Модели оценки рисков клиентов в банке

        Сохранение на национальном уровне достаточно высокой доли теневой экономики и высокой доли оборота наличных денежных средств, использование номинальных юридических лиц (фирм-однодневок), сокрытие денежных средств и активов, полученных в результате совершения преступлений в иностранных юрисдикциях, несовершенство отдельных норм действующего законодательства в части противодействия незаконному выводу денежных средств за рубеж и обналичиванию требуют от кредитных организаций активной модернизации подходов к защите от угроз отмывания денег.

        Если обратить внимание на современные достижения в области обработки больших данных, то становится очевидно, что для применения методов статистического моделирования в целях противодействия легализации преступных доходов открываются широкие возможности. Данная статья посвящена опыту внедрения и применения моделей на больших данных в целях комплаенс на примере АО «Райффайзенбанк».

        Инструменты противодействия отмыванию денег

        При выборе инструментов противодействия угрозам на практике, как правило, отдается предпочтение набору способов и средств, позволяющему с минимальными затратами и высокой эффективностью не допустить ущерба. Если говорить о противодействии проведению сомнительных операций в банке, то реализация оперативной оценки и раскрытия угрозы отмывания денег до того, как с потенциальным клиентом будут установлены отношения, а также до момента осуществления операции клиентом в процессе его обслуживания, позволит не допустить нанесения ущерба, связанного с использованием услуг банка в противоправных целях.

        Сам факт осуществления сомнительной операции в банке, даже оперативно выявленной по факту ее проведения в режиме последующего контроля, позволяет говорить о том, что ущерб, обусловленный фактической передачей денег получателю в целях отмывания указанных средств, уже нанесен. В данном случае для снижения рисков вовлечения банка в противоправные схемы в качестве эффективного инструмента противодействия осуществлению сомнительных операций следует считать набор средств, позволяющий максимально оперативно и точно, основываясь на достаточно большом количестве данных, предсказать, оценить угрозу отмывания денег и эффективно реагировать на ее появление.

        Очевидно, что решение данной задачи не представляется возможным без должного уровня автоматизации процессов предупреждения, выявления, оценки и реагирования на угрозы отмывания денег до момента нанесения ущерба.

        На практике банк развивает следующий набор последовательных путей решения упомянутой выше задачи, предусматривающих применение оценки вероятности осуществления сомнительных операций.

1. Выявление критично рисковых потенциальных клиентов до момента установления отношений и реализация законного права банка не принимать их на обслуживание. С одной стороны, это превентивная мера, которая делает невозможным проведение в банке сомнительных операций таким лицом. С другой стороны, к качеству процесса выявления указанных лиц предъявляются очень высокие требования — оценка вероятности осуществления сомнительной деятельности конкретным лицом осуществляется без анализа его операций (ведь в банке они еще не проводятся).
2. Предотвращение сомнительных операций действующих клиентов. Это означает, что клиент уже обслуживается в банке, но по ряду причин, описанных далее, его операция попала на контроль до ее осуществления. Решение о проведении отобранной операции принимается аналитиком по результатам ее проверки.
3. Сокращение времени реакции на необычное поведение клиента, выявленное в рамках последующего контроля совершенных им операций. Предсказание вероятности осуществления клиентом деятельности в целях отмывания денег осуществляется силами транзакционных моделей на основании статической и динамической информации.

        Если говорить о первом пункте, то в процессе принятия на обслуживание потенциальных клиентов, кроме проверок на базовые условия, дополнительно осуществляются:

• простая проверка по спискам критично рисковых лиц;
• анализ данных с целью выявления специальных критериев, когда требуется непосредственное участие аналитика;
• проверка действительности профиля клиента;
• скоринг на основании внутренних и внешних данных.

