Выберите ваш город
Популярные города
8 800 700-43-44 Заказать звонок

Эксперты рассказали, что работает в скоринге

Банки, МФО, старые и новые вендоры осваивают все большие массивы данных о заемщиках и способы их использования. FutureBanking опросил экспертов по розничным рискам из банков и МФО, как изменился состав нетрадиционных источников данных о заемщиках за год. Насколько распространено среди кредиторов использование коллекторского скоринга и как эксперты оценивают перспективы применения технологии блокчейн для оценки заемщиков — читайте в этом обзоре.

Екатерина Казак, директор по управлению рисками ID Finance (MoneyMan и AmmoPay)

ID Finance разрабатывает скоринговые модели для MoneyMan и AmmoPay, эта система централизована. MoneyMan и AmmoPay разные продукты, первый — проект потребительского кредитования онлайн, а второй является решением, автоматизирующим традиционное POS-кредитование, переносящим наиболее ресурсозатратные процессы в онлайн. Для оценки платежеспособности клиентов по этим продуктам применяются разные модели. Несмотря на это, источники данных мы применяем для обоих проектов одинаковые.

Помимо данных сразу четырех БКИ, мы используем различные антифрод-сервисы, систему «национальный хантер», обмениваемся данными с Росифинмониторингом, оцениваем открытые данные аккаунтов заемщиков в соцсетях. Важным источником информации для нас является методика изучения поведения пользователя на сайте MoneyMan и AmmoPay включая этап заполнения заявки. Также мы видим устройство, с которого заемщик заходит на сайты проектов ID Finance. Эти и множество других данных позволяет нам увеличить предиктивную силу скоринговых моделей.

У нас был пилотный проект по использованию данных одного из операторов сотовой связи. С точки зрения качества данных и увеличения предиктивной силы моделей проект считаем эффективным. Однако, нам пришлось приостановить пилот, поскольку его невозможно масштабировать, так как с точки зрения организации процесса мы обязаны получать еще одно отдельное разрешение у абонента оператора на использование его данных. Это серьезная проблема, так как снижает скорость принятия решения по заявке, что для нас является критичным.

Использование статистики мобильных операторов для кредитного скоринга считаем перспективным, но необходимы изменения в законе о связи, облегчающие режим взаимодействия операторов с их абонентом и с финансовыми организациями. Без этого развитие невозможно.
Мы работаем с Mail.ru и позитивно оцениванием результаты сотрудничества. С агрегаторами смс-трафика не сотрудничаем, поскольку подобное сотрудничество находится в «серой» зоне правового поля.

В России и Грузии ID Finance использует стратегии, основанные на правилах, т.е. глубокой сегментации заемщиков, в просроченном портфеле, но планируем в ближайшее время переходить на полноценный коллекторский скоринг. В Казахстане также уже реализуется задача по внедрению коллекторского скоринга для оптимизации работы взыскателей.

Стратегии сегментации портфеля просроченных займов позволили оптимизировать процессы сбора просрочки, в частности, нанимать меньше персонала, эффективнее перераспределять мероприятия по сбору дебиторской задолженности. То есть recovery rate остался на примерно прежнем уровне, но взыскание обходится нам дешевле.

Федор Тесленко, директор дирекции оценки и методологии рисков ОТП Банка

Мы активно занимаемся внедрением технологий machine learning в наши процессы оценки заемщиков. Объем доступных данных постоянно увеличивается, что позволяет выделять различные сегменты и кластеры клиентов для более эффективного принятия кредитных решений. Если следовать традиционному подходу и строить отдельные модели для разных сегментов и направлений, то очень скоро количество моделей станет таковым, что сделает этот механизм неуправляемым. Кроме того, разработка отдельной модели, ее калибровка и внедрение – довольно трудоемкий процесс и не позволяет быстро реагировать на изменения на рынке.

Поэтому мы видим, что переход на методы машинного обучения – это тот путь, который позволит выйти на новый уровень развития и в области риск менеджмента, и в области бизнеса. Конечно, есть много проблем, которые предстоит решить, – это и стабильность таких моделей, и интерпретируемость результатов. Но мы уверены, что все решится в процессе развития и внедрения этих технологий. 

Технология блокчейн как часть нейронной сети – очень интересный концепт, который потенциально в будущем может заменить и ручную верификацию, и скоринг, но пока мы рассматриваем эту технологию только на уровне концепта.

