Технологии скоринга – автоматической оценке кредитоспособности физического лица – в банковской среде традиционно уделяется повышенное внимание. Сегодня можно сказать, что экспертные методы уходят в прошлое, и все чаще при разработке скоринговых моделей обращаются к алгоритмам Data Mining. Классическую скоринговую карту можно построить при помощи логистической регрессии на основе накопленной кредитной истории, применив к ней ROC-анализ для управления рисками.
Постановка задачи. В коммерческом банке имеется продукт «Нецелевой потребительский кредит»: займы предоставляются на любые цели с принятием решения за один день. В настоящее время решение о выдаче кредита принимается на основе скоринговой карты, построенной экспертным способом, с процентом отказа, равным 55%, при этом объем просроченной задолженности велик. Накоплена статистическая информация о заемщиках и качестве обслуживания ими долга за несколько месяцев. Руководство банка, понимая, что высокий уровень отказов препятствует расширению розничного бизнеса в области потребительского кредитования, поставило перед отделом розничных рисков задачу разработать новую скоринговую карту, которая позволила бы значительно сократить число отказов в выдаче и снизить сумму просроченной задолженности.
Исходные данные. Вообще говоря, информация о заемщиках – физических лицах и кредитных договорах хранится в банковской информационной системе. Там же содержатся графики и даты погашений кредита, сведения о просрочках, об их суммах, о процентах и т.д. Получить для построения скоринговой модели таблицу с параметрами заемщиков и информацию о наличии просрочек – отдельная задача. Будем считать, что она уже выполнена и результат представлен в виде текстового файла.
Важным также является вопрос о том, что понимать под параметрами заемщика. Здесь уместно обратиться к методическим аспектам подготовки и сбора данных для анализа, и вспомнить, что на этом этапе требуется активное взаимодействие с экспертами: они с высоты своего опыта ограничат круг входных переменных, которые потенциально могут влиять на кредитоспособность будущего заемщика. Кроме того, следует учитывать аспекты бизнеса и технические вопросы (например, сложно проверить в короткий срок достоверность признака «Сфера деятельности компании», а потому полагаться на него не стоит).
Скоринговые карты часто строятся на категориальных переменных, и для этого непрерывные признаки квантуются при помощи ручного выбора точек разрыва (или полуручного, см., например, «Тест Чоу»). Скажем, переменная Стаж работы разбивается на три категории: «до 1 года», «от 1 до 3 лет», «свыше 3 лет». Такую модель легче интерпретировать, но она менее гибкая при моделировании связей: горизонтальные «ступени» дают плохую аппроксимацию при наличии частых крутых «склонов».
В банковской практике перед скорингом заемщик, как правило, проходит процедуру андеррайтинга – проверку на удовлетворение жестким требованиям: соответствие возрасту, отсутствие криминального прошлого и, конечно, наличие определенного дохода. При этом выдвигаются требования к минимальному уровню дохода, и рассчитывается возможный лимит кредита. При его расчете участвует один из двух коэффициентов – П/Д либо О/Д.
Коэффициент «Платеж/Доход» (П/Д) – отношение ежемесячных платежей по кредиту заемщика к его доходу за тот же период. Считается, что значительная величина этого коэффициента (свыше 40%) свидетельствует о повышенном риске как для кредитора, так и для заемщика.
Коэффициент «Обязательства/Доход» (О/Д) – отношение ежемесячных обязательств заемщика к его доходу за тот же период с учетом удержаний налогов. В обязательства включаются расходы, связанные с выплатой планируемого кредита, а также имеющиеся другие долгосрочные обязательства (выплаты по иным кредитам, на содержание иждивенцев, семьи, алиментов, обязательные налоговые платежи и пр.). Считается, что размер ежемесячных обязательств заемщика не должен превышать 50-60% его совокупного чистого дохода.
Заявки клиентов, не прошедшие андеррайтинг, получат отказ и даже не попадут на скоринг. Поэтому на вход скоринговой процедуры выгоднее подавать не доход клиента, а отношение О/Д или П/Д.
