Авторка эссе: Панфилова Ольга

Когда клиент только обращается в банк, например, чтобы открыть новую карточку или оформить кредит, перед банком возникает вызов. Как понять, насколько стоит доверять этому клиенту? Можно ли, например, давать ему деньги в долг и быть уверенным, что их не вернут? И не мошенник ли тот, кто открывает счёт?

До середины XX века банк едва ли мог с точностью сказать что-либо о заёмщике. Информация не могла быть полной и основывалась на том, что потенциальный клиент рассказывал о себе — или, скорее, какое впечатление он хотел предоставить. Например, Ю. Г. Серова, рассказывая о том, как учётно-ссудный комитет принимал решение, выдать ли купцу деньги, пишет, что в основе принимаемых решений «лежала субъективная оценка его членов о кредитоспособности лица, основанная на собственном опыте и осведомленности о конкретном человеке». Система основывала решения не на полноте всех имеющихся сведений о заёмщике, полученных «извне», как бы без внешних усилий, но на поручительстве — том, что о нём уже известно «экспертам», составляющим комитет. Можно сказать, что необходимость постоянно изучать клиента ещё тогда сформировала подход к информации как capta, взятому намеренно и структурированному набору фактов о клиенте. Но верно и другое утверждение — банк, рискуя деньгами и стремясь оставаться эффективным и прибыльным в условиях экономической нестабильности, стремился наращивать количество имеющейся информации о клиенте и учиться работать с ней более системно.

Неопределённость побудила банк действовать математически, пытаясь «просчитать» клиента. Так в XX веке появился скоринг — от английского score, или оценивать. Изначально он был нужен, равно как и учётно-ссудный комитет в Государственном банке, для того, чтобы решать, кредитоспособен ли клиент банка. В 1950-х появились первые кредитные агентства, которые разрабатывали стандартизированный процесс оценки заёмщиков, а в 1956 году инженер Билл Фэр и математик Эрл Айзек основали Fair, Isaac and Company (FICO) — компанию, которая разрабатывает статистическую модель для вероятности дефолта заёмщика. Эта технология повлияла на то, как банки выдают кредиты. До скоринга сам способ получения информации влиял на то, какие знания у заёмщика были у банка. Например, не имея нужных знакомств или должного мнения о себе, было сложнее получить деньги. И это подчёркивает одну из важнейших характеристик данных, описанных Р. Кинтичым — неотделимость capta от идей, инструментов, практик и контекстов их генерации, обработки и анализа. При переходе к скорингу как статистической системе сведения о клиентах, возможно, всё ещё остаются выборочными, но превращаются в более репрезентативных источник знаний, отделённый значительно от внешних суждений. А значит, повышается и доступность банковских кредитов для людей, которые не могли бы их получить по старым, более связанным с человеком методам оценки, но приобрели этот шанс в новых условиях.

В России скоринг в современном виде распространился относительно недавно — с появлением первых частных банков в 1990-х годах. Но, как и во всём мире, со временем он начал использоваться не только для оценки кредитных рисков, хоть это направление и осталось одним из самых важных для банков из-за риска потери денег. В. А. Алешин и О. О. Руднева выделяют несколько типов скоринга:

• Скоринг заявителя (Application scoring) — оценивается вероятность того, что новый клиент не выплатит кредит;
• Поведенческий (Behavioral scoring) — вычисляют уровни риска существующих должников на основе имеющихся данных о поведении заемщиков;
• По работе с просроченной задолженностью (Collection) — определяют, когда и какие именно меры должны быть приняты в отношении неплательщиков;
• Против мошенников (Fraud scoring) — оценивается вероятность того, что новый клиент нетявляется мошенником;
• Скоринг отклика (Response scoring) — оценивают реакцию потребителя (отклик) на направление ему предложения;
• Скоринг потерь (Attrition scoring) — оценивают вероятность использования продукта в дальнейшем или переход к другому поставщику продукта.

Все эти модели оценки позволяют банку более уверенно принимать решение о том, как общаться с клиентом — и какой доступ к продуктам ему давать. Но когда банк становится цифровым продуктом, предоставляемым онлайн, ему приходится адаптироваться и начинать использовать не только привычные методы улучшения опыта клиента за счёт правильной оценки его нужд и улучшений, но и за счёт последовательного анализа пользовательского пути.

