Адрес первоисточника: http://www.pcweek.ru/themes/detail.php?ID=71676
Автор: Родион Насакин.
При этом под "качественным" отсевом неблагонадежных клиентов понимается не только сопоставление информации о доходах, честно предоставленной потенциальным заемщиком, и других значимых факторов*1 с размерами кредита, но и умение распознать лиц, пытающихся "профессионально" обмануть скоринговую систему. Крайне сложно обвести вокруг пальца банк, использующий для принятия решения только документально подтвержденную информацию. Однако, как уже говорилось ранее, банки экономят время, а потому зачастую вынуждены верить указанным в анкете данным, которые проверить сразу же при заполнении документов невозможно.
К настоящему времени практически в любом крупном городе России появились организации, предлагающие населению свои услуги по "правильному" заполнению банковских анкет, благодаря которому клиент якобы может пройти сквозь игольное ушко скоринга. Чаще всего такие фирмы маскируют свою деятельность под обычную консультационную помощь в заполнении документов. И этот бизнес нельзя назвать совершенно безуспешным, с чем соглашаются даже сами банкиры. В частности, Максим Чернущенко, вице-президент Инвестсбербанка, в опросе на тему скоринга, проведенном сайтом Bankir.ru, признает, что "обманывать систему можно, но достаточно непродолжительное время. Новые схемы мошенничества регулярно выявляются и пресекаются...". Защищенность скоринговой системы зависит в первую очередь от используемых ею данных и аналитической модели оценки клиента.
При успешном внедрении данного ПО банк получает ряд существенных преимуществ. Во-первых, это сокращение срока, необходимого для принятия решения, о чем уже говорилось выше. При этом снижение временных затрат не оказывает негативного влияния на эффективную оценку заемщика. С использованием скоринговых систем сводятся к минимуму субъективные факторы, влияющие на получение кредита (в 90-е каждый российский бизнесмен знал, что кредиты дают только знакомым; сейчас ситуация существенно изменилась, однако некоторые последствия того времени ощущаются). Во-вторых, система позволяет повысить привлекательность банка за счет индивидуального подхода к каждому заемщику (говоря профессиональным языком, кастомизации кредитного продукта). Кастомизация сервиса, в свою очередь, ведет к увеличению числа кредитуемых лиц. Это объясняется просто. Человеку, заявка которого о получении кредита не может быть удовлетворена по результатам скоринга, банк предлагает меньшую сумму, вполне укладывающуюся в допустимый риск, рассчитанный системой. Инсталляция данного ПО дает возможность сократить штат банковских сотрудников и расходы на содержание специалистов высокой квалификации. При изменении ситуации на рынке в алгоритм системы всегда можно внести соответствующие коррективы, которые будут приняты одновременно во всех отделениях банка.
Существующие системы скоринга функционируют в соответствии с различными методологиями, однако основная идея их работы остается неизменной. Программа принимает решение об отказе в выдаче кредита (или снижении максимальной суммы, которую банк может выдать) клиенту, если определенный параметр, вычисленный по результатам проверки, превышает заданную пороговую сумму риска S. Она может быть рассчитана путем сложения показателей, сообщаемых клиентом во время опроса, умноженных на веса, задающие степень важности каждого показателя. Различия между системами, во многом определяющие их эффективность, заключаются как раз в методах подбора весов и показателей, характеризующих клиента.
Для построения модели классификации клиентов по платежеспособности разработчики применяют различные аналитические методы, в частности:
Последние три метода можно назвать относительно новыми, однако они уже успели неплохо зарекомендовать себя в сфере риск-менеджмента. Так, нейронные сети позволяют разделить клиентов на "однородные" группы, т. е. выделить несколько групп заемщиков, внутри которых уровень риска примерно одинаков, но заметно отличается от уровня риска для клиентов из других групп. В ритейле нейронные сети пока используются редко; в основном этот метод применяется в скоринговых системах, ориентированных на юридических лиц. Вместе с тем благодаря способности нейронных сетей выявлять нестандартные ситуации наиболее успешно они показали себя в задачах обнаружения мошенничества с кредитными карточками.
В основе генетического алгоритма лежит аналогия с процессом естественного отбора. Сначала алгоритму передаются несколько моделей, по которым можно произвести классификацию клиентов. Затем в процессе отбора эти модели "мутируют", "скрещиваются", а в результате выявляется "сильнейшая" модель, которая дала наиболее точную классификацию.
В методе ближайших соседей клиенты выборки представляются точками в многомерном пространстве показателей, а их близость друг к другу характеризуется расстоянием между точками. Новый заемщик классифицируется по своему окружению - в зависимости от того, "плохие" или "хорошие" точки преобладают поблизости от него.
Как правило, на практике применяется комбинация нескольких методов, а строгая секретность сведений о модели, используемой в том или ином банке, делает невозможным сравнение эффективности отдельных моделей.
Подавляющее большинство отечественных банков используют в скоринге специализированные модули систем розничного обслуживания (например, RS-Loans или Invo Retail) или же разрабатывают скоринговое ПО своими силами. В этой сфере можно отметить больше уникальных разработок, чем в любой другой области банковской автоматизации. И все же рынок скоринговых ИТ-решений существует, и на нем присутствуют фирмы, как разрабатывающие системы под заказ с использованием общей скоринговой модели, так и адаптирующие под конкретный банк серийный продукт.
SAS: КЛАССИКА СКОРИНГА
Статистические методы системы SAS Credit Scoring for Banking уже более 26 лет используются банками при оценке кредитоспособности клиентов: с их помощью анализируются действия заемщиков с кредитными картами, личные займы и закладные. И несмотря на солидное число появившихся в последние годы новых методов построения скоринговых моделей, продукт SAS остается наиболее популярным серийным решением.