В нашей задаче представлено 2709 кредитов (файл loans.txt) с известными исходами платежей на протяжении нескольких месяцев после выдачи кредита.
В табл. 5.1 отображены структура и описание полей текстового файла с кредитными историями.
Таблица 5.1. Данные по заемщикам и качеству обслуживания ими долга
|
Поле |
Описание | |
|
Служебный код заявки | ||
|
Дата выдачи кредита |
Дата/время |
|
|
Коэффициент О/Д («Обязательства/Доход») в % |
Вещественный |
|
|
Возраст заемщика (полных лет) на момент принятия решения о выдаче кредита | ||
|
Проживание |
Основание для проживания: собственник; муниципальное жилье; аренда |
Строковый |
|
Срок проживания в регионе |
Менее 1 года; от 1 года до 5 лет; свыше 5 лет |
Строковый |
|
Семейное положение |
Холост/не замужем; женат/замужем; разведена/вдовство; другое |
Строковый |
|
Образование |
Среднее; среднее специальное; высшее |
Строковый |
|
Стаж работы на последнем месте |
Менее 1 года; от 1 года до 3 лет; свыше 3 лет |
Строковый |
|
Уровень должности |
Сотрудник; руководитель среднего звена; руководитель высшего звена |
Строковый |
|
Кредитная история |
Информация берется из бюро кредитных историй. Если имеется негативная информация о клиенте (просрочки по прошлым кредитам), то ему присваивается категория «отрицательная» |
Строковый |
При подборе персонала на вакантные должности компании (особенно в массовом подборе) специалисты сталкиваются с большим количеством рисков. Эти риски связаны с ошибочным отсевом кандидатов и как следствие с принятием на работу не профессионалов, что в дальнейшем может порождать все новые и новые цепочки рисков. Следовательно специалисту по подбору персонала важно располагать инструментами, помогающими быстро и по универсальным параметрам оценить степень риска при рассмотрении того или иного кандидата. «Скоринг» (от англ. Scoring) - дословно подсчет очков в игре. В бизнесе скоринг активно используют в маркетинге, страховании, у сотовых операторов в телекоммуникационной сфере и наиболее широко - при кредитовании физических лиц. В общем виде скоринговая модель представляет собой математическую модель, описывающую зависимость степени риска от набора входных факторов. Реализацию данная модель находит в скоринговых картах. Например, применительно к кредитованию - это некоторый набор основных характеристик заемщика, таких как возраст, доход, профессия, стаж работы, наличие имущества и т.д. и соответствующих весовых коэффициентов, выраженных в баллах. Потенциальный заемщик заполняет анкету, сообщая таким образом необходимые для анализа сведения о себе. В результате функционирования скоринговой модели для каждого потенциального заемщика получают интегральный показатель, представляющий собой взвешенную сумму определенных признаков. Надежность клиента можно оценить по уровню данного значения. В зависимости от суммы набранных скоринг-баллов банк определяет класс риска и рассчитывает максимальную сумма кредита, уточняет процентную ставку и срок. Основными критериями банковского скоринга физических лиц являются значения следующих параметров: возраст, пол, совокупный доход (как заемщика, так и поручителей), количество иждивенцев, место жительства и работы и т.п. Каждый из этих параметров переводится в стандартные балы. Подобный подход логично использовать и в процессе принятия решения по отбору кандидатов как при отборе на открытые вакансии или при отборе кандидатов в кадровый резерв. Модель скоринговой оценки строится на основе накопленных данных о зависимости дефолта (увольнения, несоответствия занимаемой должности и т.п.) потенциального кандидата от определенных характеристик. После чего используя статистический аппарат и приемы математического моделирования, составляется скоринговая карта. В процессе моделирования разрабатывается несколько скоринговых карт, каждая из которых будет зависеть от типа вакансии и ряда других признаков. При анализе, сопоставив конкретные анкетные данные о потенциальном или действующем кандидате на вакансию со скоринговой картой, получают соответствующий результат. Для построения эффективной скоринговой модели необходимо решить следующие задачи. На первом этапе необходимо определить ключевую цель, т.е. для чего конкретно будет использоваться скоринг (оценка кандидата, определение оптимальной стратегии по кандидатам на испытательном сроке и т.