Есть много методологий, которые описывают подходы к управлению развитием продукта. Но в основе всех из них — убеждение, что большое количество данных позволит работать эффективнее, прозрачнее и результативнее. Одним из первых шагов к современному data-driven подходу в IT было создание метода научного менеджмента Ф. Тейлором в 1911 году. Он предложил измерять производственные процессы, чтобы их оптимизировать и находить способы делать ту же работу быстрее. В 1930-х его исследования продолжил У. Шухарт в Bell Laboratories, сумев сократить количество брака.

Подход к развитию продукта, основанный на данных, развился, с одной стороны, под влиянием внедрения баз знаний и сквозной аналитики с одной стороны, а с другой — благодаря появлению концепции lean startup, или бережливый стартап, введённой Э. Рисом. Предприниматель объединил три главных принципа:

• поддержка бережливого производства — рациональное использование ресурсов для большей выгоды за счёт оптимизации процессов;
• гибкая методология разработки — постепенное внедрение изменений минимального объёма их тестирование;
• развитие клиентов — проверка и внедрение обратной связи от клиента.

Такой подход не учитывает природу данных — например, что способ сбора обратной связи от клиента может влиять на их полноту и возможность быть применёнными для улучшений, а на результаты экспериментов может влиять на то, что продуктовой команде может быть неизвестно, какие критерии оценки стоило на самом деле ввести, чтобы получить нужный результат. Информация, даже собранная в IT-компании при помощи продвинутых методов анализа, не может быть нейтральными данными — только кем-то преднамеренно собранной capta. Поэтому data-driven подход вызывает критику у современных продуктовых менеджеров. Например, Н. МакЭвили в публикации в своём блоге критикует этот подход за возможную переоптимизацию, игноригующую другие способы понять, как улучшить продукт. Качественные исследования, равно как и экспертная оценка, также должны быть использованы для принятия решения.

Банк, который стремится предоставлять клиентам сервис не только онлайн, но и оффлайн, развивается по правилам, которые приняты в разработке цифрового продукта, а не только финансового сервиса. Но для того, чтобы предоставлять пользователю новый опыт в цифровую эпоху, он должен пройти через датафикацию в условиях внедрения цифровых технологий.

В начале 2010-х К. Кьюкиер и В. Майер-Шёнбергер активно использовали термин «датафикация» для того, чтобы описать данные как ресурс, который позволяет извлекать всё новую информацию о действиях, смыслах и предпосылках социальных явлений. И, как оказалось, этот подход отражает то, как изменилось отношение к данным в финансовом секторе с появлением новых способов сбора, хранения и обработки информации.

Банки, желая снизить риски от операций и оптимизировать работу уже существующих алгоритмов оценки, стремятся в какой-то степени стать «паноптикумом» для своих клиентов, где создателя скоринга не видно клиентам, в то время как он оценивает все операции. Такое побуждение к власти приводит к внедрению цифровых технологий, от собственных баз данных для хранения операций, до внедрения блокчейна или ИИ для предсказания рисков, имеющих общую цель — научиться эффективнее работать со всё большими объёмами данных.

Защищая идею датафикации финансов, Дуглас У. Арнер, Джулиано Г. Кастеллано и Эрик К. Селга утверждают, что финансы стоит в наше время понимать как данные о платежах и перевода, а участники рынка работают, скорее, как сети передачи, обработки и использования данных. При этом, однако, они отстаивают возможность перехода от централизованного хранения банковских данных к open banking — парадигме, которая предполагает, децентрализацию и возможность передавать данные с согласия клиента финтех-компаниям и другим игрокам рынка, например, чтобы развивать персонализированных финансовых помощников. В каждой стране, как замечают авторы, эта модель open banking может быть своей. Например, в Великобритании главным инициатором стандартизации и открытости банковских данных в большей степени стало государство, а в США — сама отрасль. Но наличие общих подходов и большего количества информации о клиентах может позволить банкам выйти «за рамки» того объёма данных, что них уже есть, сделав его более репрезентативным. Можно сказать, что это — ещё одна попытка преодоления ограничений, наложенных на эти банковскую capta при появлении самой ограниченностью ресурсов её создателей.

