000 рублей, что соответствует средним показателям в российской микрофинансовой отрасли [1].

200000 180000 160000 140000 120000 100000 80000 60000 40000 20000 0

Показатели МФО СИскОег^

I

77000

40090

| 4300 2014

64990

| 6390 | 8990

130670

113810

2015 2016 2017

I Портфель (тыс.рублей) ■ Заемщики

175000

117820

2018

Рисунок 2.1 - Количественные показатели величины портфеля и количества

клиентов МФО СИсШег^ за 2014-2018 год Ежегодно компания «Суперклик» показывает планомерный рост количества дистанционных онлайн-клиентов, подтверждая этим факт, что всё больше участников финансовых операций предпочитают онлайн-услуги личному обращению в офис.

Список литературы диссертационного исследования кандидат наук Кузнецова Валентина Юрьевна, 2022 год

использования

Отсутствие необходимости + + + +

проведения

анкетирования

Надежность + + - + +

диагностики

Качественная адаптация к - + - + +

русскому языку

Возможность +

дистанционного - - - -

анализа

Использование

в финансовой сфере + +

Анализ показал, что наиболее целесообразным в данном случае является применение методики «7 радикалов». Она позволяет по отдельным фрагментам поведения и маркерам внешнего вида получить достаточно полное представление о психологическом потенциале индивида. При этом возможна дистанционная

оценка признаков заемщика по его продуктам речевой и иной деятельности (текст, цифровой след и т.д.).

В рамках данной методики анализируются физиологические особенности, внешний вид, вербальные и невербальные признаки личности (/-го заемщика). Базовым понятием методики является "радикал" (слово, производное от лат. radix - корень).

Радикал - структурно-функциональный элемент характера индивида, устойчивая совокупность черт (качеств поведения), имеющих одинаковое происхождение (однородных, однокоренных):

- истероидный (R$l),

- эпилептоидный (ft2),

- гипертимный (ftf),

- паранойяльный (ftf),

- эмотивный (ftf),

- шизоидный (ftf),

- тревожный (Rj).

В свою очередь степень выраженности каждого из радикалов предопределяет особенности поведения личности в различных ситуациях. Выбор этой методики обусловлен тем, что она проста в применении, доказала свою эффективность при использовании в различных сферах (управление персоналом, подбор команд для выполнения задач в экстремальных условиях и т.п.).

3.2. Применение прецедентного подхода для классификации оффлайн-клиентов

Для того, чтобы использовать методику «7 радикалов» в рамках задачи повышения эффективности принятия решений, был разработан ППОЗ -программный модуль Построения Профиля «Оффлайн» (т.е. лично посетившего офис МФО) Заемщика (Рисунок 3.1).

Рисунок 3.1 - Скриншот окна автоматизированного опросника для построения

профиля оффлайн-заемщика Он представляет собой автоматизированный опросник, в котором менеджеру, который лично принимает заявки на обслуживание в офисе МФО, необходимо отметить те признаки, которые характерны для клиента. В 2018 году ППОЗ был внедрен для использования менеджерами в оффлайн-офисах базовой МФО.

При визуальном анализе заявителя менеджер отмечал признаки, присущие тому или иному радикалу. Визуально полученная информация обрабатывалась по методике «7 радикалов».

В результате каждому /-му клиенту было поставлено в соответствие

множество радикалов ,= [Д-7 ; ; ; И0; И'; Д8}, характеризующее ПТЛЗ /го заемщика. При этом интенсивность проявления в психологическом профиле _/-го радикала определялась для /-го заемщика по формуле:

я/ = ? Е?'! шк> Бк, (3)

где N - количество признаков, характерных для _/-го радикала, тк> - элемент матрицы, отражающий влияние наличия ^го признака Sk (Sk е [0; 1}) на уровень присутствия в ПТЛЗ радикала . Величина , изменяясь в диапазоне от 0 до 1, количественно отражает интенсивность проявления в цифровом профиле /-го

клиента j-го радикала и соответственно характеризует степень проявления черт характера, свойственных j-му радикалу.

В свою очередь, значение базовых скоринговых параметров были разбиты на следующие категории: возраст (от 18 до 25 - категория VZ1, от 26 до 35 - категория VZ2, от 36 до 45 - VZ3, от 46 до 60 - VZ4, от 61 - VZ5), сфера деятельности (SD1 - госслужащий, SD2 - финансовая отрасль, SD3 - транспорт, логистика, SD4 -образование и др.), уровень образования (ED1 - начальное, ED2 - среднее общее, ED3 - среднее полное, ED4 - среднее специальное, ED5 - бакалавриат или специалитет, ED6 - магистратура, ED7 - научная степень кандидата или доктора наук); семейное положение (SP1 - не замужем/холост, SP2 - в браке, SP3 - в разводе, SP4 - вдовец/вдова), средний доход (SF1 - ниже 12000 рублей, SF2 - от 12000 до 18000 рублей, SF3 - от 18001 до 25000 рублей, SF5 - от 25001 до 35000 рублей, SF6 - от 35001 до 50000 рублей, SF7 - от 50001 и выше) и др. Таким образом, расширенный цифровой профиль оффлайн-заемщика был представлен в виде кортежа

< В$; R> >, где В$ - значения параметров базовой скоринговой модели.

Далее были проанализированы данные кредитной истории по каждому из заемщиков. Количество дней просрочки было сопоставлено с приведенным в главе 2 нечетким классификатором. В результате для каждого из заемщиков были получены соответствующие наборы < Кт; у.m; Кт+1; ^m+1>, где Кт и Кт+1 -«смежные» категории заемщиков (например, К1 и К2, К2 и К3, К3 и К4,), а и ^m+1- степени принадлежности /-го заемщика к соответствующей категории Кт и

^ m+1

Все полученные за 2018 год данные были сохранены в базе оффлайн-заемщиков (БДОЗ). Таким образом, в БДОЗ была собрана не только информация, относящаяся к РЦПЗ /-го заемщика, но и данные о степени его финансовой ответственности, выраженные как степень принадлежности к соответствующим категориям (^m; ^m+1).

Имея набор данных о заемщиках и фактический срок их просрочки, можно

сделать вывод, что заемщики с одинаковыми наборами < В$; R> > будут

возвращать займ в одно и то же время, что позволяет применить прецедентный подход.

Принятие решения на основе прецедентов является управленческим подходом, который позволяет решить новую, неизвестную задачу, используя или адаптируя решение уже решеной ранее задачи, т.е. используя уже накопленный опыт решения подобных задач.

Большинство практических вопросов, которые направлены на динамично развивающиеся предметные области, являются слабо формализованными, причем неопределенность в таких случаях может не всегда иметь вероятностный характер. При поиске решения в таких случаях требуется применение методов правдоподобного вывода, позволяющих найти некоторое приемлемое решение. Один из подходов базируется на том факте, что человеку (эксперту, ЛПР) свойственно на первом этапе поиска решения новой задачи пытаться использовать решения, которые принимались ранее в схожих ситуациях с некоторой долей адаптации под конкретный случай. Такой подход с принятием решений на основе накопленного опыта стал базисом для рассуждений на основе прецедентов.

Было предложено использовать данные из БДОЗ в качестве набора прецедентов для определения категории первичных заявителей. Для этого данные, соответствующие каждому из очных клиентов, были представлены в виде таблицы, фрагмент которой приведен ниже (Таблица 3.2).