        Следует отметить, когда оценка потенциального клиента осуществляется работником банка в ручном режиме, можно полагаться только на формальные признаки вероятной вовлеченности субъекта в схемы отмывания денег — оценку риска в данном случае нельзя считать достаточно объективной. Принимая во внимание стремление банка минимизировать риск ошибки в отношении конкретного потенциального клиента применение статистических моделей позволяет объективно оценить риски отмывания денег указанным лицом и принять обоснованное решение перед заключением договора на обслуживание.

        После принятия клиента на обслуживание для банка открывается новый источник данных для оценки деятельности клиента — проводимые в банке операции. Как правило, для анализа действующих клиентов в основном используются именно транзакционные данные, однако банк также учитывает и данные, полученные в отношении конкретного клиента из разных источников. Практика показывает, что обработка совокупности статических и транзакционных данных в целях оценки риска отмывания денег на уровне математических моделей дает наиболее точный и объективный результат в отношении действующих клиентов.

        Если при осуществлении последующего контроля используются модели на больших данных с логикой работы, основанной на обучении в процессе применения решений множества сходных задач, — машинное обучение, то для работы в режиме реального времени используется более простая логика на уровне правил и предварительно рассчитанных параметров. Во множестве типовых случаев, когда не требуется ручная обработка результатов работы моделей, для своевременного реагирования на выявленные угрозы применяются специальные программы, автоматически выполняющие определенные действия в рамках условий обслуживания клиентов, — так называемые роботы. Данный подход позволяет аналитикам банка уделять больше времени действительно сложным случаям и не тратить его на очевидные, типовые ситуации.

        Модельный ряд: становление и успех

        Модели для оценки риска для потенциальных клиентов

        На протяжении нескольких лет поступательно ужесточаются требования для банков в части противодействия отмыванию денег — со временем работать требуется еще быстрее и точнее.

        Поскольку наиболее рисковым сегментом считается средний и малый бизнес, банк активно развивает решение, нацеленное на оценку риска отмывания денег с помощью статистических моделей в отношении относящихся к данному сегменту потенциальных клиентов, обратившихся в банк для заключения договора на рассчетно-кассовое обслуживание.

        Практика показала, что наиболее точный результат оценки дает сочетание простых формализованных проверок и скоринговой модели, построенной на реальной внутренней статистике банка в сочетании с внешними данными.

        Например, при принятии решения об открытии счета потенциальному клиенту. Также при постконтроле активности клиента в банке (особенно это актуально в начале обслуживания клиента, когда он еще не накопил достаточное для объективного анализа количество операций) применение статистической модели существенно улучшило качество контроля. Модель пригодилась и для сценариев онлайн-контроля — позволяет более точно оценивать риск операции в целях отмывания денег с учетом профиля конкретного клиента.

        В самом начале разработок была проанализирована предсказательная сила модели, построенная исключительно на внутренних данных банка. В итоге главный вывод состоит в том, что даже на таких лаконичных данных можно относительно точно предсказывать вероятность проведения анализируемым лицом сомнительных операций, если для него будет открыт счет в банке.

        Первые практические шаги в применении статистической модели для оценки риска отмывания денег потенциальными клиентами банк сделал в 2016 году — на тот момент модель учитывала исключительно внутренние данные банка.

        Однако для того, чтобы улучшить качество модели, построенной исключительно на внутренних данных, необходимо использовать еще какую-либо дополнительную информацию.

        Так, в 2017 году проанализировали множество различных внешних источников данных и был выбран один из них для практического использования, после чего качество модели выросло более чем на 10%. Улучшение качества модели связано с тем, что внешняя информация в отношении потенциального клиента, по своей сути, содержит сведения иного рода, нежели внутренние данные банка, что качественно в лучшую сторону изменило предсказательную силу модели. Был еще один фактор успеха новой модели: параллельно был улучшен алгоритм обработки внутренних данных.

        После этого, уже в 2018 году, был проведен дополнительный анализ множества источников данных, в результате чего выявили еще один источник внешних данных, который сам по себе работал со средней силой, однако позволил еще больше увеличить предсказательную способность ансамбля моделей. Если говорить о цифрах, то это более чем пятипроцентный рост, опять же с учетом того, что модель на внутренних данных была в очередной раз обновлена.

