черный скоринг что это сбербанк
Технология отказа
Вопрос, выдаст банк вам кредит или откажет, очень непрост. За его решением стоит кропотливая дорогостоящая работа. Все больше банков стремятся удешевить и ускорить свой скоринг, автоматизировав его. О том, как проводится такой скоринг, порталу Банки.ру рассказали специалисты компании Experian.
Компьютер не позвонит
Скоринговые системы, построенные на таких платформах как PowerCurve компании Experian, призваны не заменить живого работника, а помочь ему быстро и правильно принимать решения на всех этапах жизненного цикла клиента банка. Принципы, в соответствии с которыми работают автоматические системы, по сути, не отличаются от принципов ручного скоринга.
Упрощенно процесс можно описать как применение скоринговой модели к собранным данным. Цель проведения скоринга – предсказать, как заемщик будет выплачивать кредит. Это дает возможность применить к скоринговым оценкам заявителя рисковую стратегию и принять ряд решений по его заявке: дать ли кредит, в каком объеме, на какой срок, под какую ставку.
«Процент решений, принимаемых банками полностью автоматически, пока не очень велик. Проблема в том, что банки не вполне доверяют автоматическим системам. Кроме того, не все данные можно проверить без привлечения человека. Например, компьютер не позвонит на работу заявителю. Поэтому полностью автоматические решения принимаются обычно по заявкам на небольшие кредиты», – рассказала порталу Банки.ру глобальный консультант компании Experian Анна Уштей.
Все, что вы хотели знать о клиенте
Идентификационные данные. Набор информации, позволяющий идентифицировать заемщика: паспортные данные, место жительства, фотография, подпись, рабочий и домашний телефоны. Именно с обработки этих данных начинается скоринг. Это позволяет на самом раннем этапе отсеять возможных мошенников и явно неперспективных клиентов. При этом, если клиент уже является клиентом банка, проверка и обработка этих данных обойдется банку крайне дешево и может быть практически полностью автоматизирована. Идентификационные данные практически не меняются со временем. Заметим, что даже непреднамеренная ошибка при указании идентификационных данных, скорее всего, приведет к отказу в кредите.
Демографические данные. Возраст, пол, образование, семейное положение, место проживания, место работы и должность. В отличие от идентификационных данных демографические со временем меняются: увеличивается возраст, человек учится, переезжает, меняет работу, женится, разводится и т. д. Может измениться даже пол.
Финансовые положение. Наличие и размер регулярного дохода, объем трат, наличие иждивенцев. Тут для заявителей имеется широкое поле для разного рода хитростей: траты можно скрыть и доход преувеличить. Эти данные меняются постоянно, в связи с чем банки вынуждены уделять их сбору и проверке самое пристальное внимание.
Кредитная история. Возможно, самые ценные для скоринга данные – наличие отданных и текущих кредитов, случаи попадания в просрочку и ее продолжительность. Если человек многие годы аккуратно выплачивал кредиты, можно с большой долей вероятности предположить, что он и продолжит в том же духе. Обратное тоже верно.
Трансакционное поведение. Такого рода данные доступны банку, если речь идет о выдаче кредита не человеку «с улицы», а держателю платежной карты банка. Имеют значение регулярность и характер операций по карте – как часто, где, в каком объеме заявитель оплачивает товары и услуги. Заметим, что банк оперирует не конкретными товарами и услугами, и даже не названиями магазинов, а суммами и категорией торговой точки.
Данные, предоставляемые самим заемщиком, подвергаются верификации. Для этого применяются как внешние источники, так и проверки на внутренние противоречия. Есть четкие, поддающиеся проверке связи между местом проживания и работы, профессией, должностью и уровнем дохода и т. д. Непротиворечивость этих данных можно проверить автоматически, не тратя дорогое рабочее время кредитного специалиста.
Моделируем будущее
При анализе статистики могут выявиться самые различные, зачастую неожиданные связи между просрочкой и данными о заемщиках. К примеру, работники, занятые в какой-либо одной отрасли, могут оказаться более склонны к просрочкам, нежели занятые в другой сфере. Или многодетные матери окажутся более качественными заемщиками, чем холостые мужчины. Такие связи и выводы из них зависят от профиля банка, от экономической, демографической и политической обстановки, они могут сильно изменяться во времени, в связи с чем скоринговая модель должна регулярно пересчитываться. Обычно это делается не реже чем раз в полгода.