Таблица 3.2 - Фрагмент таблицы для оффлайн-клиента

Параметры расширенного цифрового профиля клиента Степени (цт; ^т+1) принадлежности клиента к категориям (Кт и Кт+1)

ю клие нта Параметры базовой скоринговой модели Интенсивность проявления радикалов в ПТЛЗ

Пол Возраст Сфера деят. З/п «1 «2 «3 Я? Я? «7 К1 К2 К3 К'

1 М уг2 SD1 SF3 0,68 0,11 0 0,19 0,20 0 0 0,77 0,23

2 М угз SD5 SF2 0 0 0,73 0,05 0,22 0 0 0,85 0,15

3 М угз SD7 SF3 0 0 0 0,29 0,7 0 0,01 0,64 0,36

6651 М уг2 SD9 SF1 0 0,21 0 0 0 0,6 0,19 0,73 0,27

6652 М уг2 SD9 SF1 0 0,21 0 0 0 0,6 0,19 0,32 0,68

Для того, чтобы иметь возможность интерпретировать данную таблицу как

набор прецедентов, необходимо было дополнительно:

1. Исключить дублирующие друг друга строки (обеспечить неизбыточность таблицы прецедентов).

2. Для обеспечения непротиворечивости, когда идентичным параметрам расширенного цифрового профиля соответствуют разные степени принадлежности клиента к категориям по уровню финансовой ответственности, необходимо:

• при выборе ЛПР стратегии минимизации риска МФО оставить ту строку, в которой индекс т в Кт принимает наибольшее значение. В случае равенства индексов т оставить ту строку, в которой значение у™ будет минимальным.

• при выборе ЛПР стратегии наибольшей лояльности к заемщику, то оставить ту строку, в которой индекс т в Кт принимает наименьшее значение. В случае равенства индексов т оставить ту строку, в которой у™ будет максимальным.

Полученная таким образом таблица позволила для определения степени принадлежности первичного оффлайн-клиента к той или иной категории финансовой ответственности использовать прецедентный подход. При этом, с целью нахождения наиболее близкого прецедента в качестве меры схожести для блока параметров базовой скоринговой модели целесообразно использовать расстояние Хемминга, а для параметров, характеризующих интенсивность проявления радикалов в ПТЛЗ - Евклидово расстояние. Исходя из этого, алгоритм определения степени принадлежности первичного оффлайн-клиента к той или иной категории по уровню финансовой ответственности был сформулирован следующим образом.

Процедура 1.

1. Выполняется построение РЦПЗ для первичного оффлайн-клиента.

2. Производится расчет Евклидова расстояния между значениями параметров интенсивности проявления радикалов в ПТЛЗ первичного оффлайн-заявителя и аналогичными параметрами из таблицы прецедентов.

3. Выбирается та строка (строки) в таблице прецедентов, для которых вычисленное в п.2 Евклидово расстояние является минимальным.

4. Если количество полученных в п.3 строк более одной, то находится Хеммингово расстояние между значениями параметров базовой скоринговой модели и в качестве прецедента выбирается та строка, для которой это расстояние минимально.

5. Первичному оффлайн-заявителю ставятся в соответствие значения степени принадлежности к категориям финансовой ответственности, указанные в строке, полученной в п.4.

Таким образом, методика определения категории первичного оффлайн-заявителя включает в себя 3 этапа:

I. Формирование/актуализация БДОЗ. На данном этапе анализируются данные оффлайн-заемщиков; используется методика 7 радикалов для выявления ПТЛЗ; накапливаются/обновляются кредитные истории заемщиков.

II. Получение на основе данных из сформированной/актуализированной БДОЗ таблицы прецедентов. На данном этапе обеспечивается неизбыточность и непротиворечивость информации.

III. Применение Процедуры 1, основанного на прецедентном подходе.

В виде блок-схемы данная методика приведена на Рисунке 3.2.

Рисунок 3.2 - Блок-схема методики определения категории первичного

оффлайн-клиента

Представленная в таком виде методика позволяет решить задачу по установлению степени принадлежности первичного оффлайн-заявителя к той или иной категории по уровню финансовой ответственности и соответственно оценить риск снижения рентабельности кредитного портфеля МФО при заключении с ним договора на кредитное обслуживание.

3.3. Анализ страниц социальных сетей для классификации первичных онлайн-клиентов

Приведенная ранее методика классификации первичного оффлайн-заявителя для принятия решений по онлайн-заявкам не может быть использована ввиду отсутствия личного контакта с заявителем и невозможности построения ПТЛЗ. В связи с чем она требует адаптации, которая учитывает специфику онлайн-микрокредитования.

Такая адаптация в рамках диссертационного исследования была выполнена с использованием данных о поведении клиентов в социальных сетях (СС). Идея о том, что набор радикалов в личности пользователя предопределяет его поведение в СС, была высказана в работах А. Филатова, С. Со1отЫш, А. Со1е11а. Однако эти работы носят фрагментарный и недостаточно системный характер и не позволяют формализовать указанную зависимость.

В рамках диссертационного исследования указанная задача установления взаимосвязи между РЦПЗ и поведением клиента в СС была решена следующим образом. При очном визите в офис МФО оффлайн-клиентам кроме базовых сведений о себе предлагалось указать в анкете ссылку на свою страницу в СС, чтобы получить скидку 0,25% за пользование заемными средствами. Таким образом, в БДОЗ вместе с базовыми скоринговыми параметрами и ПТЛЗ, определенным по методике «7 радикалов», вносилась ссылка на страницу оффлайн-заявителя в СС «Вконтакте».

Структура и связи в таблицах БДОЗ приведена на рисунке 3.3.

Рисунок 3.3 - Структура БДОЗ

В результате было собрано 8769 ссылок, из которых для дальнейшей обработки и анализа оказались пригодными 6652 страницы.

С этих страниц с помощью программного модуля «Парсинг и Анализ Данных Страниц Заемщика» (ПАД СЗ) был выгружен контент различных типов:

1. Анализ основной информации (общая заполненность личных сведений, статус, сменяемость статуса, день рождения, город рождения, место работы, семья, контакты, указаны ли другие соцсети и т.д.).

2. Фотографии (количество фото, распределенность по альбомам, количество селфи, количество фото с собой, периодичность добавления, тематика фото и т.д.).

3. Посты и репосты (частота постов, частота репостов, разнообразие тематик, тип контента, семантика контента, морфология контента, эмоциональная окраска контента и т.д.).

Полный перечень обрабатываемой информации со страницы социальной сети онлайн-заявителя приведены в Приложении Д.

Такой набор контента для 1-го клиента получил обозначение ОР$. При этом

ряд данных, выгруженных со страниц пользователей, характеризуют наличие или отсутствие определенной информации (например, указал ли пользователь дату рождения, место работы, семейное положение и т.д.). Следующие блоки данных отражают: тематику постов из предварительно составленного и пронумерованного перечня из 20 основных тематик [87], которая преобладает на странице пользователя; долю фотографий, относящихся к определенным категориям (фото только с пользователем, групповые фото, иные фото) и другие параметры поведения пользователя в социальной сети. При этом параметры, выраженные в процентах, категорированы, например: % селфи от всех фото (0% - 1 категория, от 1 до 20% - 2 категория, от 21 до 35% - 3 категория, от 36 до 60% - 4 категория, от 61 до 100% - 5 категория) и т.д. Перечисленные данные были сведены в таблицу, фрагмент которой приведен ниже (Таблица 3.3).

