Журнал ПЛАС » Архив » 2020 » Журнал ПЛАС №2 » 275 просмотров

Поймать и обезвредить? Нет, найти и заставить заплатить!

В предыдущем материале я рассказал о построении системы принятия мгновенных кредитных решений CreditCheck. Теперь пришло время оценить, к чему привела достигнутая скорость. Нет, не к повышенному уровню просрочки! – она-то как раз в процентном отношении снизилась, доказав гипотезу, что при лидирующем росте объема портфеля уровень мошенников начинает за ним не поспевать.

Быстрая выдача займов привела к накоплению громадных объемов разноструктурированной информации, которую просто руки зачесались использовать для Skip Tracing – процесса поиска скрывающихся должников с целью мирного принуждения к погашению долгов. Классическая технология работы с просрочкой обычно выглядела так:

  1. Вежливый намек заемщику – push-уведомление или SMS.
  2. Твердое напоминание – звонок или письмо в почтовый ящик.
  3. Грозный визит – приход в гости с нудным разговором о совести и долгах.

Далее следовали обращение в суд и юридическая канитель, заканчивающаяся решением в пользу банка (проигрышные пакеты документов не подавались), не гарантирующая возврат пропущенных платежей. Затем задолженность списывалась, но разве ради этого затевалась гонка?! Да и резервы из-за ухудшения качества кредитного портфеля банку приходилось наращивать.

Мы решили добавить новый этап в борьбу с просрочкой под названием «Социальная смерть», при котором вознамерились поставить в известность всех, кто когда-либо контактировал со злостным должником, о его непорядочности. Первым делом построили «вселенную» объектов, через которые планировали доставать «негодяев» (см. рис. 1).

Рис. 1. Вселенная объектов поиска скрывающихся должников
Рис. 1. Вселенная объектов поиска скрывающихся должников

 

Провели анализ информации, предоставленной аппликантами при оформлении кредитных заявок, чтобы оценить полноту, достоверность, актуальность и применимость для розыска. Оценив каждое поле анкеты займа, а также их совокупности, получили теоретический индекс успешности в обнаружении надежных контактов (см. рис. 2).

Рис. 2. Индексы теоретической успешности использования поисковых полей и их сочетаний
Рис. 2. Индексы теоретической успешности использования поисковых полей и их сочетаний

 

Выполнив полные переборы строк кредитных анкет при реальном поиске 10 тыс. «забывчивых», разделили известные текстовые и числовые данные на три категории перспективности поиска:

  1. Использование обязательно, внедрение в процесс произведено;
  2. Применение целесообразно, реализация возможна;
  3. Поиск желателен, недоступен по техническим, юридическим и/или иным соображениям (см. рис. 3).
Рис. 3. Карта перспективности реального применения полей анкеты в поисковых запросах
Рис. 3. Карта перспективности реального применения полей анкеты в поисковых запросах

 

На коленке сверстали «интерфейс» будущего приложения, назвав его SAGA.Finder и соединив простейшими запросами с SQL-сервером, что позволило немедленно приступить к тестированию поисков по адресам и телефонам (см. рис. 4).

Рис. 4. Окно Saga.Finder для поисков по телефонам и адресам
Рис. 4. Окно Saga.Finder для поисков по телефонам и адресам

 

В единую базу данных стали передавать информацию юридических и физических лиц из CreditCheck, а из вбиваемых в интерфейс текстовых строк принялись формировать массивы с отклонением в единицу по расстоянию Левенштейна – разницей в один знак: пропущенный, вставленный или изменивший позицию. Оператор вбивал несколько известных строк или текстовых фрагментов, а машина перебирала в словарях доступные варианты фамилий, имен, отчеств, названий организаций, улиц, варьировала цифры в номерах телефонов и выводила «полотно» грядущего исследования (см. рис. 5).

Рис. 5. Окно результатов множественного поиска по телефонам и адресам
Рис. 5. Окно результатов множественного поиска по телефонам и адресам

 

Каждая из строк ответа SAGA.Finder не на начальный запрос, а на массив потенциальных отклонений снабжалась упреждающими маркерами, которые в зависимости от результативности поиска оставались либо пассивны, что означало «объект не найден», либо активны – «варианты есть»:

  1. Первый диез – найдены персональные данные;
  2. Телефон – обнаружены телефонные номера;
  3. Треугольник – имеются коллеги по работе;
  4. Мяч – объект присутствует в «цветных» списках;
  5. Личная карточка – есть фотография;
  6. Второй диез – найдены данные организации.

Выбором активного маркера можно было переместиться на соответствующее представление, что на айтишном сленге называется Drill Down. Персональная карточка агрегировала информацию, которую можно было явно или косвенно ассоциировать с искомой персоналией (см. рис. 6). Данные приоретизировались таким образом, чтобы первыми строками указывалась наиболее вероятная текущая информация, а после нее шла косвенная и отдаленная, с учетом коэффициентов достоверности.

