Практика банка

ИИ-решения в нашем банке

Реальные проекты банка: от речевой аналитики и документов до кредитов и взыскания

Речевая аналитика: качество обслуживания

Речевая аналитика · основной отчёт

1

Масштаб анализа

368 518 из 925 625 звонков

2

Автоматическая оценка

Без ручного прослушивания

3

Карточка звонка

Содержание, настроение, жалоба

Данные за 01.02.2026–08.05.2026 · номера телефонов скрыты

Речевая аналитика: разбор звонка

Речевая аналитика · карточка звонка

1

Запись с разделением ролей

Оператор и клиент отдельно

2

Расшифровка с таймкодами

По тексту можно искать

3

Настроение, жалоба, темы

И краткое содержание разговора

4

Оценка по критериям

Приветствие, завершение, ожидание

Номер клиента и идентификаторы скрыты

Сверка документов филиалов с эталоном

Документооборот · сравнение файлов

1

Сходство с эталоном

99%, изменения на 1 из 15 страниц

2

Изменена сумма кредита

300 000 вместо 255 000 долларов

3

Изменён срок

12 месяцев вместо 36

4

Назначение ответственного

Расхождение уходит на проверку

Пример сравнения шаблона кредитного договора и копии филиала

AI-метрики

Сверка документов: метрики

OCR
с августа 2026

descriptionДоговоров проверено ИИ

2 130

с запуска в августе · прогноз ≈4 000 к концу года

авгсеноктноядек

targetТочность сверки

99%

boltСкорость проверки

×2

personВручную30 мин

smart_toyС ИИ15 мин

scheduleЭкономия времени

200 ч

в месяц · 532 ч с августа

memoryАнализ одного договора

7–8 мин

OCR

Проверка кредитных договоров филиалов с эталонным шаблоном

Метрики кейса сверки документов. Система работает с августа 2026 года. С запуска ИИ проверил 2 130 договоров — около 800 в месяц; при таком темпе к концу года выйдем примерно на 4 000. Точность сверки с эталоном — 99%. Проверка ускорилась в 2 раза: вручную сотрудник тратил 30 минут на договор, с ИИ — 15 минут. Экономия 15 минут на договоре даёт 532 часа с августа, или около 200 часов в месяц. Сам анализ договора моделью занимает 7–8 минут, остальное время — проверка результата сотрудником.

Отчёты по льготным кредитам для Министерства экономики и финансов

Отчёты для Министерства экономики и финансов · реестр и карточка кредита

1

Единый реестр кредитов

5 007 кредитов загружаются из БД автоматически

2

Контроль статусов и сроков

Новые кредиты и кредиты с истекающим сроком

3

Автозаполнение карточки

Сотрудник вносит только KPI и заключение

4

Отправка на согласование

Отчёт передаётся руководителю в один клик

Второй проект — отчёты по льготным кредитам для Министерства экономики и финансов. По кликам: сначала реестр — все льготные кредиты банка, больше пяти тысяч, автоматически загружаются из базы данных. Дальше — контроль статусов и сроков: видны новые кредиты и кредиты с истекающим сроком рассмотрения. Затем карточка кредита: данные о заёмщике и кредите заполнены автоматически, сотрудник вносит только KPI и заключение. И последний шаг — одна кнопка «Отправить на проверку»: отчёт уходит руководителю, а после одобрения — в реестр для Министерства экономики и финансов.