Таблица 3.3 - Фрагмент таблицы с данными со страниц заемщиков в СС «Вконтакте»

ю клие нта Указаны ли на странице: Преобл. тематика постов % селфи от всех фото % фото с пользователем СС на страницах других пользователей % репо-стов из групп % репо- стов контент а друзей

Д/ р° жд. Мес то раб оты Статус Члены семьи Контакты для связи Интересы

1 + + + - + + 1 1 1 1 2

2 - + - - - - 3 3 2 2 2

3 + - + + + - 5 2 4 3 4

6652 + + - - - + 6 3 2 2 1

Указанные наборы ОР$ были добавлены к имеющимся сведениям о 6652 оффлайн-заявителях, полученным из БДОЗ. Это позволило после решения проблем избыточности и противоречивости информации сформировать таблицу прецедентов, учитывающую поведение заявителей в СС. Фрагмент данной таблицы приведен ниже (Таблица 3.4).

Таблица 3.4 - Фрагмент таблицы прецедентов для онлайн-клиентов

Параметры расширенного цифрового профиля клиента Степени (цт; принадлежности клиента к категориям (Кт и Кт+#)

ю клие нта Параметры базовой скоринговой модели Данные со страниц клиента в СС «Вконтакте»

Указаны ли на странице: % селфи от всех фото % репо- стов контента друзей

Пол Возраст Сфера деят. З/п Д/ рожд. Место работы Статус К1 К2 К3 К'

1 М уг2 SD1 SF3 + + + 1 2 0,77 0,23

2 М SD5 SF2 - + - 3 2 0,85 0,15

3 М уг3 SD7 SF3 + - + 2 4 0,64 0,36

6651 М уг2 SD9 SF1 - + + 2 1 0,73 0,27

6652 М уг2 SD9 SF1 + + - 3 1 0,32 0,68

Данная таблица была положена в основу алгоритма принятия решений по отнесению первичных онлайн-заявителей к категориям по уровню финансовой ответственности с помощью метода прецедентов.

Процедура 2.

1. Выполняется построение РЦПЗ для первичного онлайн-клиента.

2. Производится расчет Хеммингова расстояния между значениями параметров ОР$ первичного онлайн-клиента и аналогичными параметрами из таблицы прецедентов.

3. Выбирается та строка (строки) в таблице прецедентов, для которых вычисленное в п.2 Хеммингово расстояние является минимальным.

4. Если количество полученных в п.3 строк более одной, то находится Хеммингово расстояние между значениями параметров базовой скоринговой модели и в качестве прецедента выбирается та строка, для которой это расстояние минимально.

5. Первичному онлайн-клиенту ставятся в соответствие значения степени принадлежности к категориям финансовой ответственности, указанные в строке, полученной в п.4.

Таким образом, методика определения категории первичного онлайн-клиента включает в себя 4 этапа:

I. Формирование/актуализация БДОЗ.

II. Выгрузка и предварительная обработка данных из страницы заявителя в

СС.

III. Формирование таблицы прецедентов описанным выше способом на основе данных, полученных в п.1 и п.2. На данном этапе обеспечивается неизбыточность и непротиворечивость информации, содержащейся в таблице прецедентов, по аналогии с тем, как это выполнялось для первичного оффлайн-заявителя.

IV. Применение Процедуры 2.

В виде блок-схемы данная методика приведена на Рисунке 3.4.

Рисунок 3.4 - Блок-схема методики определения категории первичного

онлайн-клиента

Использование описанной выше методики позволяет решить задачу оценки возможности кредитного обслуживания в дистанционном (онлайн) режиме, когда личное присутствие заявителя в офисе МФО не предусмотрено (не требуется или представляется возможным).

Общая блок-схема классификации первичных клиентов с применением методик 1 и 2 приведена на рисунке 3.5. В зависимости от того, каким образом заявитель обращается за заемными средствами, выбирается методика и происходит сбор данных о заявителе.

Рисунок 3.5 - Общая блок-схема классификации первичных заемщиков Таким образом, применение методик 1 и 2 в соответствующих случаях (личного присутствия заемщика в офисе МФО или при принятии решения по онлайн-заявке) позволяет оценить риски микрокредитования как для оффлайн, так

и для онлайн-заявителей.

Это в свою очередь позволяет перейти к формированию методики принятия управленческих решений для МФО в целом.

3.4. Методика принятия управленческих решения в микрофинансовых организациях на основе расчета нормы рентабельности кредитного портфеля

Практически во всех компаниях при планировании и принятии управленческих решений важнейшим инструментом служит показатель нормы рентабельности собственных средств. В его основе лежит простой расчет, показывающий связь между доходами организации и его капиталом.

Рентабельность собственных средств является важным показателем при планировании затрат. С помощью такого критерия можно определить целесообразность капитальных вложений, особенно при кредитовании. В то же время норма капитала служит важной мерой оценки эффективности прошлых решений. Вследствие своей простоты норма прибыли стала показателем эффективности управления как организацией в целом, так и ее отдельными структурными подразделениями, особенно в современных условиях диверсификации и децентрализации ответственности.

Именно поэтому показатель рентабельности средств предлагается использовать в качестве основной меры при принятии решения о кредитовании заявителей (ИОЕ).

Общая формула расчета рентабельности:

ИОЕ(Ы) = (4)

где N - количество клиентов, Р$ = — ; Р$ - прибыль, полученная от 1-го клиента; - доход от ¿-го клиента (за вычетом заёмных средств); - расходы, связанные с возвратом займа через суд в случае возникновения такой необходимости (услуг юристов по оформлению судебных документов); V - сумма собственного капитала МФО.

Величина дохода Ш$ от микрофинансирования ¿-го клиента зависит от суммы займа, дней его использования и величины процента за использование. Кроме того, необходимо учесть, что на значение Ш$ оказывает влияние степень принадлежности клиента к той или иной категории.

Для категории К1 судебные издержки и просрочка возврата займа отсутствуют, поэтому формула для расчета дохода принимает вид:

= Р@5е Э@15е , (5)

где Б$ - сумма заемных средств, выданных ¿-му клиенту; Р@зе - процент за пользование заемными средствами; 0@зе - срок, на который выдавался заём по условиям договора.

Для категории К2 и К< при расчете дохода необходимо дополнительно учесть факт просрочки путем прибавления суммы штрафа за просрочку:

М? = Р@5е (0@1Ае + И^1) + Р$Сег £>Сег, (6)

= 5$ Р@5е + £$Сег) + 5$ Р$Сег £$Сег, (7)

где РСе1 - процент за просрочку возврата заемных средств; 0Се1 - количество дней просрочки возврата заемных средств. При расчете прибыли при кредитовании клиента категории К< доход будет уменьшаться на величину расходов .

Для категории К6 доход образуется из суммы проданной с дисконтом коллекторам общей задолженности (с учетом процентов за пользование и просрочку). Обычно коэффициент дисконта (д) при этом составляет 0,7-0,8. Таким образом, для расчета Ш$ клиента из категории К6 получаем формулу:

= (1-Я)* (5$ Р@5е (Э@15е + ъСе1) + РСе1 ъСе1). (8)

С учетом формул 4-6, общий доход, полученный от выдачи микрозайма ¿-му заявителю, вычисляется по формуле:

Ш$ = + Ш1т+1^т+1 (9)

где у-, у-*1- степени принадлежности к категориям Кт и Кт+1 соответственно; Ш$ вычисляется по формулам (5-8) для каждой из соответствующих категорий.