Если кредитная организация только выходит на рынок или радикально меняет профиль, наработанной статистики у нее нет. В этом случае она может приобрести готовую модель или заказать сторонней компании разработку модели для своего профиля. В большинстве случаев такие модели работают не слишком эффективно, и через какое-то время их необходимо обновить, основываясь на собранной статистике.
Отметим, что скоринговую модель нередко дополняют настраиваемыми вручную условиями и фильтрами. Хорошо известно, что банки с предубеждением относятся к журналистам и юристам, даже если статистика не выявляет повышенного процента просрочки у представителей этих профессий. Первые способны попортить репутацию банка, а вторые могут доставить проблем в суде. Что интересно, сами сотрудники финансового сектора также нередко попадают в эти фильтры.
Стратегия серой зоны
Стратегия определяет, какой процент заявок в серой зоне получит положительное решение, причем стратегия должна учитывать самые разные факторы. Скажем, в ней можно прописать, что замужние учительницы младших классов, чей балл попал в серую зону, должны получать одобрение заявки в 50% случаев, объем кредита не должен превышать 100 тыс. рублей в 80% случаев, а срок кредит не должен быть менее пяти лет в 100% случаев.
Такие тонкие настройки позволяют кредитной организации формировать свой портфель очень точно и аккуратно. И средства автоматизации могут здорово облегчить формирование корректной стратегии.
«В системе PoweCurve я могу разобрать стратегию по нескольким сегментам клиентов, похожих друг на друга по каким-либо критериям, – рассказал порталу Банки.ру глава представительства Experian в России и странах СНГ Сергей Горащенко. – Одним, к примеру, задаем увеличение лимита, другим – поднять ставку, но не менять лимит, третьим – снизить лимит, и установим запуск этой стратегии по определенной части портфеля или по всему портфелю. Применяем стратегию в PowerCurve, система все просчитывает и выдает сотрудникам банка данные, что с каким клиентом нужно делать, что поменять, какие действия предпринять».
Такие системы, как PowerCurve от Experian, позволяют риск-менеджеру сформировать желаемую стратегию в считаные минуты и проверить ее на статистике по кредитному портфелю. После расчетов система покажет тот уровень просрочки, на который вышел бы кредитный портфель, если бы тестируемая стратегия была применена в заданный период. Можно подойти и с другой стороны: задать желаемый уровень просрочки, и система предложит стратегию, основываясь на статистике за заданный период.
Увы, полностью положиться на автоматику тут не выйдет: если новая стратегия существенно отличается от действующей, нужной информации просто может не оказаться. К примеру, если банк практически не давал кредитов престарелым индивидуальным предпринимателям, а в новой стратегии им должно найтись место в кредитном портфеле, PowerCurve не сможет предсказать просрочку с достаточным уровнем точности. Ведь статистики по таким заемщикам у банка нет.
Заметим, что стратегия может включать в себя выдачу кредитов в черной зоне – то есть заявителям, для которых скоринговая модель показывает высокую вероятность попадания в просрочку. Небольшой процент одобрений «черных» заявок позволяет составить статистику по маргинальным заявителям, что помогает уточнять как скоринговую модель, так и стратегию.
Что такое скоринговый балл в кредитной истории?
Вручную никто не оценивает потенциального заемщика. В условиях цифровой экономики получателя займа опрашивает и обсчитывает компьютерная программа. В результате машинной обработки «да», «нет» и некоторого ряда введенных цифр бездушный аппарат выносит приговор – соискателю выдать средства или отказ по скоринговому баллу.
Определения и понятия
Кредитные финансовые учреждения из первой полсотни развивают собственные нейросети и программы для определения граней лояльности клиента.
КФУ помельче используют готовые решения российских и западных разработчиков.
Скоринговый балл для одобрения заявки подсчитывается программами, которые регулярно обновляются вслед за изменениями в законах и в раскладке социально-экономических факторов.
Профессиональных подходов в системе четыре:
Интервал значений
Формальная оценка финансовой лояльности гражданина лежит в диапазоне 250-999. Каждая контора разработала собственную градацию.