        Летом 2019 года снова доработали модель, обогатив ее дополнительными данными, доступными внутри банка, и стали более эффективно использовать внешние данные, за счет чего получили дополнительный прирост в предсказательной силе модели.

        Для выбора лучшего ансамбля моделей использовалась специальная метрика, основанная на бизнес-процессе, который обеспечивается в результате работы модели:

• для критично рисковых потенциальных клиентов — реализация законного права банка не принимать на обслуживание;
• для относительно рисковых потенциальных клиентов — открытие счета в банке с рядом условий в обслуживании;
• для потенциальных клиентов с низким уровнем риска — открытие счета в банке в стандартном режиме обслуживания.

        Очевидно, что данный подход требует очень точно определять оттенки внутри группы потенциальных клиентов с уровнем риска, отличным от низкого — для группы с низким уровнем риска точность определения внутренних отличий не критична.

        Для достижения этой цели была создана метрика, которая оценивает точность модели в нижних скоринговых баллах. Технически локальный балл, который строится на внутренних данных банка, является результатом применения логистической регрессии с L1 регуляризацией, а «ансамблирование» баллов происходит с помощью дерева решений. Высокий результат при максимальной наглядности и гибкости выделили данный подход для практического применения в будущем.

        За моделью необходимо «ухаживать» и систематически наблюдать за ней. Так, для проверки качества работы модели банк осуществляет ежемесячный мониторинг ее состояния. Если в результате мониторинга состояния модели установлено снижение предсказательной способности, то модель перестраивается по новым данным.

        Следует отметить, что важным моментом является ведение корректного учета лиц, не принятых на обслуживание в результате работы модели. Дело в том, что по причине отсутствия реальных транзакционных данных указанной группы лиц у банка нет возможности определить, насколько действительно операции этих лиц имели бы отношение к отмыванию денег, если бы банк их все-таки принял на обслуживание.

        Если выделить небольшую часть потенциальных клиентов (так называемую фокус-группу), в отношении участников которой рассчитан низкий скоринговый балл, препятствующий установлению отношений с банком, но несмотря на скоринг, открыть счета для этой группы лиц, то по реальному поведению фокус-группы можно оценить в целом, насколько рисковыми явились для банка ее участники, и сопоставить эту оценку с ожиданиями. Если ожидания подтверждаются, то модель разработана и внедрена корректно.

        Модель оценки риска для действующих клиентов

        Как уже упоминалось выше, для оценки рисков отмывания денег действующими клиентами банк применяет скоринг-модели, построенные на транзакционных данных, в сочетании с анализом анкетных данных клиентов.

        Далее рассмотрим особенности моделей, построенных для оценки риска отмывания денег юридическими лицами, индивидуальными предпринимателями и физическими лицами, соответственно.

        Модель оценки риска для юридических лиц и индивидуальных предпринимателей

        Для юридических лиц и индивидуальных предпринимателей разработана поведенческая модель, которая анализирует в основном осуществляемые в банке транзакции, при этом анкетным данным клиентов также уделяется достаточное внимание при определении скорингового балла.

        Работа над моделью началась с определения параметров (было протестировано более 150 позиций), по которым оценивается деятельность клиента на основании рекомендаций Банка России, Росфинмониторинга и внутренней экспертизы. В расчет были приняты такие показатели, как налоговая нагрузка, структура платежей в разрезе хозяйственной деятельности в целом, параметры отдельных операций, а также другие показатели, позволяющие оценить реальность ведения хозяйственной деятельности и ее соответствие правилам и требованиям.

        В создание рабочего набора параметров были вовлечены специалисты, обладающие разноплановой экспертизой: аналитики в области противодействия отмыванию денег, непосредственно разработчики модели и др. При выборе параметров проверялась их статистическая значимость, а также их вклад в финальную модель.