Таким образом, для принятия решения о выдаче или отказе в обслуживании очередному (N + 1)-му заявителю необходимо вычислить ROE(N) и ROE(N + 1). Заявка на микрокредитование одобряется при соблюдении условия:

ROE(N + 1)> ROE(N) (10)

где ROE(N + 1) - рентабельность кредитного портфеля в случае, если выдать заём (N + 1)-му заявителю, ROE(N) - рентабельность кредитного портфеля до поступления заявки на заём от (N + 1)-го заявителя.

При этом количество дней пользования займом, процент за пользование и просрочку, срок, на который заключается договор, определяется для (N+1 )-го клиента из его заявки. Предполагаемое количество дней просрочки зависит от степени принадлежности клиента к той или иной категории по уровню финансовой ответственности, которая определяется по изложенным выше методикам для оффлайн или онлайн-клиента.

В общем виде методику принятия управленческих решения в МФО можно сформулировать следующим образом:

1. Проводится кластеризация заемщиков по уровню финансовой ответственности;

2. ЛПР выбирает рисковую стратегию: минимизации рисков или наибольшей лояльности к клиенту;

3. Из заявки на заём выгружаются данные о заявителе.

4. Если заемщик обращается впервые:

- для оффлайн-клиента с помощью ППОЗ определяется В$; R¡.

- для онлайн-клиента с помощью ПАД СЗ определяется DP$, В$ берётся из заявки.

5. Определяется категория заемщика по методике определения первичного оффлайн-заемщика или методике первичного онлайн-заемщика в зависимости от способа его обращения. Если заемщик обращается повторно, категория определяется по данным последнего кредитного обслуживания или кредитной истории в сторонней организации из Бюро кредитных историй (БКИ).

6. Вычисляется рентабельность при кредитном обслуживании заявителя.

Если рентабельность не снижается, заявка одобряется. В противном случае -отклоняется.

Схема процесса принятия решения по выдаче микрозайма с учетом описанной выше методики приведена на Рисунке 3.6.

Рисунок 3.6 - Усовершенствованная схема процесса принятия решения по выдаче

микрозайма

В приведенном виде она может быть тиражирована и адаптирована для конкретной МФО.

3.5. Выводы по третьей главе

В третьей главе рассмотрено решение задачи усовершенствования кредитного скоринга на основе расширения набора параметров цифрового профиля клиента микрофинансовой организации. Отмечено, что основой для принятия управленческих решений является тот факт, что особенности личности клиента оказывают влияние на его финансовую ответственность. В связи с этим РЦПЗ должен содержать в себе информацию о клиенте, характеризующую степень его предрасположенности к просрочке или невозврату заемных средств.

На основании данного факта была выдвинута гипотеза, что при прочих равных условиях на это существенное влияние оказывает психологический тип личности заемщика (ПТЛЗ). Для построения ПТЛЗ было принято решение использовать методику 7 радикалов.

Для решения задачи по формированию РЦПЗ для очного первичного заявителя был разработан программный модуль, позволяющий отмечать внешние признаки, характерные для заявителя. В течение времени были собраны данные о кредитной истории и психологическом профиле клиентов, что позволило разработать методику с применением прецедентного подхода. Для каждого нового первичного заявителя строится РЦПЗ, а для нахождения наиболее близкого прецедента в качестве меры схожести для блока параметров базовой скоринговой модели предложено использовать расстояние Хемминга, а для параметров, характеризующих интенсивность проявления радикалов в ПТЛЗ - Евклидово расстояние. Таким образом находится наиболее близкий прецедент, по которому уже установлены срок просрочки и категория по уровню финансовой ответственности. Эти данные берутся за основу при принятии решения о микрокредитовании для первичного заявителя.

Для онлайн-заявителей в МФО данная методика неприменима ввиду отсутствия личного контакта, поэтому методика была адаптирована с использованием данных о поведении клиентов в социальных сетях. В качестве данных для базы прецедентов в этом случае был использован ряд параметров,

которые были получены из страниц социальных сетей заемщиков, а близкий прецедент находился путем вычисления минимального Хеммингова расстояния между параметрами РЦПЗ онлайн-заемщика. На основе этого была разработана методика классификации для онлайн-заемщика, которая включает в себя анализ пользовательского контента и специфических маркеров поведения в социальных сетях.

Комплексно обе методики позволяют установить категорию оффлайн- и онлайн-клиентов по уровню финансовой ответственности за счет установления потенциального срока просрочки с помощью прецедентного подхода, что в свою очередь дает информацию для оценки возможность кредитования заявителя с точки зрения рентабельности кредитного портфеля МФО.

ГЛАВА 4. ИНФОРМАЦИОННАЯ ТЕХНОЛОГИЯ ПРИНЯТИЯ РЕШЕНИЙ В МИКРОФИНАНСОВОЙ ОРГАНИЗАЦИИ И ЕЕ АПРОБАЦИЯ

4.1. Описание модулей программного комплекса поддержки принятия управленческих решения в МФО

Для реализации информационной технологии принятия решений в микрофинансовой организации было спроектировано и реализовано программное обеспечение, соответствующее разработанным процедурам и методикам. Программный продукт разработан средствами Microsoft Visual Studio 2016 в среде операционной системы Microsoft Windows 10 Professional. Для его функционирования необходимо наличие платформы NET FrameWork 4.5 или выше для Windows, а также СУБД MSSQL Server 2017.

Программный комплекс автоматизирует процесс принятия решения по оффлайн- и онлайн-клиентам.

Для желающих заключить договор на кредитное обслуживание лично вербальные признаки обрабатываются в ППОЗ, для онлайн-заявителей - данные с их страниц социальной сети обрабатываются в ПАД СЗ. Выявление степени принадлежности заявителя к той или иной категории по уровню финансовой ответственности обеспечивает модуль Определения Категории Заемщика (ОКЗ). В случае, если заявитель вторичный, ОКЗ выявляет степень принадлежности по данным из Бюро кредитных историй. Модуль Принятия Решения (ПР) по полученным от ОКЗ данным формирует решение об одобрении или отклонении заявки. Все вышеперечисленные модули образуют единый Программный Комплекс Поддержки Принятия управленческих Решений в МФО - ПКППР-МФО (Рисунок 4.1).

Рисунок 4.1 - Структура программного комплекса поддержки принятия управленческих решений по выдаче займов в микрофинансовых организациях

(ПКППР)

При оформлении первичной заявки от клиента на вход в программный комплекс подается информация, которая включает в себя следующие данные: тип заявки (оффлайн- или онлайн-заявка) и базовые скоринговые параметры. В зависимости от того, какого типа заявка, включается в работу комплекса либо ППОЗ, либо ПАД СЗ.

Оператор, пройдя процедуру аутентификации в системе, может увидеть заявки и их статус. Возможные статусы заявки:

- создана (заявка создана, но не отправлена на рассмотрение);

- на рассмотрении;

- одобрена (МФО одобрила заявку - может быть одобрена либо запрашиваемая сумма, либо сумма с корректировкой);

- отклонена;

- отменена (клиент отказался от получения средств);

- обработана (средства выданы клиенту);

- просрочена;

- закрыта (денежные средства возвращены, сделка завершена).

Для удобства манипуляций с заявками во вкладках выделены основные статусы заявок, которые наиболее часто используются операторами оффлайн-офисов - на рассмотрении, одобрены или отклонены. Помимо текущего офиса,

оператор может видеть заявки других офисов компании или онлайн-заявки (Рисунок 4.2).

