Кейс: Как автоматизация сбора данных помогла микрозаймовой компании сократить время обработки заявок (гипотетический сценарий)
Введение: проблема «ручного» скоринга
Представьте себе ситуацию: региональная микрофинансовая организация (МФО) «Финансовый помощник» (название вымышленное) ежемесячно обрабатывает около 800–1000 заявок на микрозаймы. До недавнего времени весь процесс проверки заёмщиков был ручным: менеджеры вручную сверяли паспортные данные, запрашивали справки о доходах, звонили на работу и «пробивали» клиентов по базам недобросовестных заёмщиков.
Гипотетическая ситуация: среднее время рассмотрения одной заявки составляло 45–60 минут. Из-за человеческого фактора возникали ошибки: где-то не заметили просрочку по другому займу, где-то неправильно интерпретировали справку 2-НДФЛ. В результате доля просроченной задолженности (NPL) держалась на уровне 8–10%, что для микрозаймов считается высоким показателем.
Руководство поставило задачу: автоматизировать сбор и первичную проверку данных, чтобы снизить нагрузку на сотрудников и повысить качество андеррайтинга.
Этап 1: Аудит текущих процессов
Первым шагом команда (назовём её «Кейс Солюшнс») провела аудит. Выяснилось:
- Источники данных: МФО использовала 4 внешних источника (кредитные бюро, базы ФССП, проверку паспорта через МВД, скоринговую модель от партнёра). Каждый источник требовал отдельного API-подключения или ручного ввода.
- Точки отказа: На этапе верификации документов терялось до 15% заявок — клиенты не дозванивались, не могли подтвердить доход, или менеджеры просто ошибались.
- Время: Ручной ввод данных с паспорта занимал 3–5 минут, проверка по базам — ещё 10–15 минут.
Этап 2: Разработка решения — «Скоринг-агрегатор»
Было решено создать внутренний сервис — назовём его «Скоринг-агрегатор» (название условное). Он должен был:
- Автоматически собирать данные из всех подключённых источников по API.
- Проверять паспорт на действительность через сервис МВД.
- Сопоставлять ФИО с базами недобросовестных заёмщиков (НБКИ, ОКБ и т.д.).
- Рассчитывать предварительный скоринговый балл на основе загруженных данных (без участия человека).
- Система сама «отсекала» заявки с недействительными паспортами или явными признаками мошенничества (например, совпадение телефона с «чёрным списком»).
- Менеджер видел только те заявки, которые прошли первичный фильтр. На их рассмотрение уходило уже не 45 минут, а 10–15.
Этап 3: Внедрение и первые результаты (гипотетические)
Внедрение заняло около 3 недель: интеграция с API, обучение сотрудников, тестирование на 50 реальных заявках.
Что изменилось:
- Время обработки заявки сократилось с 45–60 минут до 12–18 минут (включая проверку документов и звонок клиенту).
- Количество ошибок при вводе паспортных данных снизилось на 90% — система сама подтягивала данные из Госуслуг (через согласие клиента).
- Доля «отказных» заявок на этапе первичной проверки выросла с 5% до 18% — автоматика стала отсеивать подозрительных клиентов раньше.
- Менеджеры перестали тратить время на «пустые» заявки.
- Качество портфеля улучшилось: доля просрочек (NPL) через 3 месяца после внедрения снизилась до 5–6% (против 8–10% ранее).
- Количество одобренных займов выросло на 12–15% — за счёт того, что сотрудники успевали обработать больше заявок за смену.
Этап 4: Масштабирование и новые возможности
После успеха пилота МФО решила расширить функционал:
- Интеграция с онлайн-кассами (для проверки выручки ИП).
- Автоматическая выгрузка данных в систему управления рисками (для построения предиктивных моделей).
- Подключение дополнительных бюро (например, «Эквифакс» и «КредитИнфо»).
Ключевые уроки для бизнеса
- Автоматизация — это не про «увольнение людей», а про их освобождение. Менеджеры перестали быть «операторами ввода данных» и сосредоточились на сложных случаях и общении с клиентами.
- Качество данных — основа всего. Если API-источники «глючат» или выдают некорректную информацию, автоматика только ускоряет ошибки. Важно настроить мониторинг качества.
- Не пытайтесь автоматизировать всё сразу. Лучше начать с одного-двух процессов (например, проверка паспорта и базы недобросовестных заёмщиков), а затем постепенно добавлять новые модули.
Ответственное заимствование
Данный кейс носит исключительно иллюстративный характер. Все цифры, названия компаний и результаты являются гипотетическими. При принятии решений об автоматизации или изменении кредитных процессов обязательно:
- Проверяйте актуальные нормативные требования (ФЗ-151 «О микрофинансовой деятельности», указания ЦБ РФ).
- Консультируйтесь с юристами и специалистами по информационной безопасности.
- Оценивайте риски, связанные с обработкой персональных данных (152-ФЗ).
Часто задаваемые вопросы (FAQ)
В: Сколько времени занимает внедрение подобной системы?
О: В нашем гипотетическом сценарии — около 3–4 недель с учётом интеграции API и обучения. В реальности сроки зависят от количества подключаемых источников и сложности бизнес-процессов.В: Какие риски есть у автоматизации скоринга?
О: Основные риски: сбои в работе внешних сервисов (API), ошибки в данных (если клиент предоставил неверные сведения), а также юридические риски, связанные с обработкой персональных данных без согласия.В: Можно ли полностью отказаться от ручной проверки?
О: В нашей гипотетической модели — нет. Автоматика лишь ускоряет первичную проверку. Окончательное решение (особенно по «серым» заявкам) остаётся за человеком.В: Какие источники данных наиболее важны для микрозаймов?
О: Обычно это: кредитные бюро (НБКИ, ОКБ), база ФССП, проверка паспорта через МВД, а также собственные «чёрные списки» компании.Данный материал носит информационный характер и не является индивидуальной финансовой рекомендацией. Перед внедрением любых изменений в бизнес-процессы проконсультируйтесь со специалистами.
Комментарии (0)