Однако само по себе растущее стремление банков получать всё больше и больше информации о клиентах для успешной работы можно оценить и как зависимость — или датаизм, если обращаться к работам Й. ван Дейка. Более продвинутые алгоритмы работы с данными становятся не просто отраслевым «прорывом», который преподносится пользователю как забота о его комфорте в маркетинговых компаниях, но способом маскировки всё больших попыток тех, кто хранит данные, влиять на тех, с кем эти данные неразрывно связаны. Тем не менее, в отличие от многих других сфер экономики, банки не могут, например, так просто передавать все возможные данные научным институтам для их «легитимации» и обязаны делиться ими с государственными институтами только в особых случаях — из-за строгого юридического регулирования.

Несмотря на перспективы для развития, которые банкам предлагает внедрение цифровых технологий, их отношения всё ещё остаются регулируемыми существовавшими до этого в банковской сфере законодательными нормами, которые строго ограничивают возможности использования данных о пользователях.

В первую очередь эти ограничения связаны с понятием банковской тайны. Российское законодательство определяет её как «тайну об операциях, о счетах и вкладах ее клиентов и корреспондентов, а также об иных сведениях, устанавливаемых кредитной организацией». Такие данные не могут передаваться без согласия клиента, за исключением запроса от государственных органов. А значит — не могут так просто передаваться другим организациям.

Такое строгое внимание к данным существенно влияет на развитие «надзорного капитализма» внутри банковских приложений, претендующих на статус платформы с не только банковскими услугами. Поведенческий излишек не может быть использован в полной мере для того, чтобы сделать пользователя банка продуктом для рекламодателей, как это произошло, например, в описанном Зубофф примере с рекламными технологиями Google. Например, Т-Банк, имея доступ к информации о том, что я покупаю чаще всего, не может предложить на основе коммерческим партнёрам информацию о том, какие товары в разделе «Город» мне были бы более релевантны. В то же время у приложений маркетплейсов, не являющихся банковскими, нет таких ограничений на работу с «цифровыми следами» пользователей. Рассказывая о своих поисковых алгоритмах, Ozon пишет, что использует знание о предыдущем опыте пользователя и о свойствах, «которые оказались наиболее важными для покупателей в прошлом», чтобы запрос оказался как можно более точным. И поскольку данные, использованные для этого алгоритма, не являются банковской тайной, компания может использовать их в том числе для продвижения товаров продавцов.

Однако «экосистема» из партнёров и небанковских, которую строят банки вокруг себя — это не единственное место, где они могут продавать товары и услуги. Банковская тайна не отдаётся «вовне», если банк использует её для улучшения своего сервиса, «продавая» клиенту самого себя. Например, так происходит, если мы говорим о системе кешбэка. Ю. С. Эрзох называет её «одними из наиболее эффективных инструментов управления лояльностью клиентов в условиях высококонкурентного рынка». Сравнивая, какие категории предлагают те или иные банки, будущий клиент решает, где ему стоит открыть счёт. Поэтому важно грамотно рассчитывать, какие категории предложить пользователям с разными интересами. В Альфа-Банке, одном из крупнейших банков России, этот подход описали так: «Чем точнее наша модель рекомендаций определит категории, тем — с одной стороны — расходы на клиента корректнее впишутся в общий бюджет кампании, а с другой — клиент сможет получить максимально возможную выгоду». То есть, банк может предложить мне как клиенту, который часто ходит в кафе кешбэк в категории «Еда» или по совместной программе с партёром-рестораном. Если сумма, которую я получаю за такие покупки, будет слишком большой, в следующем месяце мне такую категорию не предложат. Но главная задача, которую банк ставил перед собой, будет выполнена за счёт информации обо мне — потому что я уже буду знать, что могу получать выгоду в этом банке.

Другой юридический аспект, который влияет на банки, — это обязанность раскрывать данные по требованию законодателя. Приватность банковских операций отходит на второй план, если государственным органам нужна информация, например, для раскрытия преступления. В России этот подход уже реализован: с 2023 года у правоохранительных органов появилась возможность автоматически, без согласия клиента, получать доступ к информации об операциях по счёту. Изначально эта мера направлена на то, чтобы предотвратить мошенничество ещё до обращения в правоохранительные органы. Но это же решение выводит из «серой» правовой зоны многие действия, которые клиент хотел бы не показывать публично. Поэтому, например, сейчас могут заблокировать карту за перевод криптовалюты по 115-ФЗ — для государства эта сфера недостаточно подконтрольна законам, а значит, лучше «перестраховаться» и заблокировать карту клиента с такими операциями заранее, чем ждать совершившегося цифрового преступления. Эта логика законодательства не связана с продуктовым подходом, принятым в современных банках, и поэтому влияет на «привычный» клиентский опыт. Банк не кажется таким безопасным, когда есть риск перестать быть его клиентом, если про твои «неодобряемые» действия узнало государство.