И

Оператор: Иванова Ольга Константиновна Заявки:

Все На рассмотрении Одобрены Отклонены

Ю Фамилия Имя Отчество Дата Место Статус Действие

1 Иванова Александра Евгеньевна 12.12.2015 Выбрать

► 2 Пудина Анна Петровна 10.09.2011 Выбрать

3 Долина Арина Юрьевна 14 02.2012 Выбрать

4 Хомяков Борис Иванович 27.08.1997 Выбрать

•

Рисунок 4.2 - Окно оператора офлайн-офиса МФО Чтобы создать заявку на микрофинансирование, оператор нажимает кнопку «Создать заявку». Перед ним открывается окно выбора варианта взаимодействия (Рисунок 4.3), где оператору необходимо выбрать, клиент обращается за займом впервые или повторно.

■У Создание заявки — □ X Оператор: Иванова Ольга Константиновна

Поиск Создание

нового

клиента

клиента

Рисунок 4.3 - Окно создания заявки Если клиент впервые обратился в оффлайн-офис МФО, то оператору офиса необходимо заполнить анкету первичного заявителя (Рисунок 4.4). Если клиент уже обращался ранее, то оператор может найти его анкету в базе микрофинансовой организации по ФИО, номеру СНИЛС или телефона (Рисунок 4.5). В этом случае анкета уже будет заполнена. При необходимости ее можно актуализировать.

Рисунок 4.4 - Скриншот окна заявки

о^ Поиск клиента — □ X

Оператор: Иванова Ольга Константиновна Поиск

По Фамилии:

По имени:

По отчеству:

По СНИПС:

По телефону:

Найти

Рисунок 4.5 - Скриншот окна поиска повторного заявителя В анкете заявителя помимо базовых скоринговых параметров (ФИО, демографические данные, контактные данные, сведения об имуществе и т.д.), оператор офиса МФО с помощью веб-камеры делает фотографию клиента, а также заполняет анкету визуальных характеристик заявителя (внешний вид, манера поведения и т.д.) согласно опросному листу. Скриншот автоматизированной версии опросного листа приведен в Главе 2.

По каждому из заявителей система может отобразить его кредитную историю (при наличии), причем не только в рамках собственной базы данных, но и с помощью данных Бюро кредитных историй. Для построения расширенного цифрового профиля из БКИ выгружается информация о количестве дней просрочки по каждому обращению за финансированием. При этом для расчета возможного дня просрочки при принятии решения может использоваться как средний срок просрочки, так и тот, который был при последнем обращении, в зависимости от того, какую рисковую стратегию выбрал ЛПР. Скриншот окна с данными из БКИ приведен на Рисунке 4.6

Кредитная история — □ X

Фамилия Ильина

Имя Отчество

Екатерина

Аркадьевна

Средний срок просрочки

19

дней

Кредитная история

№ Сумма Где брал Дата Дата Срок

выдачи возврата просрочки

1 14000 Быстро деньги 12.12.2019 21.04.2020 17

2 4500 МКК Резерв 09.11.2018 30.12.2018 19

3 9600 Домашние де... 08.03.2020 17.06.2020 18

4 7800 Суперклик 16.03.2020 16.05.2020 21

5 13400 МКК Резерв 18.01.2021 31.03.2021 20|

•

Назад в карточку

Отправить

Рисунок 4.6 - Скриншот окна с данными из БКИ о заявителе Если первичный заявитель не имеет кредитной истории, то данное окно не откроется: при нажатии на кнопку «Кредитная история» будет отображено сообщение «КИ по данному заявителю отсутствует».

В случае, если заявка была одобрена (зеленый статус на Рисунке 4.2), при нажатии на кнопку «Выбрать» напротив одобренной заявки открывается окно заявки (Рисунок 4.7).

Рисунок 4.7 - Окно одобренной заявки Т.к в окне сумма выдачи выделена зеленым цветом, это говорит о том, что системой одобрена именно та сумма, которая запрашивалась заявителем. В случае, если сумма в результате работы скоринговой модели подверглась корректировке, одобренная сумма выделена красным.

Рисунок 4.7 - Окно одобренной заявки с откорректированной суммой

Если заявитель согласен с условиями микрокредитования, заявка обрабатывается. Если клиент хочет получить деньги на банковскую карту, оператор нажимает кнопку «Подтвердить и отправить по указанным реквизитам», и заемные средства отправляются по банковским реквизитам заявителя, которые указаны в его личной карточке. Если клиент желает получить деньги наличными, то оператор нажимает кнопку «Выдать наличными в кассе», система печатает расходный кассовый ордер, и с этим документом заявитель направляется в кассу офиса за наличными. В обоих случаях система также выдает на печать договор микрокредитования, который подписывается клиентом.

Серверная часть системы может быть развернута как на физическом, так и на виртуальном или удаленном сервере.

Если за займом обращаются дистанционно посредством веб-сайта микрофинансовой компании, то вместе с базовыми скоринговыми параметрами на вход ПАД СЗ подается ссылка на страницу заемщика «Вконтакте» в формате или www.vk.com/nameid где в качестве "nameid" может быть набор цифр ГО-пользователя или никнейм, установленный вручную самим пользователем. Процесс принятия решения происходит полностью в онлайн-режиме только на стороне серверной части. В личном кабинете на сайте микрофинансовой организации заявитель видит статус своей заявки, а также одобренную сумму. В случае, если клиент согласен получить микрозайм на одобренную системой сумму, он самостоятельно нажимает кнопку «Получить» в личном кабинете, соглашается с публичной офертой и получает средства по реквизитам банковской карты. При онлайн-обращении получить микрозайм можно только путем банковского перевода, выдача наличных не предусмотрена.

Разработанный комплекс дает возможность не только проводить процедуру оценки предполагаемого уровня финансовой ответственности заявителя, но и вести журнал результатов предыдущих оценок, что позволяет отслеживать динамику изменения категории заемщика и делать выводы об адекватности разработанных методик оценки. Информация о категории заявителя также отображается в разделе «Кредитная история».

4.2. Внедрение результатов исследования в ООО МКК «Легкий займ Астрахань»

4.2.1. Описание организации

Внедрение результатов исследования осуществлялось в ООО МКК «Легкий займ Астрахань». Данная микрокредитная компания осуществляет свою деятельность исключительно с помощью оффлайн-точек продаж на территории Астраханской (16 офисов) и Волгоградской области (2 офиса). Выдача заемных средств осуществляется только наличными в офисах продаж. Организация осуществляет выдачу потребительских кредитов с 2018 года. Имеет действующую бессрочную лицензию на осуществление финансовой деятельности № 18-040-12008993 с 23 ноября 2018 года. Каждый первичный заемщик освобождается от уплаты процентов на первые семь дней займа. ООО МКК «ЛЕГКИЙ ЗАЙМ АСТРАХАНЬ» предоставляет потребительские займы физическим лицам на цели, не связанные с осуществлением предпринимательской деятельности, на основании заключенного с клиентом договора.

Общие требования к клиенту:

• Гражданство - РФ;

• Полная дееспособность;

• Минимальный возраст - 18 лет;

• Предельный возраст - 80 лет.

ООО МКК «Легкий займ Астрахань» предоставляет краткосрочные займы без обеспечения от 500 до 30 000 рублей с процентной ставкой 1% от суммы займа за каждый день пользования займом на срок до 30 календарных дней. Организация предоставляет займы без дополнительного обеспечения Заемщиком исполнения обязательств по договору займа, за исключением случаев выдачи займа на индивидуальных условиях, отличных от утвержденных генеральным директором. ООО МКК «Легкий займ Астрахань» предоставляет займы только в валюте Российской Федерации.

