Андрей Паутов - Я и мои 100 000 должников. Жизнь белого коллектора

Конкретный пример: мы сегментировали всю историю наших долговых портфелей по возрастному цензу и полу должников. И статистика показала, что для оказания нужного воздействия на женщин 50–55 лет, которые по роду занятий являются домохозяйками, лучше всего сработал инструмент привлечения судебных приставов. Кроме того, взыскание шло эффективнее, когда с данной категорией должников с нашей стороны взаимодействовала женщина, а не мужчина.

Так мы увидели закономерность. Далее мы сделали следующее: взяли текущий долговой портфель для обработки и выделили в нем только женщин-домохозяек 50–55 лет. И мы с полной уверенностью выдвигаем гипотезу, что к ним имеет смысл применять только те инструменты, которые себя отлично зарекомендовали по итогам обработки наших «больших данных». Другие методы не стоит даже пробовать, это бесполезная трата времени. Так мы значительно сузили спектр инструментов воздействия, а помог нам в этом компьютер.

Чувствуете разницу? Раньше мы монотонно в течение нескольких лет подряд применяли к должникам все доступные методики воздействия, порой простым путем перебора. Теперь в этом нет необходимости. Это и есть технология «больших данных» в действии.

В нашей CRM-системе, когда оператор начинает работать с конкретным должником, ему сразу предлагается четко прописанный алгоритм: во сколько звонить, что именно говорить, какие инструменты применить. Вот на что способен компьютер, и это лишь минимальная часть его возможностей.

Мы активно развиваем у себя IT-департамент, в котором будут обкатываться и внедряться новейшие технологии. Одна из них – машинное обучение. Его принцип таков: мы берем две фотографии и говорим машине: вот на этой фотографии есть мобильный телефон. А на этой фотографии – нет мобильного телефона. Далее мы берем и показываем миллион таких фотографий и учим машину определять, где есть телефон, а где он отсутствует. Затем мы уже не спрашиваем, машина определяет сама.

В случае коллекторского бизнеса мы точно так же учим машину тому, что именно следует делать с определенным должником. Компьютер «запоминает», сравнивает десятки, сотни, тысячи аналогичных примеров – и в конечном счете, когда на горизонте возникает такой должник, машина его автоматически соотносит с нужной категорией в своей базе знаний и автоматически отображает наиболее эффективную методику взыскания конкретно для этого человека.

Все это достигается благодаря возможностям специального приложения к нашей CRM-системе. Это код, написанный специально под нас и являющийся нашей интеллектуальной собственностью.

Ручной труд в современном мире продолжает сокращаться, грядет все больше и больше увольнений в отмирающих сферах деятельности. Стиральных машин ведь тоже когда-то не было, а была профессия прачки. Теперь ее нет, она исчезла навсегда. И замена человеческого труда технологиями – это нормально. Просто перед человеком встает задача: найти себе новое место в жизни. Нормальный мотивированный человек обязательно эту задачу для себя решит, а кто не захочет – что ж, его это личный выбор.

На что еще способны информационные технологии в нашем бизнесе? Ну, к примеру, компьютер может минимизировать общение взыскателя-человека с должником. Сбербанк не так давно запустил проект Iron Lady, в рамках которого компьютерный синтезированный голос напоминает должнику на ранних стадиях просрочки о необходимости внесения денег в срок. Качество голоса такое, что человек может даже не распознать, что он общается с роботом.

Iron Lady использует искусственный интеллект и во время звонка формулирует каждый следующий вопрос в зависимости от предыдущего ответа клиента. Машинное обучение, про которое я рассказывал выше, используется здесь в полном объеме. Полученные ответы от собеседников автоматически преобразуются в текст и сохраняются в базе знаний системы и используются в будущих диалогах.

Сегодня в нашей компании нет необходимости во «взыскателе-роботе», потому что мы работаем на поздних стадиях просрочки, когда более остро требуется индивидуальный подход к заемщику. Но тенденция очевидна. С точки зрения внедрения информационных технологий мы идем вперед быстрыми темпами, и я постоянно поторапливаю коллег. Мы не можем пропустить вперед себя цифровое будущее.

Еще одна задача, которая стоит перед нашим IT-департаментом, – это обогащение компьютерной базы знаний контактными данными. Мы учим компьютер не только обрабатывать имеющиеся в базе сведения, но и осуществлять поиск данных о должнике в открытых источниках. В доступе находится широкий спектр таких источников: это и социальные сети, и поисковые системы в интернете.