Мировым лидером по разработке скоринговых систем является компания Fair Isaac, продуктами которой пользуются ведущие мировые кредитные агентства Equifax, Experian и Trans Union. Разработанная ею статистическая скоринговая модель FICO Score вполне может стать де-факто стандартом в ближайшие годы. Однако в России более популярны отечественные скоринговые продукты, что объяснимо не только учетом в них национальной специфики, но и приемлемыми ценами. Стоимость скоринговой системы может колебаться в среднем в пределах от 20 до 200 тыс. долл.
FORECSYS: ПОИСК ЛОГИЧЕСКИХ ЗАКОНОМЕРНОСТЕЙ
В основе программных продуктов фирмы Forecsys лежат собственные технологии анализа клиентских сред (Customer Environment Analysis, CEA) и прогнозирования взаимосвязанных процессов (Interrelated Processes Forecasting, IPF). Технология оценки кредитных рисков, применяемая в данном решении, основана на методах data mining (деревья решений, поиск логических правил и т. д.). В компании утверждают, что ПО, использующее такие алгоритмы, может работать даже с малыми объемами данных.
BASEGROUP LABS: DATA MINING В КРЕДИТНОЙ ПРАКТИКЕ
Deductor: Credit, скоринговая разработка компании BaseGroup Labs, входит в семейство программных продуктов Deductor, разработанных на одноименной платформе и использующих методы data mining для решения финансово-аналитических задач. Банк должен иметь информацию по выданным кредитам за три-четыре года. Как следует из названия продукта, центральное место в работе Deductor: Credit играют экспертные оценки. Сначала выдвигается гипотеза, в рамках которой эксперт с помощью своего опыта и знаний предполагает степень влияния тех или иных факторов на исследуемую закономерность и составляет список всех значимых факторов.
Факторы, имеющие отношение к верифицированной гипотезе, собираются и консолидируются в хранилище данных Deductor Warehouse. На основе структурированных данных создается аналитическая отчетность, помогающая в построении модели. В силу того что в Deductor Warehouse данные имеют многомерную структуру, разработчики считают наиболее удобным получение отчетности в виде кросс-таблиц или кросс-диаграмм. Такой подход позволяет проанализировать имеющуюся выборку по заемщикам и выделить основные зависимости от отдельных параметров. На сайте компании дан пример анализа выборки по возрасту клиентов, в результате которого выясняется, что количество соискателей кредита в возрасте после 30 лет существенно снижается (см. кросс-диаграмму на рис. 2). Очевидно, что в сложившейся ситуации взрослых клиентов не устраивают условия кредитования, а потому рассматриваемый банковский продукт нуждается в кастомизации. Хранилище данных снабжено инструментами для определения предпочтений клиентов.
Интересны возможности Deductor Warehouse по анализу рынка в целом, позволяющие банку получить подробное представление о клиентуре. Такие задачи решаются здесь с помощью построения самоорганизующихся карт. Наглядное отображение сегментирования клиентских групп позволяет ответить на вопросы: кто берет кредит, с какой целью, каковы причины несостоятельности "плохих" заемщиков и т. п. Подобную задачу можно решить с помощью построения самоорганизующихся карт Кохонена. Обычно сначала проводится анализ для каждой характеристики (среднемесячный доход, цель кредита, сумма кредита, количество иждивенцев и т. д.) в отдельности, а потом оценивается взаимосвязь всех показателей. После того как сегментирование клиентов завершено, можно проанализировать каждую полученную группу в отдельности. В данном случае используется метод дерева решений, в котором в качестве входных параметров указываются гипотетические факторы, влияющие на кредитоспособность, а на выходе - решение о выдаче кредита. Дерево самостоятельно отсекает факторы, которые по результатам проверки оказываются малосущественными.
Построение модели производится при помощи нейронной сети, позволяющей системе принимать не только бинарные решения ("плохой" или "хороший"). Нечеткие оценки дают возможность смягчать или ужесточать требования к каждому заемщику в отдельности. После построения модели от аналитика требуется лишь задать пороговое значение оценки, по достижении которого кредит может быть выдан.
EGAR TECHNOLOGY: ШИРОКИЙ СПЕКТР РЕШАЕМЫХ ЗАДАЧ
В системе EGAR Loans, полностью автоматизирующей процесс выдачи кредитов физическим лицам, представлены сразу два скоринговых продукта: EGAR Application Scoring и EGAR Behavior & Collection Scoring. Первый предназначен для оценки кредитоспособности на основе анализа исторических данных (ретроспективный скоринг) и применения макроэкономических моделей (макроскоринг). Он используется для работы в сфере потребительских кредитов, кредитных карт, автокредитования, ипотеки и кредитования малого бизнеса (тип кредитного продукта учитывается при принятии решения).
Реализация системы на промышленной платформе делает возможным поддержку многофилиальной структуры, а получение приложения в аренду существенно расширяет круг потенциальных банков-клиентов. Система поставляется как в полной версии, так и в форме ASP-решения, что делает ценовую политику EGAR Technology гибкой и приемлемой для большинства российских банков.
Вторая система компании - EGAR Behavior & Collection Scoring - имеет довольно необычную функциональность, позволяющую оценивать риски по уже существующим кредитам. При этом система учитывает график погашения задолженности заемщиком и движение средств на других счетах. Она также оценивает эффективность различных мер для ликвидации просроченной задолженности - скоринга взысканий.
Вверх