4.2.2. Локально-вычислительная сеть организации

В микрокредитной компании «Легкий займ Астрахань» ключевой системой обработки информации является система «1С:Управление микрофинансовой организацией и кредитным потребительским кооперативом». Локально-вычислительная сеть (ЛВС) данной системы приведена на рисунке 4.13.

Рисунок 4.8 - Схема локально-вычислительной сети ООО МКК «Легкий займ Астрахань»

Локально-вычислительная сеть состоит из сервера и рабочих станций в офисах организации, которые территориально удалены друг от друга. На сервере расположены базы данных системы «1С:Управление микрофинансовой организацией и кредитным потребительским кооперативом». Сервер является удаленным. Часть баз работает в файловом режиме. В этом варианте все данные информационной базы (конфигурация, база данных, административная информация) располагаются в одном файле - файловой базе данных. Работу с такими базами осуществляет файловая СУБД, разработанная фирмой «1С» и являющаяся частью платформы. Для баз используется клиент-серверный вариант работы.

Процесс принятия решений по займу был автоматизирован с помощью системы «1С:Управление микрофинансовой организацией и кредитным потребительским кооперативом». Помимо офисных задач (оформление заявок, внутренний учет), данная система включает в себя дополнительно оплачиваемые модули: оценка кредитоспособности потенциального клиента по собственному набору критериев; внешняя скоринговая проверка потенциального заемщика из бюро кредитных историй; проверка по перечню недействительных паспортов, базе исполнительных производств, по данным Росфинмониторинга и вхождению в стоп-лист. В штате рассматриваемой микрокредитной компании функции специалиста-андеррайтера выполнял один сотрудник на всю филиальную сеть, он разрабатывал модель принятия решения и вносил ее в модуль системы по собственным критериям.

4.2.3. Процесс внедрения и результаты

Для апробации моделей, алгоритмов, методик и разработанного на базе них программного комплекса, было принято решение в одном из офисов в Астрахани (офис А) отказаться от использования имеющейся системы принятия решений и внедрить разработанный программный комплекс ПКППР-МФО. На протяжении 2019 года в офисе А кредитное обслуживание осуществлялось исключительно с использованием ПКППР-МФО. На офисные компьютеры офиса А были установлены клиентские приложения, серверная часть была развернута на одном из компьютеров системного администратора. Остальные офисы продолжали работу в штатном режиме на привычной системе автоматизации. По итогам работы в 2019 году были собраны сведения о финансовых результатах офисов микрокредитной компании, в которой проходило внедрение. Для сравнительного анализа были взяты сведения о финансовых результатах офисов В, С, D, финансовые результаты которых в предыдущем 2018 году были приблизительно одинаковы (колебания в пределах 7%).

Таблица 4.1 - Сравнительный анализ финансовых результатов офисов ООО МКК «Легкий займ Астрахань»

Офис Год Общая доля просрочки (%) Доля эффективной просрочки (%) Прибыль до налогообложения (тысяч рублей) Рост (%)

А 2018 44,9 13,8 978 13,9

2019 39,4 18,7 1114

В 2018 45,8 11,3 919 3,8

2019 44,7 13,4 954

С 2018 45,5 12,1 1010 -2,4

2019 45,3 11,7 986

D 2018 41,7 10,9 996 -1,6

2019 42,0 10,5 980

Из данных, приведенных в таблице, наглядно видно, что в офисе А, где было осуществлено внедрение ПКППР-МФО, наблюдается рост финансовых показателей на 13,9% при повышении доли эффективной просрочки и снижении общей доли просрочки. Это связано с тем, что методика классификации заемщиков, предлагаемая в работе, позволяет более точно идентифицировать наиболее выгодных для микрофинансовой организации заемщиков - тех, кто имеет просрочку, но при этом возвращает заемные средства до начала взыскания задолженности через суд (категория В). Общая доля просрочки была снижена за счет того, что системой были выявлены заемщики, которые потенциально могли стать дефолтными, еще на этапе заявки, поэтому договор микрокредитования с ними не заключался, а заявка отклонялась.

В офисах В, С и D использовалась старая система автоматизации, поэтому по итогам 2019 года был отмечен незначительный рост или даже снижение финансовых показателей, которые характерны для местоположения или активности заявителей указанных офисов.

На основании полученных результатов руководством ООО МКК «Легкий займ Астрахань» было принято решение произвести модернизацию собственной

информационной инфраструктуры путем внедрения ПКППР-МФО во всех офисах сети в Астраханской и Волгоградской областях. Также были внесены изменения во внутренние нормативные акты, связанные с рисковой политикой, в которой были выделены категории клиентов по уровню финансовой ответственности в целях дальнейшего мониторинга рентабельности собственного капитала.

4.3. Внедрение результатов исследования в ООО МКК «Суперклик»

4.3.1 Описание организации

Проверка результативности предложенных подходов при применении в онлайн-микрокредитовании осуществлялась в базовой организации - ООО МКК «Суперклик» с помощью внедрения программного комплекса во внутреннюю систему сайта www.clickdengi.ru, который является официальным сайтом компании по микрофинансовому обслуживанию. ООО МКК «Суперклик» осуществляет свою деятельность на территории Российской Федерации с 2014 года под фирменным наименованием «QickDengi» (в 2018 году проходила смена юридического лица при сохранении фирменного наименования, клиентской базы, офисов обслуживания и сайта для работы в онлайн-режиме). Головной офис организации находится в городе Ростов-на-Дону (Российская Федерация). Заемщики могут получить займы в головном офисе либо через официальный сайт. Микрокредитная компания имеет бессрочную лицензию Центробанка на осуществление микрофинансовой деятельности № 18-040-60-008933.

В соответствии с кредитной политикой договоры займа заключаются с клиентами, которые соответствуют следующим требованиям:

- возраст от 18 лет до 70 лет;

- граждане Российской Федерации;

- имеют постоянную регистрацию на территории Российской Федерации, за исключением следующих регионов: Республика Крым, г. Севастополь, Ингушетия, Республика Дагестан, Кабардино-Балкария, Карачаево-Черкесия, Чечня, Северная

Осетия, Тыва.

- имеют открытый на их имя банковский счет в банке или филиале банка, расположенном на территории Российской Федерации, и могут получить денежные средства на платежную карту;

- имеют постоянный источник дохода:

- имеют мобильный телефон и постоянную возможность пользоваться им. ООО МКК «Суперклик» предоставляет займы на сумму от 1000 до 30 000

рублей. Информация о принятом по итогам рассмотрения Заявки решении доводится до сведения клиента путем отправки сообщений на зарегистрированный почтовый ящик и зарегистрированный номер клиента. Кроме того, соответствующая информация доводится до сведения клиента с использованием уведомления, направляемого ему в личном кабинете.

4.3.2. Локально-вычислительная сеть организации

В микрокредитной компании «Суперклик» ключевой системой обработки информации является собственная система микрокредитования, которая представлена в виде веб-сайта www.clickdengi.ru. Компания арендует серверное оборудование у московской телекоммуникационной компании «Мастертел». Схема взаимодействия между клиентом и системой приведена на рисунке 4.9.

Рисунок 4.9 - Схема взаимодействия между клиентом и сайтом ООО МКК «Суперклик»

Заемщик обращается за займом через сайт путем регистрации личного кабинета, заполняя данные, приведенные на рисунке 4.10.