С запуска в июле 2026

Отчёты для Министерства экономики и финансов: результат

Что дала единая система за первые месяцы работы

task_alt3 850

кредитов отчитано в Министерство экономики и финансов

все прошли через систему

bolt×4

быстрее заполнение

15 минут на кредит вместо часа

schedule≈2 900 ч

рабочего времени сэкономлено

по 45 минут на каждом кредите

verified100%

отчётов проверил руководитель

до отправки в Министерство экономики и финансов

Онлайн-декларация о конфликте интересов

HR-портал · декларации кандидатов

1

Панель HR

Кандидаты и статусы в одном окне

2

Новый кандидат

Доступ создаётся автоматически

3

Онлайн-декларация

Кандидат заполняет форму сам

4

Электронная подпись

Подпись прямо на экране

5

PDF и отправка

Документ уходит в HR на проверку

Третий проект — онлайн-декларация о конфликте интересов для кандидатов. По кликам: панель HR — все кандидаты и их статусы в одном окне. HR создаёт кандидата: вводит только ФИО и email, доступ для входа формируется автоматически. Кандидат заходит по ссылке и заполняет декларацию онлайн — его ФИО уже подставлено. Затем ставит электронную подпись прямо на экране. Система формирует PDF-документ, кандидат проверяет его и отправляет в HR на проверку. Бумажные бланки больше не нужны.

С запуска в сентябре 2026

Онлайн-декларации кандидатов: результат

Декларация о конфликте интересов заполняется и подписывается кандидатом онлайн

assignment_turned_in640

деклараций подано онлайн

кандидаты заполнили их самостоятельно

bolt×4

быстрее обработка в HR

10 минут на кандидата вместо 40

schedule≈320 ч

рабочего времени HR сэкономлено

по 30 минут на каждом кандидате

draw100%

с электронной подписью

PDF сразу в архиве, без бумажных бланков

Третий проект — онлайн-декларации о конфликте интересов для кандидатов. HR отправляет кандидату ссылку и доступ, кандидат сам заполняет декларацию на русском, узбекском или английском, ставит электронную подпись, и готовый PDF сразу попадает в систему на проверку HR. С запуска в сентябре так подано 640 деклараций. Обработка одного кандидата в HR сократилась с 40 до 10 минут — это около 320 часов сэкономленного времени. Все декларации подписаны электронно и хранятся в архиве без бумаги.

Платформа подготовки бизнес-планов

Анкета заявителя: правовая форма и статус бизнеса.

От анкеты предпринимателя до финансового прогноза и документа

Бизнес-планы: результат

От анкеты предпринимателя до готового бизнес-плана

Экономия времени

83%

меньше времени
на подготовку

одного бизнес-плана

×6

быстрее подготовка

20 минут на план вместо 2 часов

Время на один план

Вручную120 мин

С платформой20 мин

Поздравление клиентов: календарь дней рождения

Поздравление клиентов · календарь

1

Дни рождения месяца

Цвет статуса и уровень важности

2

Действия из календаря

История и следующий шаг

3

Оформление подарка

Одна форма, одобрение сразу

Демонстрационная среда · данные клиентов вымышленные

Поздравление клиентов: от карточки до реестра

Поздравление клиентов · клиенты

1

Карточка клиента

Дата, уровень, история подарков

2

Вручение с фото

Комментарий и фото к вручению

3

Реестр подарков

Подарки года, суммы и статусы

Демонстрационная среда · данные клиентов вымышленные

По данным системы на 20.10.2026

Поздравление клиентов: результат

Дни рождения, подарки и вручения клиентов ведутся в одной системе

cake500

клиентов в одном календаре

учредители и директора 15 компаний

bolt×2

меньше шагов до вручения

2 шага вместо 4, без этапа согласования

redeem4 года

истории подарков в одной базе

791 подарок на 654,9 млн сум

verified100%

действий в журнале

оформление, правка и вручение с автором

Проект «Поздравление клиентов». Раньше дни рождения учредителей и директоров вели в общем Excel-списке «База»; теперь всё в одной системе: 500 клиентов из 15 компаний в одном календаре. Путь от плана до вручения сократился с четырёх шагов до двух: подарок одобряется сразу при оформлении, затем менеджер отмечает вручение с фото. За 2023–2026 годы в системе 791 подарок на 654,9 млн сум, расходы видны по любому году. Каждое оформление, изменение и вручение записывается в журнал с автором и временем, править журнал нельзя.