п.). На втором этапе выделяют показатели, которые будут использованы для моделирования, а также источники их получения. Например, знания кадровых специалистов о требованиях вакансии и компетенциях соискателей, статистика по уже работающему персоналу, учитывающая «успешных» и «плохих» кандидатов. На третьем этапе проводится предварительный анализ данных, их очистку и подготовку, ведь каждый соискатель обладает своим уникальным набором параметров. Для такого анализа необходима унификация данных и специализированное программное обеспечение бизнес-анализа класса Business Intelligence (BI). Система должна предоставлять возможность обработки данных: просмотра, фильтрации, поиска, ручной и автоматической замены. Часто для лучшего понимания данных и для определения их целостности необходимо проводить экспресс-анализ, который осуществляется на основе базовых статистик распределений. Следовательно, система должна уметь проводить частотный анализ и строить распределения. Если очистка данных произведена, необходимо подготовить данные к моделированию. До начала построения модели следует рассчитать на основе функциональных зависимостей все возможные производные параметры, которые будут использованы для дальнейшего анализа. На четвертом этапе полученные признаки разбиваются на классы, выявляются их предиктивные характеристики. Большинство алгоритмов скорингового моделирования основываются на классификации элементов (соискателей), обладающих одинаковыми признаками. Кроме того, в процессе построения модели появляется необходимость разбиения некоторых признаков на классы. Основной принцип в данном случае - группировка соискателей с максимально похожим поведением в один класс. Такой подход основывается на экспертных данных. На основе проводимого анализа выделяются предиктивные характеристики, между значениями которых и вероятностью негативного события существует корреляция. Теоретически предиктивным может быть любой параметр, характеризующий соискателя. К ключевым характеристикам могут быть отнесены следующие: возраст, средний срок работы на одном месте, стаж работы, место жительства, наличие кредитов, количество детей/иждивенцев и т.п. Для каждой модели составляется свой перечень предиктивных характеристик. На основе статистических данных и экспертных оценок для каждой характеристики вводится свой весовой коэффициент, определяющий степень ее влияния на вероятность возникновения негативного события. Отобранные предиктивные характеристики анализируются в совокупности. Это связано с существованием возможных корреляций. Может оказаться, что ввод дополнительной характеристики в модель ухудшит ее качество. На пятом этапе строится нескольких вариантов моделей, из которых выбирается наиболее оптимальный с точки зрения соотношения «качество/ стабильность». На шестом этапе определяют уровень стабильности модели, т.е. ее способность сохранять точность в течение какого-либо будущего периода. Стабильность построенной модели определяется аналитиком на основе тестовых данных. Если на тестовых данных система показывает эффективность, схожую с эффективностью на обучающих данных, считается, что модель стабильна. На седьмом этапе формируют балл отсечения, который базируется на стратегии, используемой фирмой (массовый подбор или закрытие «уникальной» вакансии, поиск уникального специалиста и др.). Балл отсечения устанавливается в зависимости от выбранного приоритета. При внедрении скоринговой модели в практику работы, специалисту по кадрам необходимо определить коэффициенты для различных факторов-характеристик надежности соискателя. Следовательно, кадровый специалист должен быть в состоянии оценить текущую ситуацию на рынке. В результате такой оценки получают набор факторов с весовыми коэффициентами и пороговое значение (балл отсечения), которые являются весьма субъективным мнением и зачастую являются статистически необоснованными. На последнем, восьмом этапе оценивают эффективность разработанной модели При использовании скоринговых карт в подборе персонала специалист по кадрам сможет быстро определять общий сводный бал кандидата и принимать решение о приеме/не приеме, а также прогнозировать успешность/неуспешность кандидата в работе. Преимуществом применения скоринговых карт при массовом подборе (когда обрабатываются данные о сотнях потенциальных соискателей) является возможность получения общего балла каждого кандидата, и автоматическое отсечение тех, кто не набирает «установленного достаточного минимума». Ценность применения скоринговой модели также и в том, что: - легко структурировать и визуализировать полученные данные при подборе на любую должность; - у специалиста по кадрам появляется четкое понимание, что необходимо узнать о соискателе и из какого источника; - оценки становятся стандартизированными, увеличивается прозрачность процедуры отбора в целом; - компания может легко проследить корреляцию между характеристиками нанятых сотрудников и их дальнейшей эффективностью Тем не менее, скоринговые карты не могут полностью заменить специалиста. Как и в банковском деле при нестандартных ситуациях (сложных вакансиях) окончательное решение должно приниматься не по набранным баллам, а по результатам дополнительного анализа соискателя и живого собеседования с ним. Применяя скоринговые карты предприятие оптимизирует бизнес-процессы подбора персонала, повысит эффективность, выбирая только лучших из кандидатов, и снизит риски текучести персонала.