Рисунок 4.10 - Анкета для регистрации личного кабинета клиента После подтверждения регистрации личного кабинета путем перехода по ссылке в электронном ящике осуществляется переход в личный кабинет для заполнения базовых скоринговых параметров (Рисунки 4.11, 4.12). Также к личному кабинету необходимо привязать банковскую карту, данная процедура осуществляется с помощью платежного агрегатора «Mandarin».

Рисунок 4.11 - Анкета для оформления заявки на займ: основные сведения и

паспортные данные

Рисунок 4.12 - Анкета для оформления заявки на займ: сведения об образовании и

работе

На последнем этапе происходит привязка к личному кабинету банковской карты. Верификация карты осуществляется путем списания и возврата проверочной суммы в размере одного рубля. Карта должна принадлежать заявителю и быть именной.

После заполнения всех данных пользователю доступно оформление заявки. Эта процедура осуществляется с помощью веб-калькулятора, где заявитель сразу видит сумму к возврату, срок поступления и срок возврата средств в зависимости от того, какую сумму и на какой срок он будет запрашивать. Интерфейс веб-калькулятора приведен на Рисунке 4.13.

Рисунок 4.13 - Интерфейс веб-калькулятора После нажатия на кнопку «Отправить заявку» и подтверждения заявки с помощью смс-сообщения на мобильный телефон, заявка отправляется на проверку, где проходит несколько видов проверок. Варианты статусов заявки приведены на Рисунках 4.14, 4.15, 4.16, 4.17.

Рисунок 4.14 - Статус заявки «Проверка информации о клиенте»

Рисунок 4.15 - Статус заявки «На рассмотрении»

Рисунок 4.16 - Статус заявки «Одобрена»

Рисунок 4.17 - Статус заявки «Отклонена»

При получении окончательного результата рассмотрения заявки клиент получает по электронной почте и смс уведомление.

До внедрения результатов диссертационного исследования скоринговая модель микрофинансирования строилась исключительно на оценке первичных данных -ФССП, кредитная история и т.п.

4.3.3. Процесс внедрения и результаты

Для апробации моделей, алгоритмов, методик и разработанного на базе них программного комплекса, было принято решение внести изменения в логику процесса принятия решений и заменить действующие программные модули, отвечающие за этот процесс. Таким образом, помимо базовых скоринговых параметров, пользователю было предложено обязательное поле при заполнении анкеты - ссылка на личную страницу «Вконтакте». При этом пользователю сообщалось, что страница должна быть настоящая, активная и имя страницы должно совпадать с именем заявителем (по аналогии с привязкой банковской карты). Обновленная версия анкеты по заполнению контактной информации приведена на Рисунке 4.18.

Рисунок 4.18 - Новая версия анкеты для заполнения контактной информации

онлайн-заявителя

Данное поле было необязательно для заполнения, но при этом пользователю, который не заполнил его, при нажатии на кнопку «Продолжить» отображалось

уведомление о том, что заполнение данного поля повышает шанс одобрения заявки в несколько раз.

Если пользователем была указана ссылка на страницу в социальной сети, его данные обрабатывались дальше с помощью модулей ПАД СЗ, ОКЗ и ПР. Если же пользователь решил не указывать ссылку, то его заявка обрабатывалась по старой методике принятия решений по кредитованию в ООО МКК «Суперклик».

По данным за 2019 год было отмечено, что 67% заемщиков указали ссылки на свои страницы при оформлении заявки на микрокредитование, 33% - отказались. Это позволило провести сравнительный анализ результативности предложенных подходов относительно старой скоринговой модели в компании. Для каждого вида клиентов были найдены средние показатели общей доли просрочки и эффективной просрочки, а также их соотношение. Результаты представлены в таблице 4.2.

Таблица 4.2 - Сравнительный анализ показателей по видам клиентов

Вид клиента Доля от общего числа клиентов Общая доля просрочки Доля эффективной просрочки Соотношение эффективной и общей просрочки

Указал страницу «Вконтакте» 67% 20,4% 16,7% 0,82

Не указал страницу «Вконтакте» 33% 39,4% 13,6% 0,35

Таким образом, было отмечено, что оценка кредитоспособности заемщиков по предложенной в рамках данной работы методике более эффективна, что подтверждает рост доли эффективной просрочки при снижении доли общей просрочки среди тех заемщиков, принятие решений по которой осуществлялось с использованием анализа данных из социальных сетей. Использование старого скорингового подхода показало сравнительно низкие результаты и высокую долю общей просрочки при низкой доли эффективной просрочки.

Результативность предложенных подходов также подтверждают финансовые результаты ООО МКК «Суперклик» за 2017-2020 годы: в 2019 и 2020 году наблюдается закономерный рост прибыли (Таблица 4.3).

Таблица 4.3 - Финансовые результаты ООО МКК «Суперклик» за 2017-2020

годы

Месяц/год Общая доля просрочки Доля эффективной просрочки Прибыль до налогообложения (млн.рублей)

Июнь 2017 38,7% 12,2% 10,21

Декабрь 2017 41,2% 11,3%

Июнь 2018 38,4% 10,3% 10,19

Декабрь 2018 40,9% 11,5%

Июнь 2019 30,2% 13,7% 11,95

Декабрь 2019 28,7% 17,5%

Июнь 2020 30,1% 16,2% 12,31

Декабрь 2020 28,4% 17,8%

В 2017-2018 годах общая доля просроченной задолженности колебалась в пределах 34-41%. В 2019 году этот показатель был снижен до 27,6%, а доля эффективной (не дошедшей до суда) просрочки - выросла с 9,9 до 17,5%, что привело к увеличению прибыли на 19,3%, что свидетельствует о повышении эффективности принятия управленческих решений. Также, несмотря на финансовый кризис населения в период действия ограничений, связанных с СОУГО-19, базовой организации удалось с использованием внедренного решения сохранить достигнутые в предыдущем году результаты и показать рост прибыли еще на 3,01%.

На основании полученных результатов руководством ООО МКК «Суперлик» было принято решение произвести модернизацию собственной информационной инфраструктуры путем внедрения модулей ПАД СЗ, ОКЗ и ПР в бизнес-модель онлайн-кредитования, а в оффлайн-офисах на территории Ростовской области -ПКППР-МФО. Также были внесены изменения во внутренние нормативные акты, связанные с рисковой политикой, в которой были выделены категории заемщиков по уровню финансовой ответственности в целях дальнейшего мониторинга рентабельности собственного капитала.

4.4. Апробация результатов в кредитном конвейере SaaS Credit

SaaS Credit - это отечественный кредитный конвейер для автоматизации микрофинансовых организаций, распространяющийся как облачная услуга, полностью функционирующая на облачном сервере. Имеются также и «коробочные» решения. Система не требовательна к ресурсам компьютера, работает на всех современных операционных системах, таких как Windows, Linux и MacOS. Сервис функционирует на сертифицированных согласно законодательства РФ серверах и полностью соответствует ФЗ-152 «О персональных данных».

Сервис может обеспечить: выдачу займов в режиме On-line на карту клиента, выдачу наличных денег по кассовым ордерам, обеспечивает работу оператора, кассира, андеррайтера и коллектора, имеется автоматический скоринг. Имеет большой набор различных отчетов и интеграций с другими системами.

Система интегрирована с Национальным бюро кредитных историй и международным бюро кредитных историй, работающим в России, - «Эквифакс Кредит Сервисиз».