Ежемесячный процесс

Утверждение функциональных ролей KPI

Каждый месяц 131 филиал подтверждает, кто из сотрудников продажник, транзакционист и кассир. По этим ролям считается KPI

1

Список из кадровой системы

Сотрудники филиала подгружаются из SAP HCM — вручную никого не вносят

2

Бухгалтер выставляет роли

Выбор ограничен ролями, которые бывают в его отделе

3

Три подписи по цепочке

Управляющий, территориальный директор, приём в ДООиП

4

Выгрузка в витрину

Принятый отчёт уходит в базу, по которой считается KPI

Рабочий экран ДООиП · ход сдачи по месяцам

Экран ДООиП: плашки со сводкой, ход сдачи по месяцам и фильтры по филиалу, месяцу и этапу

Четвёртый проект — ежемесячное утверждение функциональных ролей KPI. Раньше филиалы собирали эти списки в Excel и присылали почтой, а сводили их руками. Теперь состав сотрудников приходит из кадровой системы сам, бухгалтер только выставляет роль каждому, причём выбор ограничен ролями его отдела: в отделе бизнес-клиентов нельзя выбрать розничную роль, в кассовом — ничего, кроме кассиров. Дальше список идёт по цепочке подписей: управляющий, территориальный директор, приём в ДООиП. Вход в систему — по доменной учётной записи, роль и филиал определяются автоматически по кадровым данным. Принятый отчёт уходит в витрину, по которой считается KPI.

Первый месяц работы, август 2026

Роли KPI: результат

Единый процесс для всей сети вместо Excel-файлов по почте

scheduleминуты

вместо нескольких дней на отчёт филиала

сбор, подписи и выгрузка — в одной системе

contacts1 223

сотрудника с ролями

выставлены, подписаны и приняты

account_balance131

филиал в системе

67 отчётов принято за август

database100%

данных ушло в витрину

без ручного переноса и сверки

Главное изменение — сроки: раньше филиал собирал список в Excel и согласовывал его по почте несколько дней, теперь сбор, подписи и выгрузка занимают минуты. Результат первого месяца: через систему прошло и принято 67 отчётов филиалов, это 1 223 сотрудника с утверждёнными ролями. Все данные ушли в витрину автоматически — раньше их переносили и сверяли руками. В системе все 131 подразделение сети: операционные центры, центры и офисы банковских услуг. За сентябрь процесс идёт тем же порядком: 65 отчётов уже на контроле ДООиП, это ещё 1 208 сотрудников. У каждого этапа есть подпись с датой и временем, а любое действие видно в журнале.

Реверсивный факторинг

Факторинг: скоринг и лимиты

Платформа собирает данные клиента в банке, оценивает риск и рассчитывает лимит. Решение принимает сотрудник

databaseШаг 1

Данные в одной карточке

Обороты по счетам, кредитный портфель, валютные контракты и санкционные списки

199 769юрлиц доступны для оценки

arrow_forward

analyticsШаг 2

Скоринг A–D

Грейд по оборотам и кредитной истории, стоп-факторы проверяются автоматически

4 305юрлиц с грейдом D: стоп-факторы или высокий риск

arrow_forward

task_altШаг 3

Лимит и решение по сделке

Лимит, срок и аванс дебитора; по сделке — страна, санкции и поставщик

30 135юрлиц с рекомендованным лимитом

Ещё один проект — платформа для реверсивного факторинга. Задача: быстро и единообразно ответить, сколько можно дать дебитору и как платить поставщику по конкретной сделке. Шаг 1: система сама собирает по клиенту обороты по счетам, кредитный портфель, реестр валютных контрактов и санкционные списки — оценить можно любое из почти 200 тысяч юрлиц банка. Шаг 2: скоринг присваивает грейд от A до D; стоп-факторы — просрочка, суд, списание, плохой класс качества — сразу переводят клиента в грейд D. Шаг 3: по грейду и оборотам рассчитываются лимит, срок и аванс, а по сделке проверяются страна, санкции и сам поставщик. Решение за сотрудником: он может изменить рекомендацию системы, но только с указанием причины.

