ЦИФРОВЫЕ БИЗНЕС РЕШЕНИЯ

"Зарплата сразу" - это сервис, позволяющий бизнесу стать более привлекательным работодателем, снизить свои издержки на найм и повысить лояльность и мотивацию сотрудников за счёт предоставления своим сотрудникам возможности получить часть своей зарплаты за отработанные дни в течение 5-10 минут по простому запросу в приложении или на веб-странице компании. Сервис особенно актуален и популярен в январе и мае, когда расчётные авансы, выплачиваемые работодателем за первую половину месяца, малы, а также в декабре, когда обычного аванса в 20-х числах из-за повышенных предновогодних затрат не хватает. Сервис не является кредитной или займовой платформой, т.к. автоматизирует документооборот и платежи только в рамках зарплаты и привычных работодателю зарплатных проектов в банке работодателя (без необходимости смены банка). Сервис "Зарплата сразу" является примером локальной реализации набирающей популярность международной системы раннего доступа к зарплате EWA (Earned wage access, Early wage access, также известной, как On-demand pay). Информация о популярности и эффективности EWA в мире доступна в открытых источниках, а также на нашем сайте и в материалах нашего сервиса. Объём целевой аудитории сервиса составляет более 20 млн сотрудников, имеющих ежемесячный доход ниже 50 тыс. рублей (ниже средней медианной зарплаты).

Инновационные аспекты проекта 1. Прогнозирование доходов сотрудников Одна из наиболее сложных задач, решаемых проектом — это оценка рисков, связанных с досрочной выдачей зарплаты сотрудникам в отсутствие актуальной информации о реально отработанном времени. Данный риск возникает по причине того, что расчёт и начисление зарплаты сотрудникам осуществляется бухгалтерами дважды в месяц (за 1-2 дня перед авансовым платежом и за 1-2 дня перед окончательным расчётом). В дни расчёта аванса или заработной платы бухгалтера собирают из кадровых служб и руководителей данные по отработанным дням и часам сотрудников, данные о прогулах и больничных, актуализируют у себя эти данные в учётных программах и проводят расчёты. Во все остальные периоды времени информация о сотрудниках либо не поступает в учётные программы, либо поступает в ограниченном количестве. Рассмотрим ситуацию на примере среднестатистического ООО «Ромашка»: - авансовый платёж платится 25 числа каждого месяца - окончательный расчёт производится 10 числа следующего Бухгалтер данной компании для расчёта авансового платежа актуализирует данные по сотрудникам только 23-24 числа каждого месяца, а для расчёта окончательного расчёта – только 8-9 числа нового месяца. Таким образом мы получаем, что у учётной программы нет данных по сотрудникам (прогулы, больничные, урезанные смены или рабочие дни) в период с 25 по 7 число включительно (12-14 дней), а также с 10 по 23 (12-14 дней). В итоге мы видим, что период «неопределённости» по сотруднику и его доходу, когда мы не знаем фактический доход сотрудника, составляет порядка 12-14 дней между каждыми официальными платежами (между авансом и окончательным расчётом). Именно поэтому ключевой технологией проекта является прогнозирование трудовой активности и потенциальных доходов сотрудников с применением алгоритмов машинного обучения. Аналогичных решений на российском рынке не представлено. Ноу-хау обеспечивается за счёт: - глубокого понимания бухгалтерских, кадровых и банковских процессов - доступа к большим данным по сотрудникам российских компаний - теоретически обоснованным моделям, на основе которых будет выстраиваться обучение системы 2. Защита от мошенничества Вторая ключевая технология — это антифрод–защита, предназначенная для превентивного выявления случаев мошенничества и/или эксплуатации потенциальных уязвимостей. Основная мотивация для выделения этого компонента связана с тем, что проект рассчитан на обработку 15-20 миллионов бухгалтерских операций в месяц, что создаёт довольно серьёзные финансовые риски для компаний-заказчиков в случае неправомерных действий пользователей. С учётом этого от проекта ожидается максимальная защита от таких рисков как: - формирование и проведение избыточных выплат - выполнение запросов от имени других сотрудников - подмена запросов со стороны расширения для учётных и бухгалтерских программ - имитация действий привилегированных пользователей - и т.д. Для решения этой проблемы задействуются технологии машинного обучения с использованием уже существующих наработок. Алгоритмы учитывают в том числе такие маловероятные векторы атаки, как взлом ПО на стороне банков-партнёров.