Владельцем сервиса является астраханское научно-производственное предприятие «Дослаб», сервис функционирует с 2013 года и обслуживает на настоящий момент свыше 40 микрофинансовых организаций и имеет свыше 50 партнеров для интеграций. Все услуги сервиса - модульные, поэтому клиенты SaaS credit - российские, казахстанские МФО, могут сами выбирать, какие услуги им интересны для использования.

В рамках апробации предложенных в диссертационном исследовании подходов клиентам SaaS Credit было предложено бесплатно подключить модули, входящие в ПКППР-МФО, для усиления работы действующей скоринговой модели. При этом полностью переход к принятию решения на основании расчета рентабельности собственного капитала не осуществлялся. Методика была несколько модифицирована: категориям присваивался скоринговый множитель на основании того, к какой категории относился заявитель. Наибольший балл имели

категории А и В (1,5 и 2 балла соответственно), для категории С множитель равнялся 1, а для категории D - 0,5. Схема модернизации процесса принятия решения при апробации методик в кредитном конвейере приведена на Рисунке 4.19.

\

Заявка

—>

Автоматические проверки подлинности данных

Внутренняя скоринговая

система или внешняя скоринговая интеграция

Оценка категории заемщика и присвоение скорингового множителя

Оценка итогового балла Результат

Рисунок 4.19 - Схема модернизации процесса принятия решения при апробации

методик в кредитном конвейере На участие в эксперименте согласились 3 российских микрофинансовых организации, для удобства обозначим их как Альфа, Бетта, Гамма, причем Альфа работает исключительно в онлайн-сегменте, Бетта и Гамма - смешанный сегмент. Оценка результатов производилась по способу взаимодействия с заемщиком -онлайн или оффлайн-займы отдельно (Таблица 4.4). Таблица 4.4 - Оценка эффективности апробации

МФО Вид взаимодействия Доля эффективной просрочки (%) Прибыль до налогообложения (млн. рублей) Рост (%)

Декабрь 2018 Декабрь 2019 Декабрь 2018 Декабрь 2019

Альфа Онлайн 12,7 18,9 7,3 8,9 21,9

Бетта Онлайн 13,6 18,1 5,1 6,0 17,6

Оффлайн 16,5 20,2 6,7 8,5 26,8

Гамма Онлайн 15,1 21,3 15,8 17,7 12,0

Оффлайн 17,5 19,2 11,2 13,8 23,2

По данным таблицы наглядно видно, что вне зависимости от вида взаимодействия с заемщиками МФО-клиенты SaaS Credit по итогам 1 года использования модернизированной методики принятия решений по выдаче микрозаймов отметили рост финансовых результатов в среднем на 20,3%. Закономерно, что этих результатов удалось достичь за счет повышения доли эффективной просрочки в каждой из организации.

Микрофинансовые организации, участвовавшие в апробации, продолжили использование модернизированного конвейера, а владельцы самого конвейера приняли решение предлагать модули, входящие в ПКППР-МФО, остальным клиентам на коммерческой основе.

Кроме того, для проверки верности определения категорий заемщиков был проведен вычислительный эксперимент, результаты которого приведены на Рисунке 4.20.

Рисунок 4.20 - График отклонения фактического срока просрочки от

прогнозируемого

Во всех организациях, где проводилась апробация предложенных методик, моделей и алгоритмов, в среднем разность между спрогнозированным и фактическим сроком просрочки каждого оцененного с помощью ПКППР-МФО заемщика не превысила в абсолютном выражении 4 дней.

4.5. Выводы и результаты по четвертой главе

В главе 4 описан разработанный программный комплекс, автоматизирующий процесс принятия решения по оффлайн- и онлайн-заявителям на основе предложенных методик и алгоритмов. Данный программный продукт был апробирован в нескольких микрофинансовых организациях, которые ведут свою

деятельность как в режиме онлайн, так и при очном посещении офисов МФО заемщиками.

Также методика определения категории оффлайн и онлайн-заемщика была внедрена для модернизации процесса принятия решений в кредитный конвейер.

Успешное внедрение результатов диссертационного исследования в работу организаций подтверждается соответствующими актами (Приложения А-Г).

ЗАКЛЮЧЕНИЕ

При решении научной задачи повышения эффективности принятия управленческих решений в условиях неопределённости для организационных систем, работающих в области микрофинансирования, были получены следующие результаты:

1. Выявлены специфические особенности микрокредитования, затрудняющие принятие обоснованных управленческих решений в организационных системах, ведущих свою деятельность в сфере микрофинансирования.

2. Сформулирован критерий «финансовая ответственность». Использование данного критерия позволило провести кластеризацию клиентов МФО.

3. Предложена процедура классификации потенциальных клиентов, отличающаяся учетом и формализацией невербальных характеристик оффлайн- и онлайн-клиентов для расширения их цифровых профилей. Для оффлайн-клиентов учитывается психологический тип их личности, полученный с помощью методики «7 радикалов», а для тех клиентов, кто обращается за услугой через веб-сайт, проводится анализ пользовательского контента и специфических маркеров поведения в социальных сетях. Использование данной методики позволяет учесть и формализовать невербальные характеристики клиентов для расширения их цифровых профилей и тем самым повысить достоверность классификации.

4. Предложена комплексная методика принятия решений на основе оценок характеристик клиентов, отличающаяся учетом субъективной неопределенности поведения клиентов и позволяющая повысить обоснованность принимаемых решений в условиях неопределенности или неполноты информации.

5. Разработана информационная технология, реализующая предложенные подходы к принятию решений по выдаче микрозаймов. Внедрение данного программного комплекса в микрофинансовые организации ООО «Легкий займ Астрахань» и ООО «Суперклик» показало результативность заявленных методик в виде повышения рентабельности собственного капитала на 13,9% и 17,1%

соответственно, о чем имеются соответствующие акты.

6. Программное обеспечение, реализующее разработанные методики, было принято компанией, занимающейся автоматизацией микрофинансовой отрасли, ООО «Дослаб» для внедрения в систему кредитного конвейера, в результате чего эффективность модуля распознавания неплатежеспособных клиентов в МФО возросла в 1,74 раза, что подтверждается актом о внедрении.

7. Учебные варианты программ используются в Астраханской государственном техническом университете при подготовке инженерных и научных кадров.

Успешная апробация разработанных методик позволила сделать вывод об обоснованности выдвинутых положений и достоверности результатов работы.

СПИСОК СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙ

БД - база данных

БКИ - бюро кредитных историй

БДОЗ - база данных очных заемщиков

КИ - кредитная история

ЛПР - лицо, принимающее решения

МФО - микрофинансовая организация

НЧ - нечеткие числа

ПТЛЗ - психологический тип личности земщика СС - социальная сеть

СПИСОК ЛИТЕРАТУРЫ

1. Указ Президента РФ от 9 мая 2017 г. № 203 «О Стратегии развития информационного общества в Российской Федерации на 2017 - 2030 годы»

2. Новиков Д.А. Методология управления. - М.: Либроком, 2011. - 128 с.

3. Обзор основных показателей деятельности микрофинансовых институтов № 4 за 2019 год. Центральный банк. - Москва, 2020. - С. 26. - Режим доступа: https://www.cbr.ru/Content/Document File/72204/review_mfo_19.pdf, свободный. -Заглавие с экрана. - Яз. рус. (дата обращения: 06.09.2020).

4. Билюченко Г. С. Проблемы и перспективы развития микрофинансовой деятельности в России в свете поправок в закон «О микрофинансовой деятельности и микрофинансовых организациях» и указания ЦБРФ № 3984-У / Г. С. Билюченко // Концепт. - 2017. - № Т39. - С. 3696-3700.