        Особенность поведенческой модели такова, что она «смотрит» на общие тренды, а не на отдельные типологии, то есть модель не выявляет конкретные схемы движения денег, а по совокупности параметров показывает клиентов, осуществляющих операции, вероятно связанные с отмыванием денег.

        Модель по сути состоит из двух частей: медленная, которая обрабатывает операции за большой интервал времени, и быстрая, которая «смотрит» на самые свежие операции. Такой подход позволяет быстро и достаточно точно идентифицировать подозрительное поведение.

        На основании уровня риска и профиля клиента выявляются три группы рисковых клиентов по признакам вероятного обналичивания, транзита денежных средств и операций смешанного типа по первым двум признакам. При этом в отношении каждой из групп применяется своя мера, которая минимизирует риск продолжения совершения подозрительных операций.

        Как уже отмечалось выше, важно регулярно проверять качество работы модели и при необходимости ее перестраивать, т. к. недобросовестные хозяйствующие субъекты находят новые способы реализации противоправных действий и их поведение постоянно меняется.

        Модель оценки риска для физических лиц

        В среднем, уровень риска отмывания денег физическими лицами ниже, чем для юридических лиц, однако в абсолютном выражении данный сегмент содержит значительное количество участников, вовлеченных в противоправные схемы в целях отмывания денег.

        Для выявления клиентов — физических лиц, вовлеченных в схемы отмывания денег, была создана поведенческая модель, состоящая из двух частей: медленной и быстрой, аналогично модели для юридических лиц. Быстрая часть модели состоит из нескольких переменных, которые были отобраны из тестовой группы, состоящей из более чем ста шестидесяти позиций. По аналогии с поведенческой моделью для юридических лиц большая часть переменных имеет отношение к транзакциям клиента, при этом также учитываются и имеют важное значение анкетные данные клиента.

        Все активные клиенты на основании проводимых операций с помощью модели относятся к одной из четырех групп, отличных друг от друга по степени реакции банка на проводимые операции в зависимости от вероятности обналичивания денег.

        В случае наличия критично высокого риска отмывания денег оперативно прекращается дистанционное обслуживание клиента, осуществляющего такие операции. Операции с умеренным риском обрабатываются аналитиками в ручном режиме.

        Важно отметить, для распределения по группам недостаточно знать только риск конкретной операции — для указанных целей используются простые правила, основанные на шаблоне поведения клиента, а также его анкетных данных и банковских продуктах.

        С начала осени 2019 года модель была полностью перестроена. Для этого были заново проверены все известные лучшие переменные и дополнительно создано более ста новых переменных. Также были использованы более сложные математические алгоритмы, а именно градиентный бустинг над ансамблем деревьев. При этом проверка правильной работы зависимостей и частичная интерпретируемость результата была достигнута с помощью значений Шепли из теории игр. В настоящий момент продолжается тестирование обновленной модели в «боевом» режиме.

        С учетом того, что все больше внимания регулятора уделяется способности банков заранее предотвращать проведение сомнительных операций, не допуская нанесения ущерба, банк сконцентрировался на применении набора различных инструментов, позволяющих заблаговременно с высокой вероятностью предсказывать, надежно пресекать и прекращать проведение в банке операций в целях отмывания денег.

        Важно отметить, что применяемые сценарии основаны на рекомендациях Банка России, Росфинмониторинга и внутренней статистике, а модели — в основном на внутренней статистике, но для потенциальных клиентов банк дополнительно использует и внешние данные.

        Более сложные подходы к моделированию требовательны к количеству и качеству данных, однако полученный результат того стоит. Кроме того, все модели нуждаются в регулярном мониторинге и обновлении, чтобы учесть изменения в поведениях клиентов, экономической ситуации в стране и, конечно, информации от Росфинмониторинга и Банка России. В рамках мониторинга банк оценивает и пересматривает качество своих моделей каждый месяц.

        Кроме регулярных обновлений моделей, планы на будущее включают в себя поиск и анализ новых источников данных, более детальную оценку связей клиента, дальнейший переход к инструментам онлайн-контроля и роботизации процессов.