Например, Национальное бюро кредитных историй. Число 600 – нижняя граница доверия. Банк, сотрудничающий с НБКИ, получив уведомление о клиентском СБ 599 и ниже, предпочтет отказать в займе. Однако, если СБ превышает 690, то затруднений в оформлении не возникнет. В интервале 610-680 возможны следующие ситуации: снижение суммы займа, сроков исполнения, повышенная ставка или вообще вместо живых купюр предложат пластик.
Банки, взаимодействующие с компанией кредитных историй «Эквифакс», оценивают фактор доверия так: нижняя граница доверия – 510; беспроблемное финансирование – 831.
Диапазон 511-830 позволит получить кредитную карту или минимальную сумму займа по повышенной ставке на кратчайший срок.
При каких параметрах не откажут
Возраст. С 23 до 55 лет обеспечат долговыми деньгами. Так как это работоспособный и относительно здоровый период жизни.
Образование. Высшее в приоритете.
Место проживания. Не криминализированный по сведениям статистики район.
Профессия и должность. Дают плюс, так как специалисту и руководителю заработок гарантирован.
Уровень дохода. Показывать следует не только зарплату по основному месту работы, но и доходы от подработки. Даже без официального трудоустройства.
Кредитная нагрузка. Перечисляйте открыто все денежные и пластиковые займы. Логика программы иногда творит чудеса: у человека три долга перед банкирами, но соискателю не отказывают и в четвертом займе.
Операции с картой. Показывайте финансовую состоятельность – совершайте мелкие покупки по кредитке. Аккуратно гасите долг. Не встревайте в азартные игры с расчетом пластиком.
Кредитная история. Емкий показательный формуляр. Скоринговый уровень из отзыва как проходная отметка в вуз.
Причины низкой оценки
В порядке убывания важности причины выглядят так:
Непреодолимая преграда
Зона скорингового балла – это интервал параметра оценки клиента на риск невозврата и мошенничества. Успех определяется зоной. Красочные рапорты Национального бюро кредитных историй делят допустимый диапазон значений в среднем на части:
Для одобрения кредита скоринговый балл доступен в зеленом секторе.
Но в целом для интересанта красный цвет подобен черному.
Шкала для КФУ делится на три сегмента: белый, черный и серый.
Если параметр кандидата расположен в белом секторе, то есть вероятность удовлетворить необходимость в финансах в запрашиваемом размере и на желаемый срок.
Черный сегмент означает черный скоринговый балл. С полным и окончательным отказом на текущий момент. Но отчаиваться не следует. С целью доведения программного комплекса до совершенства разработчики допускают выдачу минимального кредита обладателям низкой оценки.
В пределах статистической погрешности до 5 % претендентов, попавших в черную зону скорингового бала, обеспечиваются кредитом. Банки готовы рискнуть невозвратом мелкой суммы для уточнения стратегии расчета проходной отметки и математической модели в целом.
Всех жизненных ситуаций не предусмотришь одномоментно. Поэтому в серой зоне простор для маневров. Если жестко отказывать соискателям, то повышается вероятность снижения клиентской базы. Что ведет к ухудшению финансового результата работы КФУ.
Выведать собственную подноготную
Соискатель кредита не защищен от технической ошибки оператора, вносящего сведения о клиенте в программу, и от сбоев, собственно, программы. В неподходящий момент человек обнаруживает, что его история не безупречна в глазах банка. Исправить формуляр непросто, времени займет изрядное количество, поэтому полезно раз в год обращаться в бюро хранения историй и получать подробный отчет о финансовых взаимоотношениях с банками. Ниже приведен способ, как узнать свой скоринговый балл.
Этапы поиска через интернет:
Хранилище каждого шага
По сведениям с сайта ЦБ РФ на территории страны действуют 17 контролирующих компаний. Города, жители которых на третьем этапе могут обойтись без интернета, а просто прийти с удостоверением личности в офисы БКИ и получить требуемый отчет:
Предоставляют онлайн-сервис три столичных компании:
Проверочные услуги КФУ
Узнать скоринговый балл Сбербанка можно за 580 рублей. КФУ возьмет на себя все тяготы обмена запросами и письмами для получения отчета о кредитной истории, содержащего код допуска к финансам.
«Райффайзенбанк» подобных услуг не оказывает, но о клиентах имеет полную финансовую картину. Заемщик может воспользоваться статьей 8 закона 218 и самостоятельно пройти цепочку получения отчета с оценкой лояльности.