Рис. 6. Окно персональной карточки скрывающегося должника
Рис. 6. Окно персональной карточки скрывающегося должника

 

«Проваливание» в цветные списки отражало вариации:

  1. Белый – предыдущий кредит выплачен без пени и просрочек;
  2. Серый – заем пришлось «выбивать» , или возврат произведен не до нуля;
  3. Зеленый – организация места работы сотрудничает с банком по кредитованию;
  4. Синий – предприятие «замерло»: проводит все меньше операций по счетам в банке;
  5. Красный – организация находится в стадии ликвидации или погрязла в судебных тяжбах;
  6. Черный – клиент отказывается вернуть долг и пытается скрыться от правосудия (см. рис. 7).
Рис. 7. Окно нахождения похожих людей в цветных списках
Рис. 7. Окно нахождения похожих людей в цветных списках

 

Следующим режимом предусмотрели оповещение бывших или действующих коллег по работе, начиная с отдела кадров, бухгалтерии, директоров и акционеров (исключительно для ООО с малыми уставными фондами) – см. рис. 8.

Рис. 8. Окно нахождения бывших или действующих коллег
Рис. 8. Окно нахождения бывших или действующих коллег

 

Естественно, требовалось действовать взвешенно, поэтому разработали «секретный» алгоритм под кодовым названием «Круги по воде», целью которого было концентрически вычислять:

  1. наиболее подходящих сослуживцев, желательно проживающих неподалеку: в соседних частных домах или квартирах на смежных этажах;
  2. организации, числящиеся по тем же физическим и юридическим адресам (см. рис. 9).
Рис. 9. Окно «телефонных» кругов, начиная с приоритетных
Рис. 9. Окно «телефонных» кругов, начиная с приоритетных

 

Особой гордостью стал механизм поиска потенциальных родственников по: фамилии и отчеству, дате рождения, адресам предыдущего совместного проживания (см. рис. 10). Именно благодаря ему удалось войти в контакт с 11,7% людей, которые уговорили должников вернуть деньги и спать спокойно. Наиболее авторитетными оказались контактные лица женского пола: мамы, жены и сестры – их скрывающиеся слушали чаще всего.

Рис. 10. Окно предположений о вероятном родстве
Рис. 10. Окно предположений о вероятном родстве

 

Когда исчерпывались возможности предыдущих вариантов, в дело вступала «тяжелая артиллерия», «ковровое бомбометание»: о нерадивости заемщика сообщали его соседям по подъезду, дому или улице, в зависимости от квартирности здания и количества жителей населенного пункта (см. рис. 11).

Рис. 11. Окно обзвона соседей по дому
Рис. 11. Окно обзвона соседей по дому

 

Следующим логичным шагом стала пакетная обработка больших массивов должников с выгрузкой кампаний для обзвона через CRM. На рис. 12 приведен пример Excel-версии, которая использовалась во время отладки.

Рис. 12. Пакетная обработка поиска скрывающихся должников
Рис. 12. Пакетная обработка поиска скрывающихся должников

 

Многие ответственные граждане корректировали операторов call-центра, что позволило исправлять ошибки, часто встречавшиеся в названиях улиц городов (см. рис. 13). Поэтому даже безрезультативные в моменте звонки нередко оказывались полезны в перспективе дальнейших поисков.

Рис. 13. Окно улиц населенного пункта
Рис. 13. Окно улиц населенного пункта

 

Мы замеряли количество режимов, которые выбирали операторы при ручных операциях розыска с тем, чтобы совершенствовать средства автоматизации (см. рис. 14).

Рис. 14. Статистика произведенных поисков
Рис. 14. Статистика произведенных поисков

 

Отдельно изучали корреляцию между трудолюбием сотрудников и результативностью обнаружения «негодяев» (см. рис. 15).

Рис. 15. Отчет о производительности сотрудников
Рис. 15. Отчет о производительности сотрудников

Итогом экспериментов стала универсальная автоматизированная система поисков скрывающихся должников кредитно-финансового учреждения из стандартного браузера, которая за 18 месяцев помогла вернуть 3,1% безнадежно (Безнадежно просроченными принято считать: беззалоговые кредиты – после полугода отсутствия выплат от заемщика, залоговые – после года) просроченных займов крупного банка, что с лихвой окупило процесс проектирования и разработки. Пользователями SAGA.Finder кроме подразделения розыска «пропавших» клиентов стали:

  • команда противодействия мошенничеству;
  • служба экономической безопасности;
  • полевые коллекторы.

В пике нагрузки с системой работали более 2 тыс. человек, а объем знаний к концу второго года эксплуатации составлял 7 млн записей о связанности физических и юридических лиц между собой, документами, телефонами, адресами, прочими идентификаторами. Среднее время поиска информации не превысило 2 секунды. Журналируемый доступ позволил выявлять оптимальные методы работы лучших «сыскарей» и тиражировать на коллективы смен подразделения Skip Tracing.

Открытый протокол взаимодействия с внешними системами не один раз сыграл добрую службу в оказании дружественной помощи силовым структурам при расследовании особо тяжких преступлений.

Да-да, вам не показалось: SAGA.Finder неоднократно демонстрировал алгоритмическое преимущество даже перед более наполненными и централизованными системами хранения данных государственного значения! И не без обоюдной выгоды. 

Читайте в этом номере:


Перейти к началу страницы

Подпишитесь на новости индустрии

Нажимая на кнопку "подписаться", вы соглашаетесь с


политикой обработки персональных данных