Раздел «Риски»

Риски: дебитор и поставщик в паре

Хорошего дебитора мало: важно, с кем он работает. Поэтому каждую сделку оцениваем с двух сторон

storefrontДебитор · покупатель

Сможет ли вернуть деньги банку?

Хватит ли его поступлений, чтобы погасить сумму в срок отсрочки

Грейд A–DСвободный лимитСумма к возврату / поступления

sync_alt

local_shippingПоставщик · продавец

Сможет ли поставить товар?

Реальная ли компания и соразмерен ли договор её обороту

История сделокДоговор / оборотСтранаСанкцииКруговая схема

arrow_forward

handshakeПара · итог

Сколько платить сразу?

Чем надёжнее пара, тем больше банк платит поставщику сразу; остаток — после оплаты дебитором

0из 221

проблемных сделок там, где система платила бы поставщику 100% сразу

100%0%

85–99%2,4%

70–84%17,9%

Раздел «Риски» — вторая половина платформы. Лимит дебитора ещё не ответ на вопрос, можно ли финансировать конкретную сделку: важно, с кем он работает. Поэтому сделку оцениваем в паре. По дебитору — грейд, свободный лимит и хватит ли его поступлений, чтобы вернуть сумму в срок отсрочки. По поставщику — история сделок, соразмерен ли договор его обороту, страна, санкционные списки и нет ли круговой схемы, когда деньги возвращаются к самому дебитору. Итог — доля, которую банк платит поставщику сразу; остальное — после оплаты дебитором. Это подтвердилось на 666 сделках проекта: там, где система платила бы 100% сразу, — 221 сделка — проблемных не было ни одной; при выплате 85–99% сразу проблемных 2,4%, при 70–84% — почти 18%. То есть чем осторожнее система, тем выше реальный риск.

Проверено на истории проекта

Факторинг: результат

Скоринг проверен на 666 сделках факторинга за 01.2025–09.2026

verified0,9%

проблемных сделок у дебиторов грейда A

Грейд A0,9%

Остальные19%

policy35 181

санкционная запись OFAC и ЕС

сверка каждого поставщика по названию и стране

public15 110

иностранных поставщиков с историей

по 29 148 валютным контрактам банка

boltсекунды

на расчёт лимита и сделки

с пошаговым расчётом и причинами решения

Главный результат — скоринг действительно разделяет риск. Мы прогнали его на истории проекта: 666 сделок факторинга за январь 2025 — сентябрь 2026. У дебиторов с грейдом A проблемных сделок меньше одного процента — 5 из 588, у остальных грейдов — 19%, 15 из 78. Каждый поставщик сверяется с санкционными списками OFAC и ЕС — это более 35 тысяч записей, а по иностранным поставщикам система видит историю по 29 тысячам валютных контрактов банка. Расчёт лимита и сделки занимает секунды, и по каждому решению видно, как оно посчитано и почему.

Soft collection · pre-collection

Pre-collection: связаться до просрочки

За 5 дней до платежа модель оценивает риск срыва по каждому кредиту и ставит рискованных клиентов первыми в очередь на контакт