Банки научились думать о клиенте как о представителе какого-либо сегмента, получив больше знаний о нём. Например, С. С. Кона выделяет такие способы сегментации:

• демографические характеристики (пол, возраст, образование и работа);
• поведенческие характеристики (покупательские привычки);
• психографические характеристики (образ жизни, личные качества);
• географические характеристики (экономические, социальные и культурные факторы).

Такой подход близок к продуктовому — подразумевающему, что пользователей можно разделить на определённые категории, чтобы найти подходящие аудитории и предлагать каждой из них решение её специфических проблем. При этом он наследует и скорингу, более пятидесяти лет использующемуся в банковской сфере для оценки риска клиента по его портрету. Но в любом случае клиент сталкивается с тем, что его характеристики (в том числе те, на которые сложно повлиять самостоятельно — как происхождение или пол) влияют на то, каким его видит банк и какой сценарий использования продукта ему предлагает.

Можем ли мы говорить о том, что для пользователя вся долгая история развития банковского цифрового сервиса оказалась не более чем появлением очередного алгоритмического «чёрного ящика»? С одной стороны, это не совсем так. Например, современные банки обязаны рассказывать, как формируется рейтинг. Например, американским банкам стоит сообщать о том, какие факторы влияют на скоринг, аналогичную информацию предоставляет и российское Бюро кредитных историй по запросу того, чей рейтинг нужно посмотреть. С другой стороны, банки не обязаны говорить, как работают конкретные алгоритмы оценки пользователей.

Ф. Паскуале называет финансовые алгоритмы примером «чёрного ящика», который умело скрывает от всех внешних игроков свои возможности и правила работы. Клиент банка может и не знать, как на самом деле его данные используются внутри системы, в том поле, которое входит в пространство рассмотренной ранее банковской тайны — а значит, скрыто и для мошенника, и для критика. Но это поле не скрыто от проблем, связанных с самим качеством данных и алгоритмов. Сведения о клиенте могут быть неполными, а алгоритм — излишне переусложнённым. И это ведёт к таким кризисам, как обвал рынка 2008 года, когда все поверили большим данным и большим корпорациям.

К сложности и непрозрачности банковских алгоритмов добавляется и продуктовая аналитика, попытка «просчитать» действия клиента, чтобы увеличить приток денег в банк. В этой сфере банковское приложение конкурирует с другими подобными — а знание о пользователе нужно для того, чтобы предложить самый простой и работающий способ увеличить конверсию в успешное действие, приносящее компании деньги.

Не могу не вспомнить пример, который иллюстрирует это, с моей стажировки в банке. Оцифровав путь пользователя, моя команда узнала, что клиенты открывают один из способов перевести деньги в списке, но после этого не делают сам перевод. Появилась гипотеза — что если пользователи путают этот способ с другим? Визуально отделив на экране разные виды переводов, чтобы более заметным оказался тот, скорее, который был нужен ушедшим с экрана пользователям, мы получили рост конверсии. Но как для продуктового редактора для меня важнее то, что мы за счёт данных повлияли на опыт многих конечных пользователей.

Я не знаю, как и в каком контексте эти клиенты использовали приложение моего работодателя. Мне не известно и то, насколько они думали о том, как работают алгоритмы банка и что о них уже знают, когда предлагают рекламу новой карточки и кредита. Но если датафикация позволила бы улучшить их опыт взаимодействия с банком, это было бы уже положительным влиянием того, что мы оцифровываем и прогнозируем пользовательский путь. Главное, на мой взгляд, чтобы банки, находясь под влиянием собственной коммерческой тайны, юридических ограничений и других форм влияния на свой «чёрный ящик», помнили о том, что прозрачность и не-манипулятивность повышает доверие — а значит, и веру в то, что система работает и ей можно доверить деньги.