Коллекторское агентство «СКМ» делится практикой внедрения роботизации, действующей в комплексе с человеческим интеллектом, в рамках процесса судебного взыскания просроченной задолженности.
Последние два года в бизнес-среде collection активно развивается тренд роботизации. Сегодня отдельные коллекторские агентства амбициозно заявляют о применении искусственного интеллекта и даже его высшей формы – нейронных сетей – на этапе судебного взыскания. Звучит впечатляюще, но если перестать жонглировать красивыми терминами, то искусственный интеллект – это свойство автоматизированных систем выполнять творческие функции, которые традиционно считаются прерогативой человека. Идея использования нейронных сетей заключается в том, чтобы максимально точно смоделировать работу человеческой нервной системы, а именно ее способности к обучению и исправлению ошибок. В этом состоит главная особенность любой нейронной сети – она способна самостоятельно обучаться и действовать на основании предыдущего опыта, с каждым разом делая все меньше ошибок. Другими словами, нейронные сети – это математические модели, работающие по принципу сетей нервных клеток человеческого мозга.
В существующих системах автоматизации процессов legal collection нет искусственного интеллекта как такового, но есть разноуровневая степень упомянутой автоматизации. В коллекторском агентстве «СКМ» эта степень – наивысшая, при этом роботизированный алгоритм не работает самостоятельно по принципу человеческого мозга: этот самый мозг его постоянно совершенствует и сопровождает.
Масштабной автоматизацией процессов legal collection компания «СКМ» занялась еще в 2009 г., будучи подразделением Альфа-Банка, а в 2012-м перешла на полноценную роботизацию процесса. Однако сам по себе робот на этапе сопровождения судебного и исполнительного производств несовершенен: он не может автономно обучаться и улучшать качество своей работы, не умеет давать индивидуальную оценку ситуации, делая анализ по конкретным судебным случаям или принимая решения, выходящие за рамки заложенного в него алгоритма.
В 2015 г. мы внедрили собственное ноу-хау – интеллектуальную систему сопровождения судопроизводства, которая является эффективным миксом взаимодействия робота и человека в сфере collection. Так, при отборе договоров на стадию судопроизводства действует так называемый legal-скоринг – применяются математические модели с хорошей прогностической способностью, позволяющие на основании глубокого анализа исторических данных выделять «правильные» долги для получения максимального результата при минимальных расходах.
Прежде чем подать в суд, любой взыскатель решает ряд вопросов: по каким договорам целесообразнее всего судиться, какой прирост во взыскании даст отправка конкретного дела в суд и нужно ли судиться с теми, кто и так платит, но, к примеру, не регулярно? Компания сделала ставку на математические модели, реализованные на платформе SAS. За год подход к передаче дел в суд, основанный на legal-скоринге, поднял эффективность принудительного взыскания (legal+soft/hard) в 2 раза (с момента вынесения судом решения об удовлетворении требований кредитора). Из 100% должников, договоры которых отобраны для передачи в суд с привлечением скоринга (затраченное время на процесс при этом исчисляется минутами, а не часами и сутками), 63% начинают выплачивать свои долги. Для сравнения – в случае, когда договоры для судопроизводства кропотливо и долго подбираются группой экспертов, платить после суда начинают только 45% должников. Получается, что дополнительные 18 % с экономией временных и человеческих ресурсов дает математическая модель, отбирающая среди гигантского объема данных по верно найденным критериям наиболее рациональный к судопроизводству пул договоров.
В настоящее время Департамент аналитики «СКМ» разработал и обкатал на практике несколько скоринговых моделей, которые сократили себестоимость судопроизводства и повысили эффективность судебного взыскания. Вероятностная модель за очень короткий промежуток времени и с минимальной погрешностью определяет тех должников, которые вернут долг на этапе принудительного взыскания.
Прогнозная модель на дельту прироста платежа дает более детальный прогноз или другую оценку – в какой период и в каком объеме должник сможет совершить платеж на этапе принудительного взыскания.
Сейчас на завершающем этапе разработки находится поведенческая модель, которая определяет на каждом отдельном договоре, как изменится результат, если к процессу судопроизводства добавить какой-либо инструмент (к примеру, выезд специалиста к должнику или звонки неплательщику).
Так, благодаря правильной аналитике еще до передачи договора в суд компания получает финансовые перспективы взыскания по каждому отдельному должнику. Далее на следующем этапе с отобранными договорами начинает работать автоматизированный судебный конвейер.
Самая первая и наиболее сложная задача, которая была решена за счет роботизации, – автоматическое определение подсудности по адресу должника. Программный модуль устанавливает реквизиты для оплаты госпошлины и адрес соответствующего судебного органа по каждому договору, а также учитывает требования, предъявляемые конкретным судебным участком/судом к подаваемой документации.
Как не раз отмечал директор Юридического департамента «СКМ» Станислав Куркин, многие взыскатели, не имея подобных возможностей автоматического определения подсудности, предпочитают обращаться за соответствующей услугой к аутсортинговым организациям. Это тоже выход, однако такой путь увеличивает расходы на взыскание на этапе legal, в т.ч. за счет ошибочно определенной юрисдикции.
После определения подсудности по каждому делу поэтапно автоматически формируется и распечатывается пакет документов: заявление на выдачу судебного приказа или исковое заявление (в зависимости от типа производства), расчет задолженности, копия условий кредитования, платежное поручение об оплате госпошлины, необходимые ходатайства и т.д. Затем пакет документов направляется в суд через сервис Почты России.
Когда заявление принято судом к рассмотрению, к работе подключаются сотрудники специализированного кол-центра, которые занимаются мониторингом дел и, в частности, обработкой запросов судей, работая по сформированному «дереву решений». Получив обратную связь, специалист сразу определяет, в каком ключе вести диалог с представителем судебного органа – для каждого типового кейса разработан свой набор действий.
На данном этапе развития технологий legal изменение логики сопровождения каждой отдельной группы случаев может проработать только человек – компетентный юрист. Этап формирования и направления дела в суд полностью автоматизирован, однако, когда дело доходит до сопровождения дела в суде и непосредственного взаимодействия с представителями Фемиды, на первый план выходят человеческие ресурсы. Такая модель взаимодействия делает процесс гибким, ведь человек, в отличие от робота, способен проявлять навыки эмоционального интеллекта – различать эмоции собеседника, подстраиваться под него, выбирая тон и манеру разговора и достигая тем самым заданной переговорной цели.
Умный анализ данных, высокие профкомпетенции юристов «СКМ» и возможности робота – три значимых элемента интеллектуальной системы legal collection в компании. Этот симбиоз сократил сроки получения судебных актов, оптимизировал ресурсы на сопровождение дел в судах и увеличил эффективность закрытия дел в разных поколениях подачи в рамках как приказного, так и искового производств. Отличных результатов компания добилась и в обжаловании судебных актов: 80% определений о возврате заявлений или об отказе в их рассмотрении обжалуется, и в 80% случаев юристы «СКМ» получают положительный результат.
Для нас legal collection – это мощный инструмент взыскания на поздних сроках просроченной задолженности. Он включает технологичность IT-комплекса, результаты mining в аналитике, высокоразвитые компетенции сотрудников Юридического департамента в области права и отличную репутацию компании в судебных органах. Все эти компоненты увязаны в единую систему, позволяющую день за днем увеличивать эффективность сбора долгов в принудительном порядке и являющуюся одним из главных конкурентных преимуществ «СКМ» на рынке взыскания.