Мы используем коллекторский скоринг с 2013 года. Он является основой наших стратегий работы с разными сегментами должников. По нашему опыту эффективно работающий скоринг позволяет повысить Cure rates на 3-5%, что на больших объемах довольно существенно. Более того, даже если портфель тяжелый и скоринг не дает существенной прибавки к эффективности взыскания, он позволяет оптимизировать затраты. За счет выделения сегментов, которым, например, достаточно просто разослать SMS, а не включать в полноценный обзвон, оптимизируются затраты и на сотрудников, и прочие операционные расходы. Повышается эффективность затрат на Collection. 

Основная сложность с коллекторским скорингом заключается в изменчивости входящей популяции должников и следующего за этим падения разделительной способности моделей. Модели приходится довольно часто калибровать или даже перестраивать. Чем больше моделей, тем больше аналитических ресурсов это требует. Поэтому при достижении определенного количества таких моделей приходится задумываться об автоматизации их калибровки или перехода на Machine learning. 

Александр Шорников, директор департамента розничного кредитования Московского Кредитного банка

В данный момент в промышленном режиме мы анализируем информацию о заемщиках по многим каналам: внутренняя история взаимодействия с банком, заявочные сведения, сведения из БКИ, скоринг мобильных операторов, данные из открытых интернет-массивов и анализ данных из соцсетей. Внедрение сервиса Social Attributes произошло недавно, но мы успели оценить его эффективность, особенно на новых клиентах Банка, однако не стоит ожидать, что он обеспечит революционный прорыв и заменит все остальные.

Что касается эффективности использования данных мобильных операторов, то их ключевое преимущество — возможность расширить представление о клиентах со скудной банковской историей, а также — предотвращение мошенничества. При большем риск-аппетите добавочный эффект от данных телекома может быть очень высоким.

Агрегированные данные по смс-трафику мы также использовали в рамках пилотов, но в силу того, что технология поставщиками пока не отработана, не увидели для себя существенной эффективности. Мы пришли к выводу, что аналогичные результаты можно получить в сегменте работы с данными мобильных операторов, который к тому же анализируют и множество дополнительных параметров.

Возможность использовать агрегированные сведения почтовых сервисов, поисковых систем и истории браузера находится на стадии обсуждения. Не исключаем, что в будущем внедрим и такое решение, когда существующие технологии текстовой аналитики и обработки BigData выйдут на новый уровень.  

Разумеется, мы изучаем возможность применения всех новейших разработок, которые могут снизить риски при кредитовании. Что касается интеллектуальных систем аналитики, то мы не спешим внедрять эти технологии. Говорить о целесообразности их применения в оценке заёмщика — преждевременно, поскольку на данный момент они очень затратны. Количество и качество новых информационных источников, постоянно появляющихся на рынке, увеличивает потенциал классических моделей оценки.

Если под искусственным интеллектом понимать неинтерпретируемые модели машинного обучения (neural networks, random forest, boosting etc.), то мы проводили соответствующие сравнения. Улучшение моделей на наших данных было минимальным, при этом терялся контроль за изменением клиентского профиля с точки зрения модели, что для нас очень важно. Подход применим поисковыми системами, системами распознавания изображений и речи и т.д. (у них модель в принципе не может быть интерпретируемой), но в нашем случае особой выгоды она не дает.

В данный момент мы внедряем комплексное решение по автоматизации стратегий взыскания, и коллекторский скоринг — одна из её составляющих. Каких-либо сложностей нет, поскольку процесс разработки и внедрения собственных скоринговых систем для нас уже отработан. Оценивать результативность системы пока преждевременно, однако практика показывает, что применение решений по сбору задолженности, основанных на внутренних и внешних данных банка о заемщиках и должниках, существенно увеличивает результативность коллекшена.

Денис Губанов, руководитель службы управления рисками и главный риск-офицер банка «Русский Стандарт»

Большинство розничных банков так или иначе используют услуги по оценке заемщиков, базирующиеся либо на контенте сообщений, либо на платежной дисциплине при оплате небанковских услуг (такие, как скоринг мобильных операторов). Опыт нашего банка показывает, что при наличии традиционных данных (и в первую очередь, данных БКИ), скоринг мобильных операторов и контентные оценки дают относительно небольшой вклад в итоговое кредитное решение. Однако при оценке заемщиков, о которых у банка, с одной стороны, мало данных (например, молодежь), а с другой стороны, эти заемщики являются активными пользователями электронных устройств (например, клиенты, привлекаемые в дистанционных каналах продаж типа и нтернет-сайта), инновационные способы оценки оказываются весьма эффективными.      

