Кейс 1: Проверка третьих лиц

Ситуация: Проверка контрагентов в рамках тендеров или аккредитаций — одна из базовых задач для СБ. Сотрудники получают большой пакет документов на бумажных носителях, который необходимо проверить. Дополнительно служба безопасности собирает данные из открытых источников и специальных баз — как правило, это фрагментарная информация, которая не дает возможности, например, отслеживать статус контрагента. После полученные данные анализируются и делаются выводы о надежности компаний, а также наличии связей с другими участниками закупок и сотрудниками. Часто эта работа дублирует аналогичную деятельность на стороне юристов, финансистов или комплаенс-служб.

В крупных холдингах с диверсифицированной структурой количество закупок может составлять несколько сотен тысяч в год, а третьих лиц, подлежащих проверкам, могут быть тысячи. На проверку каждого третьего лица в среднем уходит 8–10 часов. Поскольку зачастую департаменты безопасности немногочисленны, создаются большие очереди, что отражается на сроках принятия решений и закрытии задач на стороне бизнес-подразделений. Это может означать задержку поставки, отхождение от планов, штрафы за увеличение сроков исполнения обязательств и т.д.

Решение: Сегодня подобные рутинные процессы возможно частично оптимизировать посредством связки нескольких технологий: распознавание текста, роботизация и машинное обучение, внедрение автоматизированного рабочего места. Это позволит существенно сократить сроки проверки и высвободить время сотрудников для работы над более сложными задачами.

Например, робот в связке с технологией распознавания и машинного обучения справляется с проверкой типового пакета документов в два раза быстрее сотрудника. За это время он способен распознать и классифицировать документы, проверить полноту, актуальность (например, что приложена последняя версия бухгалтерского баланса) и корректность (во всех документах указан один подписант или ИНН) документов и в случае недостатка или некорректности информации повторно запросить ее у третьего лица. Когда первый шаг пройден, робот вычленяет нужные сущности из первичной документации для последующей сверки с данными, содержащимися во внешних источниках.

Робот также умеет собирать данные из первоисточников, где содержится информация о компаниях, зарегистрированных вне РФ, которые могут являться как непосредственно контрагентами, так и их бенефициарами. Кроме того, вся документация, предоставляемая третьим лицом, может быть проверена на предмет цифровой подделки с помощью специализированного ПО на базе машинного обучения: например, оно способно различить, подлинное ли изображение на копии паспорта или какая-то информация была изменена с помощью графических редакторов.

Важно, чтобы результаты этих проверок хранились в единой системе, доступной сотрудникам всех смежных подразделений для осуществления сквозной проверки, присвоения риск-рейтинга в соответствии с внутренними политиками, регулярного мониторинга состояния третьего лица, а также обогащения внутренней информацией о ведении деятельности с ним. Такого рода системы позволяют отстраивать рабочий процесс, сокращая дублирование, отслеживать занятость сотрудников и равномерно распределять задачи.