Рейтинговое агентство
en
loading

Выполняется обработка данных, это может занять некоторое время.

По завершении, нажмите в любом месте экрана.
Требования регуляторов Методологии Рейтинги под наблюдением
Банки Финансовые компании Нефинансовые компании Холдинговые компании Проектные компании Лизинговые компании Регионы (муниципалитеты) Страховые компании (универсальные) Страховые компании (по страхованию жизни) Депозитарии НПФ (негосударственные пенсионные фонды) МФО (микрофинансовые организации) Региональные гарантийные организации Обязательства структурированного финансирования Долговые инструменты Управляющие компании СМО (страховые медицинские организации) Качество (корпоративного) управления Качество систем риск-менеджмента
Нефинансовые компании (Республика Беларусь) Нефинансовые компании (Республика Казахстан)
Экспорт и выгрузка рейтингов
Telegram Bot
Контакты
Рейтинговое агентство «Эксперт РА»
Адрес: Николоямская, дом 13, стр. 2
тел: +7 (495) 225-34-44
+7 (495) 225-23-54
e-mail: info@raexpert.ru

Отдел клиентских отношений
тел: +7 (495) 225-34-44 (доб. 1656)
+7 (495) 225-23-54 (доб. 1656)
e-mail: sale@raexpert.ru

Пресс-центр
тел: +7 (495) 225-34-44 (доб. 1706)
+7 (495) 225-23-54 (доб. 1706)
e-mail: pr@raexpert.ru

Отдел по работе с персоналом
тел: +7 (495) 225-34-44
+7 (495) 225-23-54
e-mail: personal@raexpert.ru

Рейтинговое агентство «Эксперт РА» – крупнейшее в России рейтинговое агентство c 20-летней историей. «Эксперт РА» является лидером в области рейтингования, а также исследовательско-коммуникационной деятельности.

«Эксперт РА» включено в реестр кредитных рейтинговых агентств Банка России.

На сегодняшний день агентством поддерживается более 600 кредитных рейтингов. «Эксперт РА» прочно удерживает лидирующие позиции по рейтингам кредитных организаций, страховых компаний, компаний финансового и нефинансового сектора.

Рейтинги «Эксперт РА» входят в перечни официальных требований к банкам, страховщикам, пенсионным фондам, эмитентам. Рейтинги агентства используются Банком России, Министерством Финансов, Министерством экономического развития, Московской биржей, а также сотнями компаний и органов власти при проведении конкурсов и тендеров.

Сбор анкетСписок всех рэнкингов


 

Банки учат машины

Станислав Волков

Среди российских банков формируется группа лидеров в области применения искусственного интеллекта и машинного обучения.

Отставание во внедрении этих технологий может нанести серьезный удар по конкурентным позициям, но пока догнать лидеров можно без запредельного уровня инвестиций.

Cреди лидеров в сфере искусственного интеллекта и машинного обучения (далее - ИИ) ожидаемо преобладают банки, специализирующиеся на обслуживании физлиц, но есть и универсальные кредитные организации (см. подготовленную на основе анкетирования классификацию банков в таблице). Банки-лидеры адаптировали под нужды ИИ свои IT-платформы, собрали сильные команды, организовали работу с данными, накопили опыт использования продвинутых алгоритмов машинного обучения. Если российская промышленность пока не может похвастаться успехами в области ИИ, то банковский сектор, во многом благодаря усилиям лидеров, не отстает от общемировой тенденции - банки все больше становятся похожи на технологические компании, только с жестким регулированием.

Классификация банков по уровню использования технологий ИИ

Класс (краткое название) Класс (полное название) Банки, включенные в класс
Значительно выше среднего Заявленный банком уровень использования технологий искусственного интеллекта и машинного обучения значительно выше среднего уровня, характерного для крупных российских банков Тинькофф Банк, Банк ГПБ, МТС Банк
Выше среднего Заявленный банком уровень использования технологий искусственного интеллекта и машинного обучения выше среднего уровня, характерного для крупных российских банков, при наличии значимого потенциала в этой сфере Московский кредитный банк, Банк «Русский Стандарт», Промсвязьбанк, Банк «Ренессанс Кредит»
Близок к среднему Заявленный банком уровень использования технологий искусственного интеллекта и машинного обучения близок к среднему уровню, характерному для крупных российских банков УБРиР, БКС Банк, Банк «ДельтаКредит», Банк «Открытие»

Источник: «Эксперт РА» на основе приведенной выше методологии и анкет банков

Пока российские банки чаще всего используют решения на основе ИИ при оценке кредитного риска и в смежных сферах (взыскание задолженности, выявление мошеннических транзакций), хотя лидеры этим уже не ограничиваются. В целом, кредитный скоринг в том или ином виде есть у всех банков, принявших участие в анкетировании. Далее идет близкая к кредитному анализу сфера взыскания задолженности, которую отметили две трети респондентов. Еще одно очень популярное направление - маркетинг, включая формирование индивидуальных предложений для клиентов. Работающее решение в области автоматизации колл-центров имеет только один банк из опрошенных, аналогичная ситуация - в области защиты информации.