Технологии типа блокчейна, искусственного интеллекта, нейронных сетей, которые сейчас переживают второе рождение в системах предотвращения карточного мошенничества, перспективны в первую очередь для крупных розничных банков, т.к. для обучения подобных систем требуется огромный статистический материал, миллионы транзакций. Если клиентов мало, а транзакции редки, подобные технологии (а они весьма недешевы как с точки зрения покупки лицензий, так и при внедрении), могут оказаться неэффективными.

Использование Collection Scoring во всех его разновидностях (для выбора инструмента сбора, для оценки целесообразности дальнейшей работы с долгом и т.д.) – это, по сути, уже стандарт рынка. Наш банк его тоже использует, при этом мы ориентируемся на собственные разработки, хотя регулярно сверяем их с лучшими мировыми практиками, привлекая к сотрудничеству опытных сторонних экспертов и консультантов. Наша практика показывает, что коллекторский скоринг – это хороший способ сократить затраты на сбор просроченной задолженности, не снижая эффективности. Это важно в нынешней непростой ситуации в банковской отрасли.     

Сергей Весовщук, директор по рискам группы компаний «Быстроденьги»

В последнее время активно работаем с Big Data, используя данные телекомов, социальных сетей, данные об устройстве заемщика, поведение при заполнении анкеты и другое. Для интерпретации и анализа такой информации активно взаимодействуем с нашими партнерами, и модели рождаются по результатам совместной деятельности. При этом анкетные данные или данные БКИ, которые генерируют до 1000 возможных переменных на заявку, мы анализируем и включаем в нашу скоринговую систему самостоятельно.

В целом, работа в этом направлении Big Data дает хорошие результаты. Модели телекомов, например, могут замещать проверку работы используя данные о геолокации, уменьшать уровень мошенничества и контролировать кредитный риск правилами на общую активность по телефонному номеру. На одном из проектов это позволило увеличить уровень одобрения на 5 процентных пунктов в целевом сегменте без ущерба для качества выдаваемых займов и при этом существенно снизить долю ручных проверок.

На текущий момент блокчейн не применим для скоринга МФО, а модели искусственного интеллекта очень сложны в создании и поддержании. Также важным моментом является ухудшение интерпретируемости. Например, нейронные сети дают прирост, но он не столь значителен, поэтому мы используем модели такого рода только как часть процесса data mining. Сейчас мы работаем над тем, чтобы активнее использовать существующие модели, которые анализируют более 10 000 параметров и преобразуют их в понятные и интерпретируемые агрегаты для принятия решения по заявке. Например, мы можем собрать множество параметров устройства, с которого идет ввод данных по заявке – разрешение экрана, операционная система, которые сами по себе не имеют большой предсказательной силы, но после обработки и классификации образуют хороший агрегат «тип устройства», который уже может использоваться.

При этом мы оцениваем перспективность использования технологий блокчейна и искусственного интеллекта положительно. Для их активного внедрения специалистам как минимум необходимо говорить на одном языке. По мере формирования рынка необходимость в таких технологиях будет ощущаться сильнее.

Коллекторский скоринг используем с конца 2014 года. Заложенные в систему бизнес-процессы помогают уменьшить количество просроченных проблемных микрозаймов и ускорить их возврат. Так, эффективность сбора на раннем сегменте выросла на 2% и на позднем – до 5%. В том числе благодаря такому скорингу, поколенческий NPL 90+ снизился с 17% в 2013 году до 14,8% по итогам 2015 года.

Система предлагает оптимальный процесс для работы с задолженностью в зависимости от параметров займа и клиента (сумма задолженности, тип кредита, история погашений, сегмент клиента). Сотрудник службы взыскания ГК «Быстроденьги» получает подсказки на каждом этапе взаимодействия с заемщиком и постепенно идет по процессу: от уведомления клиента при помощи голосового автоинформирования и SMS до звонков и отправки писем.

