Поймать и обезвредить? Нет, найти и заставить заплатить!

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).

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).

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).

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).

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).

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.

«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).

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.

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).

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.

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).

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.

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.

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

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

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.