В оценке кредитных рисков в банках еще доминируют линейные модели, в основном на базе логистической регрессии. Среди нелинейных моделей оценки кредитного риска наибольшей популярностью пользуются композиции решающих деревьев (случайный лес, градиентный бустинг). О применении нейронных сетей заявили только два банка из 11, принявших участие в анкетировании. Возможно, это связано с тем, что нейронные сети весьма требовательны к объему исходных данных, к тому же их сильным местом чаще называют распознавание образов, а не оценку рисков.

Наибольшего финансового эффекта от применения технологий ИИ российские банки ждут еще в таких сферах, как выявление мошеннических транзакций, взыскание задолженности и кредитный скоринг, - именно их респонденты чаще всего включали в тройку самых перспективных (см. график 1). Менее перспективны, по мнению опрошенных, автоматизация работы колл-центров с помощью чат-ботов, контроль за соблюдением Закона № 115-ФЗ, маркетинг и алгоритмическая торговля. Реже всего российские банки рассчитывают на значимый результат от использования ИИ в управлении персоналом, отслеживании информационного фона в отношении банка, удаленной идентификации клиентов. На наш взгляд, это связано не столько с неприменимостью ИИ в данных областях, сколько с трудностями оценки соответствующего финансового эффекта.

Применению технологий ИИ пока больше всего мешает разрозненность данных и информационных систем. Помимо этой причины среди ключевых проблем, затрудняющих использование ИИ, опрошенные банки чаще всего отмечали низкую вероятность валидации модели регулятором как основы IRB-подхода и сложности интерпретации результатов нелинейных моделей (см. график 2). Эти две проблемы тесно связаны - трудности в общении с регулятором зачастую вызваны тем, что у многих банков наилучшие результаты показывают скоринговые модели на основе нейронных сетей и композиций решающих деревьев, в то время как детальное описание соответствующих алгоритмов настолько сложно, что их часто называют черными ящиками.

Гораздо реже опрошенные банки жалуются на недостаточность компетенций сотрудников или высокую стоимость решений. Вместе с тем в публичных выступлениях банковских специалистов нехватка кадров с требуемыми навыками часто выходит на первый план. Поэтому, преодолев препятствие в виде разрозненности данных, банки столкнутся с острым дефицитом персонала, способного обрабатывать эту информацию. Растущий интерес федеральных органов власти и Банка России к цифровизации сейчас усугубляет проблему с кадрами, но в перспективе может создать более благоприятную регулятивную среду, что очень важно для банков, внедряющих технологии ИИ. Хотя присутствие в госорганах специалистов из IT-компаний и банков не избавляет от неудачных инициатив в области регулирования, шансов выйти на правильное решение все же больше.

Активное применение технологий ИИ уже в ближайшие годы может стать решающим аргументом в борьбе за массовые сегменты банковского рынка. Проблема в том, что прогресс в сфере ИИ в значительной мере обес­ценит сделанные ранее инвестиции банков в региональную сеть, обучение сотрудников, привлечение клиентов и повышение их лояльности. Хорошая новость заключается в том, что попасть в группу лидеров в области ИИ пока можно даже без запредельного уровня инвестиций, но есть и плохая - догонять надо прямо сейчас. Большая доступность исходных данных способна облегчить погоню за лидерами: широкое распространение дистанционных каналов упрощает сбор структурированной информации. Более того, часть исходных сведений для разработки моделей смогут предоставить внешние источники, которыми банки уже сейчас активно пользуются; среди них важную роль играют бюро кредитных историй, информационно-аналитические базы и мобильные операторы (см. график 3).

Впрочем, ряд банков выберет вариант никуда не спешить и дождаться, когда IT-компании предложат им готовые решения в области ИИ по приемлемой цене. Таким образом, в отношении ИИ банки разделятся на два лагеря. Те, кто уже добился больших успехов в данной сфере, будут считать свои решения уникальным преимуществом и ядром бизнеса, поэтому продолжат развивать ИИ-направление в основном собственными силами. Значительная часть банков, которые не делали акцента на своих разработках, со временем перейдет на продукты вендоров. Они получат качественный продукт, но превратить его в уникальное конкурентное преимущество им, конечно, будет непросто.

