Как студенческое исследование по оценке репутации контрагентов с использованием открытых данных переросло в реальное ИТ-решение представителя среднего бизнеса.

История моей ИТ-инициативы началась с университетского проекта по управлению рисками, который был выполнен на кафедре «Бизнес-информатика» Финансового университета. Одновременно я занимался оценкой благонадежности контрагентов и рисков сотрудничества с ними в реальном бизнесе.

В рамках университетского исследования изучены взаимосвязи между различными корпоративными данными, включая факторы риска, и результатами сотрудничества с контрагентами. В исследованиях выявил взаимозависимость репутационных рисков с банкротствами аффилированных лиц, политическими взглядами учредителей и судебной активностью, при этом благонадёжность определяется устойчивым развитием, участием в госзакупках и политических кампаниях.

Руководству были представлены результаты исследования взаимосвязей между репутацией и благонадёжностью контрагентов. На основе проведённого исследования было принято решение внедрить ИТ-решение по автоматизации анализа и визуализации данных с использованием открытых данных из источников, таких как ФНС, Право.ру и СКБ Контур, доступных через открытые API. Так, функционал этих инструментов начал применяться в реальном бизнесе для оценки благонадёжности контрагентов.

Университетский проект с использованием открытых данных

На первом этапе университетского проекта я проанализировал динамику публикаций по темам репутационных рисков, автоматизации финансового анализа и визуализации данных. Методом экспоненциального сглаживания был спрогнозирован рост интереса к этим темам в ближайшие годы.

Затем был проведен анализ различных аспектов, влияющих на репутацию контрагента, чтобы найти связь между репутационными рисками и статусом благонадёжности. Используя открытые данные из ФНС, Право.ру и СКБ Контур, я собрал информацию о банкротствах аффилированных лиц, судебной активности и политических взглядах учредителей. К примеру, собраны и проанализированы экспертные мнения — данные из различных источников, включая новости о банкротстве аффилированных лиц, судебной активности и политических взглядах учредителей.

Методы сканирования/анализа:

Что сделано на первом этапе перед автоматизацией

• Анализ частоты упоминаний тем исследования с помощью расширенного поиска для понимания степени изученности проблемы;

• Ручной сбор данных из различных источников;

• Сравнительный анализ упоминаний контрагентов и их учредителей в СМИ на основе открытых данных.

Результат — настройка персонального анализа данных позволила оценить репутацию действующих контрагентов — производителей нефтехимической продукции — и представить результаты анализа в наглядной форме.

Определение зависимостей и закономерностей

Далее поставил собой задачу обосновать связь между репутационными рисками сотрудничества и благонадёжностью контрагентов. Предположения о зависимостях между этими переменными были сделаны на основе доступных данных.

Методы определения закономерности и зависимости:

Анализ рисков контрагента

Для исследовательского проекта и рабочих задач я оценивал риски сотрудничества с контрагентами — поставщиками нефтехимической продукции — и формировал рекомендации для снижения рисков работы с ними. Анализ был проведён с применением открытых данных.

Что было сделано:

• Анализ финансовой отчётности и судебных дел контрагентов с использованием данных из ФНС, Росстата и Право.ру;

• Выявление и оценка типовых рисков сотрудничества с контрагентами; ориентировочная оценка их уровня критичности с использованием индексов, доступных в открытых источниках;

• Формирование рекомендаций для коммерческого и юридического отделов, а также отдела закупок.

Основной сложностью был сбор и анализ данных о контрагентах из различных источников. Чтобы упростить этот процесс и избежать сложных процедур ETL, я использовал открытые API, предоставляемые такими сервисами, как ЗачестныйБизнес, СБИС, Спарк.Скан, Контур и Spectrumdata. Эти сервисы хранят актуальные и структурированные данные о юридических лицах и индивидуальных предпринимателях, в том числе информацию из ЕГРЮЛ, ЕГРИП, финансовую отчетность, сведения о судебных разбирательствах и другие важные показатели для бизнес-аналитики.

Интеграция с этими API значительно ускорила процесс сбора данных и повысила их точность, и можно было сосредоточиться на анализе информации и принятии обоснованных решений без необходимости тратить время на трудоёмкую процедуру преобразования данных.

По результатам проектного исследования я составил перечень риск-факторов и соответствующих им показателей. Основными категориями оценки благонадёжности поставщиков стали платежеспособность, судебная активность, финансовая устойчивость и новостной фон. Все эти данные доступны в открытых источниках, которые наполнили хранилище данных как файловой системы и BI-приложения как экспресс-инструмента для оценки критичности тех или иных риск-факторов, а также для формирования рекомендаций в формате обоснованных управленческих решений.