Средний размер ипотечного займа за март 2014 составил порядка 1.5 млн рублей . Средний размер автокредита составляет
не менее 0.5 млн рублей . Спасибо за предоставленные ссылки.
Исходя из вышеприведенных цифр, можно предположить, что банк умудрился за месяц выдать кредит около двумстам тысячам человек.
Конечно, в этом банке используют скоринговые системы.
Я узнал про скоринговые системы пару лет назад и был потрясен. Сама идея, что бездушная машина может принимать решение о выдаче кредита на основе статистических данных, не выходила из головы. Я захотел поиграть в банк и проверить, выдаст ли компьютер кредиты моим друзьям, just for fun. Настоящие скоринговые системы я никогда не видел, но решил, что это и неважно, напишу сам.
Сказано - сделано.
Осторожно, много изображений!
Программа написана 2 года назад, за 2 недели, на C# + MSSQL.
Сейчас случайно откопал ее и решил показать хабрасообществу. А вдруг какой-нибудь мелкий банк купит?
Открыл код, испугался, добавил немножко многопоточности и закрыл.
SQL-запросы прямо в обработчиках - это ужасно, я знаю. Но доделывать неинтересно, уже наигрался.
Значит, для начала нужна анкета, которая по-умному называется «скоринговая карта».
На сайтах 3 крупнейших российских банков были найдены анкеты для получения потребительских кредитов. Собираем из трех одну, распечатываем и создаем экспертную комиссию. Были пойманы 15 человек, этого оказалось достаточно. Эксперт оценивает каждый критерий скоринговой карты в диапазоне от 0 до 100 баллов. Также есть следующие варианты:
Затем находится средний балл за каждый критерий и получается итоговая анкета.