notifications_active event flag

−5 днейпрогноз и контакт

День платежапо графику

+10 днейбыл ли выход в просрочку

databaseШаг 1

Профиль заёмщика

История платежей по кредиту, кредитное бюро КАТМ и активность по картам

≈500 тыс.кредитов в истории обучения

arrow_forward

insightsШаг 2

Оценка риска срыва

Модель считает вероятность выйти в просрочку по ближайшему платежу

0–100%скор риска по каждому кредиту

arrow_forward

support_agentШаг 3

Очередь на контакт

Самые рискованные — первыми: напоминание до того, как платёж пропущен

Колл-центрSMSРобот-обзвон

Ещё один проект — pre-collection, мягкое взыскание до просрочки. Задача: заранее понять, кто из заёмщиков, скорее всего, пропустит ближайший платёж, и связаться с ним раньше, чем долг станет просроченным. Шкала сверху: за 5 дней до даты платежа по графику модель делает прогноз, а через 10 дней после даты платежа мы проверяем, был ли выход в просрочку хотя бы на день — так модель и обучалась. Шаг 1: по кредиту собирается профиль — история платежей, данные кредитного бюро КАТМ и активность по картам; в обучении около 500 тысяч кредитов. Шаг 2: модель выдаёт скор риска. Шаг 3: список сортируется по скору, и самые рискованные клиенты идут первыми в колл-центр, SMS или робот-обзвон. Отдельного интерфейса нет — результат скоринга уходит в рабочую очередь взыскания.

Проверено на отложенном месяце

Pre-collection: результат

Модель обучена на платежах до апреля 2026 и проверена на 181 902 платежах мая, которых не видела

target97%

точность в топ-10% списка — почти каждый звонок по делу

Топ-10%97%

Топ-30%96%

Без модели73%

radar84%

будущих просрочек видим заранее

за 5 дней до даты платежа

verified92%

точность прогноза

из отмеченных «сорвётся» — реально вышли в просрочку

query_stats0,89

ROC-AUC на новом месяце

качество ранжирования на данных вне обучения

Проверка честная, по времени: модель училась на платежах до апреля 2026, а оценивалась на 181 902 платежах мая, которых не видела. Главное для взыскания — верх списка: среди 10% самых рискованных по скору 97% действительно вышли в просрочку, в топ-30% — 96%, тогда как без модели доля срывов во всём потоке — около 73%. То есть звонки с верха списка почти всегда по делу. В целом модель заранее выявляет 84% будущих просрочек при точности 92%. ROC-AUC на новом месяце — 0,89. Ограничение: для новых кредитов без истории платежей, то есть на первом платеже, качество заметно ниже — там у модели меньше сигнала.

Soft collection · 1–60 дней просрочки

Soft collection: кто заплатит сам, а кому нужен звонок

В первый день просрочки модель прогнозирует, как долго клиент будет в просрочке, и помогает распределить усилия взыскания

День 1 просрочки · прогноз

check_circle1–30 дней

schedule31–60 дней

warningБольше 60 дней

закроет долг сам или после напоминаниянужен активный контактзатяжная просрочка: работать сразу, плотно

databaseШаг 1

Профиль просрочки

Весь кредитный портфель клиента, история просрочек в бюро КАТМ и обороты по картам

≈3,7 млнслучаев просрочки в истории

arrow_forward

insightsШаг 2

Прогноз корзины

Модель оценивает вероятность каждой из трёх корзин по сроку выхода из просрочки

до 30 дней31–6060+

arrow_forward

support_agentШаг 3

Канал по риску

Кто заплатит сам — мягкое напоминание; риск затяжной просрочки — оператор с первого дня

SMSIVRРоботОператор

Следующий шаг после pre-collection — soft collection, ранняя стадия взыскания от 1 до 60 дней просрочки. Задача: уже в первый день просрочки понять, закроет ли клиент долг быстро или просрочка затянется. Шкала сверху — три корзины: закроется в течение 30 дней, за 31–60 дней или затянется больше чем на 60 дней. Шаг 1: по клиенту собирается профиль — весь его кредитный портфель в банке, история просрочек в бюро КАТМ, обороты по картам; в истории около 3,7 миллиона случаев просрочки. Шаг 2: модель даёт вероятность каждой корзины. Шаг 3: от прогноза зависит канал — тем, кто закроет сам, достаточно SMS или IVR, а клиентов с риском затяжной просрочки сразу берёт оператор. Отдельного интерфейса нет — прогноз уходит в рабочую очередь взыскания.