Лояльность клиента как заемщика КФУ проверяют, параллельно рассматривая результаты собственной программы и системы бюро, с которым у банка заключен договор.
Сколько стоит
На территории страны действует закон о кредитных историях. Согласно статье 8, заемщик имеет основание один раз за календарный год обратиться по месту хранения и безвозмездно получить отчет о собственной истории.
Количество обращений учитывается в бюро. Интересы заемщика охраняет Федеральная служба по финансовым рынкам. Если контора выставит требование оплатить услуги по предоставлению первого и единственного отчета, то гражданин вправе письменно пожаловаться в ФСФР на нерадивого исполнителя услуг.
Запросов за год можно формировать сколько угодно. Но правило таково: бесплатно – один. Остальные ответы предоставляются за отдельную плату в размере 300-700 рублей.
Пересдача
Отчет о кредитной истории с неудовлетворительным показателем огорчает и рушит планы. Человек ищет, как повысить скоринговый балл. Способы изменения различные. Выбор определяется параметрами требуемого займа.
Зарегистрировав брак, приобрести статус семейного человека. При подсчете СБ семейным гражданам добавляют 29, а холостым только 9.
Сменить район или регион проживания на благополучный с точки зрения криминогенной обстановки.
Получить в выбранном банке кредитную карту и совершать с нее мелкие покупки, погашая долг в льготный период.
Оформить кредит условно на 50 тысяч рублей. Совершить покупку, например, стиральной машины, и погасить задолженность без нарушения графика платежей.
Советы бывалых
Полезно заблаговременно позаботиться о платежной репутации.
Скоринг «серой зоны»
«Банковское обозрение. Приложение «BEST PRACTICE», 2015, N 2
Сейчас, когда уменьшаются как кредитные портфели банков, так и уровень платежеспособности клиентов, скоринговые системы особенно нуждаются в инновациях. Доля просроченных кредитов в апреле 2015 г. составила 17,43% от общего количества активных кредитов, а следовательно, заемщиков с неоднозначной кредитной историей, ухудшенной информацией о просроченных долговых обязательствах также стало больше. Как кредитной организации разобраться в нюансах «серой зоны» заемщиков? Какие данные необходимы для усовершенствования скоринговых систем? Попробуем разобраться.
Кого банкиры называют клиентами «серой зоны»?
Для принятия решения по клиентам «белой» и «черной» зон кредиторам обычно хватает стандартного объема проверяемой скоринговыми системами информации: данных кредитных бюро, государственных информационных систем, сведений, получаемых от работодателя и из социальных сетей. Заемщики «белой зоны» любимы банками: они вносят платежи по кредитам согласно графику и срокам, за ними длинной вереницей ходят кредиторы, но не с претензиями, а с предложениями взять еще один кредит по более низкой ставке.
Где начинается «серая зона»?
Как провести границы зон?
Какая дополнительная информация необходима банкам при анализе истории клиента?
В последнее время большую роль играет человеческий фактор, кредитная организация ищет ответы на следующие вопросы:
Эти вопросы относятся к анализу поведенческой активности заемщика с просроченной задолженностью и имеют огромное значение при оценке его возможности и дальше брать на себя кредитные обязательства. Демографические данные (пол, возраст, семейное положение, место работы и должность) и сведения о регулярном доходе клиента также играют не последнюю роль, но зачастую дать представление о репутации заемщика может только анализ его поведения и личных качеств.
Как информация такого рода может изменить методы скоринга?
Объем «серой зоны» до и после применения технологии анализа поведенческой активности заемщика
Также скоринг «серой зоны» с учетом анализа поведения заемщиков позволит банку вести более умелую кредитную политику. «Серая зона» будет сужаться: выделив сегменты заемщиков с различным уровнем риска, банк может кредитовать условно почти всех, но на разных условиях (чем выше риск, тем больше процентная ставка).
Могут ли данные о поведении заемщика во время просрочки вывести его из «серой зоны» обратно в «белую» и позволить дальше свободно получать кредиты?
Технология отказа
Вопрос, выдаст банк вам кредит или откажет, очень непрост. За его решением стоит кропотливая дорогостоящая работа. Все больше банков стремятся удешевить и ускорить свой скоринг, автоматизировав его. О том, как проводится такой скоринг, порталу Банки.ру рассказали специалисты компании Experian.