| Показатель | Значение показателя | Балл |
| Фамилия | -1 | |
| Имя | -1 | |
| Отчество | -1 | |
| Дата рождения | -1 | |
| Место рождения | -1 | |
| Пол | -1 | |
| -1 | ||
| Серия, номер | -1 | |
| Кем выдан | -1 | |
| Дата выдачи | -1 | |
| Телефон | -1 | |
| Адрес | -1 | |
| Возраст | Менее 20 лет | 8 |
| 20-25 лет | 21 | |
| 25-30 лет | 36 | |
| 30-35 лет | 53 | |
| 35-50 лет | 60 | |
| 50-60 лет | 37 | |
| 60-65 лет | 15 | |
| Больше 65 лет | -10 | |
| Проживание | Собственное жилье | 47 |
| Аренда жилья | 13 | |
| Общежитие | 8 | |
| У родственников | 10 | |
| Воинская часть | 9 | |
| Другое (уточните) | -1 | |
| Гражданство | РФ | 43 |
| Другое (являюсь резидентом РФ) (уточните) | 5 | |
| Не являюсь резидентом РФ | -10 | |
| Семейное положение | Холост (не замужем) | 40 |
| Женат (замужем) | 65 | |
| Женат (замужем) но живет раздельно | 26 | |
| В разводе | 29 | |
| Вдовец (вдова) | 34 | |
| Наличие детей | Нет детей | 66 |
| Один | 57 | |
| Два | 48 | |
| Три | 36 | |
| Более трех | 24 | |
| Наличие иждивенцев | Нет | 66 |
| Один | 57 | |
| Два | 48 | |
| Три | 36 | |
| Более трех | 24 | |
| Уровень образования | Ниже среднего | 11 |
| Среднее | 21 | |
| Среднее специальное | 33 | |
| Незаконченное высшее | 39 | |
| Высшее | 58 | |
| Несколько высших | 77 | |
| Ученая степень | 84 | |
| Занимаемая должность (позиция) | Руководитель (дир., зам.дир., гл. бух.) | 94 |
| ИП | 92 | |
| Госслужащий | 47 | |
| Военнослужащий | 56 | |
| Специалист | 46 | |
| Спортсмен | 30 | |
| Рабочий | 32 | |
| Студент (неработающий) | 9 | |
| Пенсионер (неработающий) | 8 | |
| Безработный | 0 | |
| Количество мест работы за последние 3 года | Одно | 52 |
| Два | 38 | |
| Три | 21 | |
| Более трех | 9 | |
| Стаж на данном месте работы | Менее 1 года | 7 |
| До 3 лет | 24 | |
| До 5 лет | 40 | |
| Более 5 лет | 56 | |
| Общий стаж работы | Менее 1 года | 10 |
| До 3 лет | 20 | |
| До 10 лет | 37 | |
| Более 10 лет | 62 | |
| Вид деятельности организации | Финансы, банки, страхование | 37 |
| Консалтинговые услуги | 32 | |
| Строительство | 39 | |
| Органы власти и управления | 42 | |
| Промышленность и машиностроение | 37 | |
| Инофрмационные технологии/телекоммуникации | 38 | |
| Оптовая и розничная торговля | 35 | |
| Транспорт | 30 | |
| Туризм | 36 | |
| Охранная деятельность | 34 | |
| Образование | 32 | |
| Медицина | 30 | |
| Наука | 33 | |
| Вооруженные силы | 31 | |
| Социальная сфера | 21 | |
| Другие отрасли (уточните) | -1 | |
| Среднемесячные доходы | -1 | |
| Среднемесячные расходы | -1 | |
| Собственность недвижимого имущества | Гараж | 38 |
| Квартира | 58 | |
| Дом | 65 | |
| Дача | 51 | |
| Земельный участок | 63 | |
| Другое (уточните) | -1 | |
| Наличие транспортного средства | Наименование, марка, год выпуска (уточните) | -1 |
| Нет транспортного средства | 0 |
Эта анкета заносится в систему.
Вообще, обязательных вопросов всего 2 - «Среднемесячные доходы» и «Среднемесячные расходы». Без них нет смысла в кредитовании вообще. Остальные вопросы можно изменять, удалять, или добавлять свои.
Кнопка «Сортировать» определит максимальный и минимальный балл скоринговой карты, а также определит тип вопроса.
При прохождении анкеты элементы создаются автоматически. Если у вопроса один ответ, он будет отображаться как поле, если больше 1 ответа, он превращается в выпадающий список. Так выглядит анкета с точки зрения клиента.
А это клиент указал наличие транспортного средства, и описал его. Кредитный специалист оценил в баллах данный критерий.
Оценка системой анкеты.
Чистый среднемесячный доход - это разница между доходами и расходами. Для повышения гарантии платежа, в программе учитывается понижающий коэффициент платежа от чистой прибыли, например 0.7. Это значит, если клиент указывает 100 рублей чистой прибыли в месяц, банк рассчитывает до 70 рублей ежемесячного платежа. Чистый доход умножается на данный коэффициент. Коэффициент можно изменять в настройках.