Татьяна Хондру, заместитель председателя правления банка «Ренессанс Кредит»

На данный момент мы придерживаемся мнения, что качество и полнота входных данных играют определяющую роль в оценке заемщиков. Наш банк следит за развитием математического инструментария. Но мы стараемся использовать те решения, которые обеспечивают предсказуемость результата, быстрое внедрение и своевременную адаптацию к меняющимся условиям на рынке. Мы изучаем различные источники данных о клиентах, но в настоящий момент ни один источник данных не сравним по силе с информацией из БКИ.

В нашем банке для нужд взыскания разработано и применяется 15 скоринговых моделей – от стадии предпросрочки до предпродажной оценки. Большая часть из них рассчитывается ежедневно в режиме онлайн, что требует высокой производительности в рамках технологических окон. После внедрения в политику взыскания в 2015 году коллекторского скоринга эффективность сбора просроченной задолженности возросла примерно на 13,5% на сопоставимых сегментах.

Ольга Махова, директор департамента розничных кредитных рисков Росбанка

Мы стараемся использовать большинство наиболее популярных сервисов на рынке. Сейчас мы сотрудничаем с поставщиками телеком-данных (мобильными операторами), используем информацию из социальных сетей с целью получения новых данных для применения в скоринге. На основе анализируемых данных мы можем уже сказать, что наблюдается увеличение предсказательной силы моделей по определенным категориям клиентов, особенно людям, не имеющих кредитной истории в БКИ. 

Мы стараемся быть технологичным банком и анализировать, а затем применять большинство наиболее популярных и значимых технологий на рынке. По нашему мнению, сейчас в оценке кредитоспособности заемщиков доминирующую роль играет его кредитная история и основанные на ней стандартные скоринговые модели (логистическая регрессия). Остальные технологии узко специализированы (работают на специфических сегментах) или дают небольшой вклад в общую эффективность скоринговой системы. Безусловно, технологии блокчейна и искусственного интеллекта находятся в поле наших интересов и будут рассмотрены в ближайшей перспективе. Пока трудно говорить об их перспективности, требуется дополнительный анализ. 

В настоящее время у нас есть в активах модель для оптимизации работы коллекторногоподразделения и ряд на стадии разработки. Целевым применением моделей мы видим оптимизацию процесса сбора просроченной задолженности на различных его стадиях, увеличение эффективности сбора и минимизацию убытков. Сейчас модель работает в пилотном режиме на ограниченном множестве должников и в ближайшем будущем она будет масштабирована. 

Александр Чернов, директор департамента риск-менеджмента РОСГОССТРАХ БАНКА

Кроме уже ставших стандартом информационных источников (БКИ, анкеты и т.д.) банк активно использует или проводит пилотные проекты с поставщиками иных поведенческих данных о клиентах (например, данные мобильных операторов). Также банк присматривается к ряду интересных инициатив, например, к предоставлению электронной выписки о состоянии индивидуального лицевого счета (ИЛС) гражданина в системе обязательного пенсионного страхования Пенсионного фонда Российской Федерации. И, конечно, банк, являясь частью крупного страхового холдинга, рассматривает возможность использования поведенческих данных о клиенте в рамках всего холдинга.
 
В настоящее время наш банк оценивает данные технологии, так как применимость блокчейна и искусственного интеллекта в розничном кредитовании пока неочевидна и содержит ряд технических и правовых ограничений, в первую очередь связанных с действующим законодательством (законы о персональных данных, о кредитных историях, о банковской тайне). Говорить о применении данных технологий можно только в том случае, если банк достиг совершенства работы с существующими информационными источниками (данные бюро кредитных историй, качественные анкетные данные, поведенческая информация в банке, транзакционная активность и т.д.). Безусловно, элементы искусственного интеллекта возможно применять для повышения качества клиентской информации, получаемой из внешних информационных источников, но последняя зачастую оставляет желать лучшего.

Коллекторский скоринг уже давно не является инновацией в процессах сбора просроченной задолженности и активно используется ведущими розничными банками в последние годы. В работе с просроченной задолженностью целесообразного говорить о комплексе скоринговых карт, которые разрабатываются на основе независимых целевых переменных. Целевая переменная при этом – это событие, вероятность которого предусмотрена скоринговой моделью, например, вероятность успешного контакта с заемщиком или вероятность погашения просроченных средств и т.д. При этом для разных ступеней сбора (легкая стадия – телефонный звонок, усиленная – визит и непосредственное общение с заемщиком, судебная – успешность судебного взыскания) могут использоваться различные скоринговые и предсказательные модели.