Проверено на 2026 годе

Soft collection: результат

Модель обучена на просрочках 2025 года и проверена на 406 305 случаях просрочки 2026 года, которых не видела

crisis_alert×14

чаще затяжные просрочки в группе риска модели, чем в среднем

Группа риска26%

Весь поток1,8%

radar1/3

затяжных просрочек видим в первый день

до того, как долг ушёл за 60 дней

query_stats0,82

ROC-AUC по риску 60+

качество ранжирования на данных вне обучения

sms99%

тех, кто закрыл долг сам, — на мягкий канал

SMS и IVR вместо оператора: операторы на сложных

Проверка по времени: модель обучалась на случаях просрочки 2025 года, а оценивалась на 406 305 случаях 2026 года. Главный результат — группа риска. В среднем затяжные просрочки, дольше 60 дней, — это 1,8% случаев; в группе, которую модель помечает как рискованную, — 26%, то есть в 14 раз чаще. Примерно треть таких случаев модель видит уже в первый день просрочки. ROC-AUC по риску 60+ — 0,82. С другой стороны, 99% клиентов, которые в итоге закрыли долг сами в течение 30 дней, модель отнесла бы к «мягкой» корзине — их можно вести SMS и IVR, освобождая операторов. Ограничение: среднюю корзину, 31–60 дней, модель пока различает слабо — это следующий шаг доработки.

ИИ-решения в нашем банке

Речевая аналитика: качество обслуживания

Речевая аналитика: разбор звонка

Сверка документов филиалов с эталоном

Сверка документов: метрики

Отчёты по льготным кредитам для Министерства экономики и финансов

Отчёты для Министерства экономики и финансов: результат

кредитов отчитано в Министерство экономики и финансов

быстрее заполнение

рабочего времени сэкономлено

отчётов проверил руководитель

Онлайн-декларация о конфликте интересов

Онлайн-декларации кандидатов: результат

деклараций подано онлайн

быстрее обработка в HR

рабочего времени HR сэкономлено

с электронной подписью

Платформа подготовки бизнес-планов

Бизнес-планы: результат

меньше временина подготовку

быстрее подготовка

Время на один план

Поздравление клиентов: календарь дней рождения

Дни рождения месяца

Действия из календаря

Оформление подарка

Поздравление клиентов: от карточки до реестра

Карточка клиента

Вручение с фото

Реестр подарков

Поздравление клиентов: результат

клиентов в одном календаре

меньше шагов до вручения

истории подарков в одной базе

действий в журнале

Утверждение функциональных ролей KPI

Роли KPI: результат

вместо нескольких дней на отчёт филиала

сотрудника с ролями

филиал в системе

данных ушло в витрину

Факторинг: скоринг и лимиты

Данные в одной карточке

Скоринг A–D

Лимит и решение по сделке

Риски: дебитор и поставщик в паре

Сможет ли вернуть деньги банку?

Сможет ли поставить товар?

Сколько платить сразу?

Факторинг: результат

проблемных сделок у дебиторов грейда A

санкционная запись OFAC и ЕС

иностранных поставщиков с историей

на расчёт лимита и сделки

Pre-collection: связаться до просрочки

Профиль заёмщика

Оценка риска срыва

Очередь на контакт

Pre-collection: результат

точность в топ-10% списка — почти каждый звонок по делу

будущих просрочек видим заранее

точность прогноза

ROC-AUC на новом месяце

Soft collection: кто заплатит сам, а кому нужен звонок

Профиль просрочки

Прогноз корзины

Канал по риску

Soft collection: результат

чаще затяжные просрочки в группе риска модели, чем в среднем

затяжных просрочек видим в первый день

ROC-AUC по риску 60+

тех, кто закрыл долг сам, — на мягкий канал

меньше времени
на подготовку