Компьютер не позвонит
Анализ кредитных заявок – процесс, который можно и нужно автоматизировать. Классический, ручной скоринг крайне затратен, так как требует тщательной проверки и обучения сотрудников, и времени на каждую заявку тратится достаточно много. В то же время автоматическая система способна за секунды обработать большой объем данных, не подвержена предубеждениям и переменам настроения.
Скоринговые системы, построенные на таких платформах как PowerCurve компании Experian, призваны не заменить живого работника, а помочь ему быстро и правильно принимать решения на всех этапах жизненного цикла клиента банка. Принципы, в соответствии с которыми работают автоматические системы, по сути, не отличаются от принципов ручного скоринга.
Упрощенно процесс можно описать как применение скоринговой модели к собранным данным. Цель проведения скоринга – предсказать, как заемщик будет выплачивать кредит. Это дает возможность применить к скоринговым оценкам заявителя рисковую стратегию и принять ряд решений по его заявке: дать ли кредит, в каком объеме, на какой срок, под какую ставку.
«Процент решений, принимаемых банками полностью автоматически, пока не очень велик. Проблема в том, что банки не вполне доверяют автоматическим системам. Кроме того, не все данные можно проверить без привлечения человека. Например, компьютер не позвонит на работу заявителю. Поэтому полностью автоматические решения принимаются обычно по заявкам на небольшие кредиты», – рассказала порталу Банки.ру глобальный консультант компании Experian Анна Уштей.
Все, что вы хотели знать о клиенте
Банки стараются собрать о клиенте как можно больше информации, используя различные источники. Помимо данных, предоставляемых самим заявителем, используются информация кредитных бюро (в первую очередь, кредитная история), государственные информационные системы, открытая информация из соцсетей, внешние проверки (например, звонок работодателю). Анализируемые в процессе скоринга данные можно условно разделить на несколько категорий.
Идентификационные данные. Набор информации, позволяющий идентифицировать заемщика: паспортные данные, место жительства, фотография, подпись, рабочий и домашний телефоны. Именно с обработки этих данных начинается скоринг. Это позволяет на самом раннем этапе отсеять возможных мошенников и явно неперспективных клиентов. При этом, если клиент уже является клиентом банка, проверка и обработка этих данных обойдется банку крайне дешево и может быть практически полностью автоматизирована. Идентификационные данные практически не меняются со временем. Заметим, что даже непреднамеренная ошибка при указании идентификационных данных, скорее всего, приведет к отказу в кредите.
Демографические данные. Возраст, пол, образование, семейное положение, место проживания, место работы и должность. В отличие от идентификационных данных демографические со временем меняются: увеличивается возраст, человек учится, переезжает, меняет работу, женится, разводится и т. д. Может измениться даже пол.
Финансовые положение. Наличие и размер регулярного дохода, объем трат, наличие иждивенцев. Тут для заявителей имеется широкое поле для разного рода хитростей: траты можно скрыть и доход преувеличить. Эти данные меняются постоянно, в связи с чем банки вынуждены уделять их сбору и проверке самое пристальное внимание.
Кредитная история. Возможно, самые ценные для скоринга данные – наличие отданных и текущих кредитов, случаи попадания в просрочку и ее продолжительность. Если человек многие годы аккуратно выплачивал кредиты, можно с большой долей вероятности предположить, что он и продолжит в том же духе. Обратное тоже верно.
Трансакционное поведение. Такого рода данные доступны банку, если речь идет о выдаче кредита не человеку «с улицы», а держателю платежной карты банка. Имеют значение регулярность и характер операций по карте – как часто, где, в каком объеме заявитель оплачивает товары и услуги. Заметим, что банк оперирует не конкретными товарами и услугами, и даже не названиями магазинов, а суммами и категорией торговой точки.
Данные, предоставляемые самим заемщиком, подвергаются верификации. Для этого применяются как внешние источники, так и проверки на внутренние противоречия. Есть четкие, поддающиеся проверке связи между местом проживания и работы, профессией, должностью и уровнем дохода и т. д. Непротиворечивость этих данных можно проверить автоматически, не тратя дорогое рабочее время кредитного специалиста.