Ксения Мухорина, руководитель департамента по управлению рисками Дирекции по работе с частными клиентами Ситибанка

Предварительный анализ эффективности скоринга мобильных операторов по отношению к портфелю Ситибанка показал, что обогащение обучающей выборки для разработки модели подобными данными имеет определенные перспективы. Поэтому работы в этом направлении продолжаются, и в ближайшем будущем мы сможем определить, позволяют ли преимущества подобных моделей окупить затраты на получение данных от мобильного оператора.

С точки зрения технологий разработки и использования скоринговых инструментов мы опираемся на лучшие отраслевые стандарты, принятые как в российской, так и в международной практике. До текущего момента мы не рассматривали возможность применения технологии блокчейн или искусственного интеллекта для оценки заёмщиков, однако мы внимательно следим за тем, что происходит в этой новой и стремительно развивающейся области.

В настоящее время мы находимся на стадии внедрения скоринговых моделей, разработанных специально для портфеля просроченной и списанной задолженности. Как ожидается, использование скоринга позволит оптимизировать процессы сбора задолженности в основном за счет выбора более подходящего и своевременного метода взаимодействия с клиентом в зависимости его скорингового балла.

Андрей Бахвалов, главный исполнительный директор компании «Домашние деньги»

У компании «Домашние деньги» есть опыт сотрудничества с крупнейшими сотовыми операторами и с агрегаторами данных, а также другими альтернативными источниками. Эффект такой работы существует, но он значительно ниже по сравнению с эффективностью работы с БКИ.

Вот уже 2 года мы используем модель коллекторского скоринга, основанную на собственной статистике. Наша система работает с учетом особенностей компании, она максимально адаптивна и позволяет существенно оптимизировать расходы на взыскание.
                                           
Полина Гурова, руководитель направления отдела развития CRM-аналитики и управления клиентскими данными

Банк применяет скоринговые модели на всех бакетах просроченной задолженности. Использование комплексного подхода по оценке вероятности возврата долга клиентом  при помощи социо-демографических, поведенческих переменных, информации, поступающей из БКИ, а также исторической информации о предыдущих коммуникациях с клиентом позволяют ранжировать клиентов и применять к ним наиболее эффективные стратегии взыскания.

Даниил Ткач, заместитель директора департамента риск-менеджмента Связь-Банка

Мы активно изучаем все новые источники на рынке. Решение о внедрении мы принимаем после обширного ретро-тестирования источника, анализа предсказательной способности новых факторов модели. Если затраты на источник будут окупаться экономией по резервам, источник внедряется.

Мы анализировали множество источников на рынке и, по нашему мнению, большинство из них эффективны, но не на всех продуктах, например, данные мобильных операторов отлично подойдут для анализа риска по нецелевым кредитам, экспресс-кредитованию, но теряют свою значимость на автокредитах, ипотечном кредитовании.

Стоит отметить, что рост числа источников положительно сказывается на банковской системе в целом: банки могут меньше опасаться мошенников, лучше выделять кредитоспособных заемщиков, а клиенты банков могут рассчитывать на снижение процентных ставок.

Источник: FutureBanking
Рассылка
Рассылка

Подпишитесь на нашу ежемесячную новостную рассылку

e-mail не введен либо введен не корректно
Пресс-служба
Пресс-служба

Телефон
Электронная почта

Реквизиты компании

В любом отделении любого банка


Безналичным переводом на расчетный счет нашей компании. Необходим паспорт, реквизиты компании и информация о договоре.

Микрофинансовая компания "Быстроденьги" (Общество с ограниченной ответственностью)
123290, Москва г, 1-й Магистральный тупик, дом № 11, строение 10
ИНН 7325081622
КПП 771401001
ОГРН 1087325005899
ОКПО 84275713
ОКАТО 73401384000
р/с 40701810710310008965
Банк получателя Филиал №6318 ВТБ24(ПАО) г.Самара
БИК 043602955
к/с 30101810700000000955

При выборе данного способа проведения платежа необходимо учитывать, что поступление банковского перевода занимает около 3 дней (конкретную информацию необходимо уточнить в выбранном банке). Таким образом, внесенная к оплате сумма должна включать проценты за пользование микрозаймом в течение данного периода.

