pxhere
pxhere

Банк «Веста», специализирующийся на обслуживании малого и среднего бизнеса, столкнулся с необходимостью проверять все операции клиентов, что грозило ростом расходов и коллапсом платежей. Решением стали алгоритмы на основе машинного обучения, но разработка такого модуля для небольшого банка слишком дорого стоит. Кредитная организация нашла выход — заказать промышленную систему на основе уже имеющихся у «Весты» алгоритмов, которую можно продавать другим таким же банкам.

В чем проблема.  Регулятор постоянно ужесточает требования к банкам по соблюдению антиотмывочного законодательства. Например, в октябре ЦБ добавил дополнительные критерии в определение транзитных операций. Банки должны знать своего клиента, его бизнес, но это не все — они должны теперь следить за всей цепочкой платежа, говорит председатель правления банка «Веста» Виктор Жидков. Это нужно, чтобы, например, обнаружить, так называемую, смену оснований платежа или «ломку платежа» — когда сначала компания платит за памперсы, а потом, на конце цепочки, за шины. Между ними же есть платежи без четкого указания товара.

При этом, говорит Жидков, проверять надо все операции, которые проводит банк. На проверку одного платежа на предмет соответствия оснований входящих платежей и оснований исходящих платежей сотруднику службы финансового мониторинга банка требуется 10 минут. Если операций 100 в день, требуется 16,6 человекочасов, или, при 8 часовом рабочем дне, 2 сотрудника.  Если операций 100 в час — необходимое число сотрудников возрастает до 17 человек.

Еще один вариант — проверять не все операции, а лишь те, сумма которых превышает определенную величину. Но это опасно, говорит Жидков: занятые в нелегальном секторе тоже следят за банками, и если хотя бы одной такой компании удалось обойти банковский контроль и открыть счет, дальше они приходят массово. А массовые незаконные операции грозят банку отзывом лицензии: ЦБ считает, что такая кредитная организация либо не может наладить контроль, либо сама вовлечена в незаконную деятельность. 

Стратегия. Банк «Веста» использовал для решения проблемы алгоритм на основе машинного обучения. Банк использовал 32 алгоритма, созданных за годы мониторинга, рассказывает Жидков. Алгоритм обучается на новых данных, когда ЦБ присылает новое письмо или находятся новые признаки недобросовестных операций. Он анализирует деятельность клиента, избавляя банк от необходимости вести досье и запрашивать у клиента информацию о сути проводимых операций, например, описывать товары, за которые он платит. Поскольку такой обязанности в законе у клиента нет, слишком большое количество запросов может отпугнуть хорошего клиента, говорит Жидков. А большой объем информации, поступающий в банк для ручной обработки, может привести к коллапсу платежей. Единственный выход — мощный вычислительный комплекс.

Такой комплекс — дорог для одного небольшого банка, его стоимость начинается от 10 млн рублей, говорит Жидков. «Веста» нашел выход — разрабатывать систему как промышленный сервис для большого количества банков. Банк обратился к вендору – компании ЦФТ. У них была возможность разработать AML-модуль (так называется разработанная система) по заказу «Весты» и в будущем предложить его рынку.

«Технология опиралась сначала на наши данные, а затем начала разрабатывать свои параметры для выявления недобросовестных операций», — говорит Жидков. Например, сотрудники финмониторинга могли заметить, что средства списываются со счета сразу после поступления, а перечисление зарплаты не сопровождается перечислением НДФЛ. AML-модуль может анализировать количество контрагентов компании, частоту и время поступления их платежей и иные факторы, которые сложно мгновенно анализировать человеку, поясняет Жидков.

Результат. C помощью ЦФТ-AML служба финмониторинга может проверять 100% счетов, не увеличивая количество сотрудников, не приносящих прибыль банку, говорит Жидков. Численность персонала осталась прежней, но эффективность работы возросла, как минимум, в двое.

Еще один положительный эффект – скорость обработки. Так как проверка автоматизирована, то подозрительные операции сервис выявляет онлайн. Причем, по словам Жидкова, — с крайне низкой вероятностью ошибки, чего при ручной обработке достичь невозможно.

Таким образом, банк получил возможность отделять транзитные компании, несущие риск для банка, от добросовестных, не отсеивая последних из-за ошибки финмониторинга. Отказ в обслуживании добросовестным компаниям череват потерей прибыли для банка

Влияние на бизнес. Жидков говорит, что рост числа банков, использующих алгоритм, приведет к росту его точности и постоянному развитию нейросети, которая будет обучаться на все большем количестве примеров. Кроме того, по его словам, система позволит банкам обмениваться информацией о недобросовестных компаниях не дожидаясь сигнала из ЦБ.

Банкам очень важно соблюсти баланс между требованиями регулятора и сохранением пула добросовестных клиентов, согласен зампред правления ГК ЦФТ Андрей Фомичев. «Блокировка счета клиента – большая ответственность: от решения банка порой зависит судьба компании, и цена ошибки здесь очень велика», — говорит он.

«Такой сервис будет востребован именно небольшими банками, которые активно работают в сфере обслуживания юридических лиц, потому что разрабатывать его самостоятельно будет дороже», — считает генеральный директор компании «БизнесДром» Павел Самиев.

Если вы нашли ошибку, пожалуйста, выделите фрагмент текста и нажмите Ctrl+Enter.