Методология исследования: ключевые аспекты

Рейтинговое агентство «Эксперт РА» на основе приведенных ниже методологии и результатов анкетирования банков подготовило их классификацию по уровню использования технологий ИИ (см. таблицу). В опросе приняли участие в первую очередь лидеры российского рынка в сфере применения технологий искусственного интеллекта и машинного обучения. В классификации нет класса «Ниже среднего», поскольку банки, которые мало внимания уделяют технологиям ИИ, не стали заполнять анкету. Кроме того, от раскрытия информации отказался ряд банков, которые могли претендовать на класс «Выше среднего», но не были уверены в попадании в группу лидеров.

Под искусственным интеллектом и машинным обучением в рамках исследования мы понимаем спектр алгоритмов, которые решают задачи, характерные для взаимодействия человека с внешней средой (например, распознавание и генерация речи, текстов, изображений и шаблонов поведения, предсказание поведения на основе предыдущих данных).

Оценку уровня использования технологий искусственного интеллекта и машинного обучения мы производили на основе анкет, предоставленных банками. Возможность заполнить опросник была примерно у 50 банков из числа топ-100 по активам. Анкету не рассылали банкам, выполняющим роль институтов развития (Росэксимбанк, МСП Банк), небанковским кредитным организациям, банкам, которые обслуживают только крупных корпоративных клиентов, участникам банковских групп с низкой степенью самостоятельности в развитии бизнеса (так, опросник направили в Альфа-Банк, но не предоставили Балтийскому банку, санируемому им).

Итоговая оценка учитывает перечисленные ниже факторы.

1. Уровень использования ИИ в рамках кредитного анализа (вес 45%), включая:

1.1) охват сегментов кредитного бизнеса, развиваемых банком, технологиями ИИ (доля направлений кредитного бизнеса, где технологии ИИ применяются в принципе, включая ситуации, когда их используют только для отсечения наименее качественных заявок или для заявок вне «серой зоны»);

1.2) уровень доверия к имеющимся алгоритмам (доля направлений кредитного бизнеса, где технологии ИИ применяют для принятия решения по всем заявкам без исключения);

1.3) сложность алгоритмов, используемых в кредитном анализе. Минимальный балл - при использовании только линейных моделей (включая логистическую регрессию, которая при логарифмировании принимает линейный вид); применение нелинейных моделей оценивали более высоко, максимальный балл можно было получить при использовании графовых моделей, требующих существенно большей работы по сбору и анализу информации, но позволяющих банкам оценивать своих клиентов комплексно, а не обособленно. Модели, основанные на графах, обычно выступают как источник новых признаков для комплексной модели, поэтому их применение может говорить о переходе банка на новый уровень моделирования и анализа;

1.4) наличие экспертизы (доля направлений кредитного бизнеса, по которым у банка есть собственная экспертиза, - алгоритмы, разработанные самостоятельно);

1.5) разнообразие источников данных для разработки моделей (чем больше количество используемых при создании скоринговых моделей внешних источников, тем выше оценка).

2. Уровень использования ИИ в рамках деятельности банка в целом (вес - 55%), включая:

2.1) число направлений банковской деятельности, где решение на базе ИИ уже находится в промышленной эксплуатации (максимальный вес среди показателей раздела);

2.2) число направлений банковской деятельности, где решение на базе ИИ применяют в рамках пилотного проекта;

2.3) число направлений банковской деятельности, где решение на базе ИИ находится в разработке;

2.4) число направлений банковской деятельности, где решение на базе ИИ находится в стадии «оценка и планирование»;

2.5) решение на базе ИИ обсуждали, но от внедрения отказались (минимальный вес среди показателей раздела).

Наибольший вес придан факторам из второй группы, поскольку они характеризуют широкий спектр направлений использования ИИ. Более детальное изучение технологий кредитного анализа связано с тем, что обычно это направление банки развивают одним из первых, и на текущем этапе для выявления лидеров в данной сфере необходимо рассмотреть значительное число показателей.

Хотя в методологии исследования использованы критерии, привязанные к активным для данного банка направлениям (например, если в банке только три направления кредитного бизнеса и из них решения на базе ИИ используют лишь в двух, то показатель охвата будет равен 2/3), специализированные банки (например, БКС Банк, Банк «ДельтаКредит») обычно получали несколько более низкую итоговую оценку из-за невысокого балла по разделу «Уровень использования ИИ в рамках деятельности банка в целом».

Источник: Банковское обозрение


Обращение в службу внутреннего контроля — это обратная линия, с помощью которой мы напрямую от партнёров и клиентов получаем информацию о том, насколько наша деятельность удовлетворяет вашим требованиям и ожиданиям.

Высказать своё замечание или предложение Вы можете заполнив онлайн-форму, либо позвонив напрямую в службу внутреннего контроля по телефону +7(495) 225-34-44 доб. 1645

Спасибо, что помогаете нам стать еще лучше!