У анкеты существует верхний и нижний предел прохождения. Нижний предел уменьшает количество одобренных кредитов, но повышает платежеспособность клиентов. Верхний предел отсекает мошенников, которые создают идеальные анкеты для максимально выгодного кредита. Верхний и нижний пределы задаются в процентах, их можно изменять в настройках. Если анкета клиента, а точнее, сумма баллов за анкету проходит в окно между верхним и нижним пределами, кредит считается одобренным. Теперь клиент может выбрать одно из кредитных предложений, сумму и продолжительность выплат. Выплаты можно посчитать аннуитетными или дифференцированными платежами.
Клиент хочет получить 230 000 рублей со сроком выплаты 24 месяца дифференцированными платежами под 22,5 процента. За 24 месяца клиент выплатит 283 906 рублей.
Вот график платежей.
Потными от волнения руками нажимается кнопка «Оформить». Первый платеж клиента самый большой, он составляет 13 896 рублей. Месячная платежеспособность клиента определена в 14 611 рублей, поэтому банк согласен выдать кредит.
Ура! Если кредит одобрен, создаются заявка, договор и таблица платежей.
Обратите внимание на статус - клиент плохой. Статусов всего 2 - хороший и плохой. Почему плохой, клиент же только что взял кредит? Дело в том, что первый платеж должен поступить уже сегодня.
Система определяет статус клиента по таблице платежей. Для каждого платежа указана дата. Определяются платежи, которые на сегодняшний день уже должны быть оплачены. Клиент признается плохим, если количество невыплат:
Платеж оплачен, транзакция прошла!
Если честно, то номера счетов, договоров, заявок и транзакции платежей генерируются случайным образом, и для работы системы не нужны вообще. Но я же солидный банк!
Зато клиент стал хорошим.
Грязный хак - можно хорошего клиента сделать плохим, отменив его платежи.
А теперь я хочу взять 140 000 рублей на год под «Добрый кредит».
Переплата 303 рубля - мечта!
Но вот все друзья получили кредит, статистика идеальна, рынок насытился. Банк в стагнации. Что делать? НУЖНО БОЛЬШЕ КЛИЕНТОВ! Где их взять? Сгенерировать!
Итак, генератор для стандартной анкеты:
| Вопрос | Ответ |
| Пол | Случайно |
| Имя | Из списка |
| Фамилия | Из списка |
| Отчество | Имя из списка плюс «ович» или «овна» |
| Место рождения | Из списка |
| Дата рождения | От 1940 г. до 1997 г. |
| Документ, подтверждающий личность | Паспорт |
| Номер паспорта | От 0000 000000 до 9999 999999 |
| Дата выдачи | Любой момент, с тех пор как клиенту исполнилось 14 лет |
| Место выдачи | Из списка |
| Среднемесячные доходы | От 4 тыс. до 60 тыс. руб. |
| Среднемесячные расходы | От 2 тыс. до 30 тыс. руб. |
| Остальные вопросы | Случайно |
| Кредитное предложение | Случайно |
| Сумма кредита | От 1 тыс. руб. до максимальной суммы кредитного предложения |
| Количество месяцев выплат | От минимального до максимального для данного кредитного предложения |
Хотя доходы в 2 раза превышают расходы, все равно иногда попадается, что чистый доход отрицателен.
Если выбран ответ с уточнением, заявка аннулируется, а в строке состояния появляется подпись «Невозможно сгенерировать заявку с уточнением».
Если кредит одобрен, то генерируются выплаты. Вероятность неплатежа равна 1/20, но некоторым клиентам не везет и они пропускают по 4 платежа подряд.
Генератор был вынесен в главное меню, можно создать 1 или сразу 200 заявок.
Также генератор есть при прохождении анкеты.
Баллы сгенерированных клиентов подчиняются нормальному распределению. Крайний левый столбец - это те, кому отказано в кредите.