При определении влияющих на благонадёжность факторов мне было важно автоматизировать ручной ввод данных и упростить сбор данных о контрагентах для коллег, не имеющих времени для изучения и доступа к системе. Наиболее удобным способом автоматизации сбора данных и представления их коллегам оказалась выгрузка их из открытых источников в Excel. Затем, в контуре реального бизнеса, появилась возможность сохранять данные о контрагентах в едином хранилище данных и визуализировать в BI-приложении.

Рекомендации по работе с контрагентами по результатам проектного исследования

По результатам проектного исследования сделаны выводы о том, что использование открытых данных обладает высоким потенциалом в части повышения эффективности управления рисками компании. К примеру, при мониторинге одного из контрагентов выявлены риски:

• Финансовые — низкие показатели автономии, рентабельности и ликвидности, отсутствие государственной поддержки контрагента с учетом прекращения публикации бухгалтерской отчетности после 2020 года.

• Репутационные — контрагент был ответчиком в арбитражных делах на сумму более 2,6 млн рублей в 2023–2024 гг., аффилирован с прямым конкурентом в отрасли.

• Юридические — несоответствие ОКВЭД деятельности в контексте статуса правоотношений, непрозрачность обязательств контрагента в случае порчи или утраты продукции, а также неуплата НДС согласно выписке за текущий год. 

• Репутационные — значительная судебная активность контрагента на рубеже 2023–2024 гг., при этом контрагент проиграл или частично проиграл как ответчик в 12 экономических спорах с коммерческими организациями на сумму 47 млн ₽. за отчетный период.

Данные таблицы ниже представляют индексы для поставщиков нефтехимической продукции, в том числе поставщиков из приведенных выше примеров.

Диапазоны допустимых значений индексов не подлежат разглашению. В учебных проектах и минимально жизнеспособных продуктах (MVP) можно основываться на общем правиле Парето (20/80), к примеру, при достижении индекса репутационного риска значения более 20 следует принять меры по их минимизации — так называется митигация (контроль) рисков в риск-менеджменте. При этом чем выше риск, тем более сдерживающим ожидается набор контролей. Важно учитывать, что различные виды контролей взаимодополняют друг друга, при этом не являясь взаимозаменяемыми. Например, контроль условий рамочного договора юридическим отделом может повлиять только на ответственность контрагента, в то время как контроль платежей отделом закупок — на время и сумму транзакций: перед поставкой или после, без аванса или авансом, и т.д.

Что было сделано:

• Анализ финансовой отчетности и судебных дел контрагентов;

• Формирование рекомендаций для коммерческого отдела и отдела закупок;

• Глубокое исследование судебной активности.

Актуальный анализ рынка ИТ-решений в области BI

Для определения оптимальных способов автоматизации проведён экспресс-анализ рынка BI-решений. В ходе исследования собраны данные о популярности и репутационных рисках IT-компаний, а также отслеживал изменения индексов репутационного риска за последние два месяца.

Анализ статистики позволил выделить 2–3 наиболее надёжных поставщика. Однако в целом популярность отечественных интеграторов и поставщиков оставляет желать лучшего, а данные демонстрируют нисходящую динамику запросов на BI-решения от отечественных поставщиков. Всё это говорит о необходимости поиска альтернативных решений на отечественном рынке.

В связи с этим было предложено разработать внутреннее решение (инхаус-разработку) в рамках компании с использованием внешних информационных сервисов. Основная цель такого подхода — снизить нагрузку на специалистов по закупкам, упростить сбор данных и сократить время на документооборот. Таким образом, работа над исследовательским проектом в университете подтолкнула меня к реализации новых возможностей анализа данных в компании. Для расширения объема реального проекта были организованы встречи с заинтересованными коллегами, сформированы бизнес-требования, предложены потенциальные источники, модель данных и архитектура решения. 

По результатам предварительного рассмотрения руководство компании приняло решение о реализации проекта по автоматизации финансового анализа и визуализации данных с помощью BI-приложения на локальном сервере в контуре бизнеса. В качестве рабочего IT-решения было выбрано хранение данных в файловой системе с последующей синхронизацией в BI-приложении. В целом, это гибкая и масштабируемая система без зависимости от конкретных интеграторов и вендоров.