НАСТОЯЩИМ ВЫРАЖАЮ СОГЛАСИЕ

Микрофинансовой компания «Быстроденьги» (Общество с ограниченной ответственностью) (ОГРН 1087325005899), расположенной по адресу: 123290, Россия, город Москва, тупик Магистральный 1-й, дом 11, стр. 10 (далее – «Общество»)

1. ПОЛУЧАТЬ ИНФОРМАЦИЮ РЕКЛАМНОГО ХАРАКТЕРА ОБ ОБЩЕСТВЕ ИЛИ ЕГО ПАРТНЕРАХ ОТ ОБЩЕСТВА И/ИЛИ ОТ МФК Турбозайм (ООО) (ОГРН 1137746702367, ИНН 7702820127, КПП 771401001);

2. ОБРАБАТЫВАТЬ СЛЕДУЮЩИЕ МОИ ПЕРСОНАЛЬНЫЕ ДАННЫЕ: фамилия, имя, отчество; пол; дата и место рождения; паспортные данные, в том числе, сведения об адресе регистрации; идентификационный номер налогоплательщика; номер страхового свидетельства обязательного пенсионного страхования; место фактического проживания; семейное положение и количество детей; сведения о полученном образовании; сведения о форме занятости и среднем размере месячного дохода и расхода; дата предыдущей и следующей зарплаты; номера контактных телефонов; адрес электронной почты; сведения о наименовании работодателя, адресе места работы и должности; трудовом стаже и графике работы; а также иные данные, предоставляемые мной Обществу в процессе заполнения анкеты на сайте Общества.

В случае предоставления мною Обществу персональных данных третьих лиц, я заявляю и гарантирую, что мною получено согласие этих лиц на передачу их персональных данных Обществу и обработку этих персональных данных Обществом.

Мое согласие распространяется на обработку моих персональных данных Обществом В СЛЕДУЮЩИХ ЦЕЛЯХ:

- рассмотрение Обществом моих заявок, при котором производится оценка моей потенциальной кредитоспособности и платёжеспособности;

- осуществление и выполнение функций, полномочий и обязанностей Общества, возложенных на него законодательством Российской Федерации, а также прав и законных интересов Общества;

- оказание мне Обществом финансовых и иных консультаций;

- продвижение услуг Общества и /или партнеров Общества, включая МФК Турбозайм (ООО) (ОГРН 1137746702367, ИНН 7702820127, КПП 770201001).

Мое согласие распространяется на следующие ДЕЙСТВИЯ ОБЩЕСТВА ПО ОБРАБОТКЕ моих персональных данных, осуществленные в указанных выше целях: сбор, запись, хранение, уточнение (обновление, изменение), использование, передача третьим лицам (предоставление, доступ), обезличивание, блокирование, удаление и уничтожение, как с использованием средств автоматизации, так и без использования таких средств.

Мое согласие распространяется на передачу Обществом моих персональных данных третьим лицам, в частности, МФК Турбозайм (ООО) (ОГРН 1137746702367, ИНН 7702820127, КПП 770201001), включая трансграничную передачу персональных данных на территории любых иностранных государств, если такая передача соответствует указанным выше целям обработки персональных данных.

Настоящее Согласие действует в течение 1 (один) год.

Настоящее Согласие может быть отозвано мной путем подачи Обществу соответствующего письменного заявления. Заявление об отзыве настоящего Согласия может быть подано только мной лично, для чего я должен (должна) явиться в Общество с документом, удостоверяющим личность, и подать сотруднику Общества соответствующее заявление, либо направить заявление на отзыв Согласия на юридический адрес Общества, в таком заявлении должны быть указаны мои паспортные данные, а моя подпись заверена нотариально.

Между мной и Обществом достигнуто соглашение о том, что в случае отзыва мною настоящего Согласия Общество вправе продолжать обрабатывать мои персональные данные в целях исполнения Обществом требований законодательства.

Настоящим я признаю и подтверждаю, что в случае необходимости предоставления моих персональных данных для достижения указанных выше целей третьему лицу, передачи Обществом принадлежащих ему функций и полномочий иному лицу, а равно при привлечении третьих лиц к оказанию услуг в указанных целях Общество вправе в необходимом объеме раскрывать для совершения вышеуказанных действий информацию обо мне лично (включая мои персональные данные) таким третьим лицам, а также предоставлять таким лицам соответствующие документы, содержащие такую информацию.