Моделируем будущее
Скоринговая модель – ценнейший актив банка. Именно она определяет, какую оценку (скоринговый балл) получит клиент на всех этапах скоринга. В простейшем случае скоринговую модель можно «набросать» и вручную. Но значительно более эффективным путем будет построение модели на основе собранной статистики по заявкам и выданным кредитам.
При анализе статистики могут выявиться самые различные, зачастую неожиданные связи между просрочкой и данными о заемщиках. К примеру, работники, занятые в какой-либо одной отрасли, могут оказаться более склонны к просрочкам, нежели занятые в другой сфере. Или многодетные матери окажутся более качественными заемщиками, чем холостые мужчины. Такие связи и выводы из них зависят от профиля банка, от экономической, демографической и политической обстановки, они могут сильно изменяться во времени, в связи с чем скоринговая модель должна регулярно пересчитываться. Обычно это делается не реже чем раз в полгода.
Если кредитная организация только выходит на рынок или радикально меняет профиль, наработанной статистики у нее нет. В этом случае она может приобрести готовую модель или заказать сторонней компании разработку модели для своего профиля. В большинстве случаев такие модели работают не слишком эффективно, и через какое-то время их необходимо обновить, основываясь на собранной статистике.
Отметим, что скоринговую модель нередко дополняют настраиваемыми вручную условиями и фильтрами. Хорошо известно, что банки с предубеждением относятся к журналистам и юристам, даже если статистика не выявляет повышенного процента просрочки у представителей этих профессий. Первые способны попортить репутацию банка, а вторые могут доставить проблем в суде. Что интересно, сами сотрудники финансового сектора также нередко попадают в эти фильтры.
Стратегия серой зоны
Как именно скоринговые баллы влияют на решения, принимаемые на всех этапах обработки заявки на кредит, определяет рисковая стратегия. Шкала скорингового балла условно делится на три зоны: белую, черную, серую. Попадание оценки в белую зону гарантирует положительное решение, черную – отрицательное, а вот серая зона дает определенный простор для маневра.
Стратегия определяет, какой процент заявок в серой зоне получит положительное решение, причем стратегия должна учитывать самые разные факторы. Скажем, в ней можно прописать, что замужние учительницы младших классов, чей балл попал в серую зону, должны получать одобрение заявки в 50% случаев, объем кредита не должен превышать 100 тыс. рублей в 80% случаев, а срок кредит не должен быть менее пяти лет в 100% случаев.
Такие тонкие настройки позволяют кредитной организации формировать свой портфель очень точно и аккуратно. И средства автоматизации могут здорово облегчить формирование корректной стратегии.
«В системе PoweCurve я могу разобрать стратегию по нескольким сегментам клиентов, похожих друг на друга по каким-либо критериям, – рассказал порталу Банки.ру глава представительства Experian в России и странах СНГ Сергей Горащенко. – Одним, к примеру, задаем увеличение лимита, другим – поднять ставку, но не менять лимит, третьим – снизить лимит, и установим запуск этой стратегии по определенной части портфеля или по всему портфелю. Применяем стратегию в PowerCurve, система все просчитывает и выдает сотрудникам банка данные, что с каким клиентом нужно делать, что поменять, какие действия предпринять».
Такие системы, как PowerCurve от Experian, позволяют риск-менеджеру сформировать желаемую стратегию в считаные минуты и проверить ее на статистике по кредитному портфелю. После расчетов система покажет тот уровень просрочки, на который вышел бы кредитный портфель, если бы тестируемая стратегия была применена в заданный период. Можно подойти и с другой стороны: задать желаемый уровень просрочки, и система предложит стратегию, основываясь на статистике за заданный период.
Увы, полностью положиться на автоматику тут не выйдет: если новая стратегия существенно отличается от действующей, нужной информации просто может не оказаться. К примеру, если банк практически не давал кредитов престарелым индивидуальным предпринимателям, а в новой стратегии им должно найтись место в кредитном портфеле, PowerCurve не сможет предсказать просрочку с достаточным уровнем точности. Ведь статистики по таким заемщикам у банка нет.
Заметим, что стратегия может включать в себя выдачу кредитов в черной зоне – то есть заявителям, для которых скоринговая модель показывает высокую вероятность попадания в просрочку. Небольшой процент одобрений «черных» заявок позволяет составить статистику по маргинальным заявителям, что помогает уточнять как скоринговую модель, так и стратегию.