В анкетах конечно получаются глупости, зато статистика сразу стала повеселее!
Вывод - худшим клиентом является холостой (незамужняя) индивидуальный предприниматель, с несколькими высшими образованиями.
Могут понадобиться
Повышение доходности кредитного портфеля банка напрямую зависит от грамотного управления кредитными рисками. И именно скоринговые системы позволяют снизить риски без потери доходности, предложив ответ на ключевые вопросы: насколько проблематичной будет работа банка с конкретным заемщиком, какое значение кредитного лимита установить, и вернет клиент кредит или нет.
В 1941 г. Дэвид Дюран впервые применил методику классификации кредитов на «хорошие» и «плохие». Он определил не только группы факторов, позволяющие максимально определить степень кредитного риска, но и коэффициенты, характеризующие кредитоспособность частного клиента. Таким образом, заемщик, который преодолел пороговое значение, набрав достаточное количество баллов, потенциально мог получить запрашиваемую сумму. Идея Дюрана получила продолжение - вскоре в Сан-Франциско образовалась первая консалтинговая фирма в области скоринга Fair Issac, а несколько позже, с появлением новых массовых кредитных продуктов (кредитных карт), к идее скоринга обратились все финансовые учреждения США.
По сути, скоринг является методом классификации совокупности заемщиков на различные группы, когда необходимая характеристика не известна, однако, известны другие характеристики, которые каким-либо образом коррелируют с интересующей. На практике, в зависимости от задач анализа заемщика, кредитный скоринг включает application-скоринг - оценку кредитоспособности претендентов на получение кредита (скоринг по анкетным данным используется в первую очередь), behavioral-скоринг - оценка вероятности возврата выданных кредитов (поведенческий анализ), а также collection-ско-ринг - оценка возможности полного либо частичного возврата кредита при нарушении сроков погашения задолженности (расчет рисков по портфелю).
Известные сегодня разработки SAS, KXEN, Experian, SPSS, EGAR - это не специализированные программные средства для скоринга, а универсальные аналитические инструменты (Data Mining), так называемое «интеллектуальное ядро», которое можно в том числе использовать и для построения собственных скоринговых моделей. Поэтому, в более полном понимании, скоринговая система изнутри представляет собой сложную систему автоматизации выдачи потребительских кредитов в банковских отделениях, торговых точках, через интернет, которая в качестве аналитического ядра использует решение одной из известных компаний-разработчиков.
Сам по себе скоринг - это не только работа с определенными скоринго-выми моделями, но и построение скоринговой инфраструктуры. Так, во многих Data mining продуктах результат анализа статистических данных (матмо-дель) можно сохранить в виде программного кода, а его вставить в банковское программное обеспечение. То есть, под скоринговой системой подразумевают специальное программное обеспечение, с помощью которого можно рассчитать необходимый показатель на основе исходных данных (рисунок). Скоринговая карта - это набор утвержденных банком определенных характеристик и соответствующих весовых коэффициентов (в баллах).
Скоринговых карт в банках обычно несколько, поскольку они сильно зависят от кредитных продуктов. К примеру, под недвижимость необходима одна карта, а на покупку автомобиля уже совершенно другая. По мнению экспертов, можно использовать и одну общую карту, однако это неудобно для пользователей. Моделей также почти всегда несколько. Обычно заявка на кредит проходит через большое количество моделей, причем для разных категорий лиц могут применяться различные модели даже на одной скоринговой карте.
В процессе эксплуатации скоринговой системы важен мониторинг качества и эффективности работы скоринговой модели. Обычно именно здесь специалисты видят одну из основных проблем кредитного скоринга
Упрощенная модель работы скоринговой системы
Одной из основных трудностей известных скоринговых систем, как и всех технологических решений в сфере core banking, является плохая адаптируемость. Дело в том, что с течением времени могут меняться условия, в которых функционирует заемщик. А значит, скоринговые модели необходимо актуализировать на наиболее «свежих» клиентах, периодически перепроверяя и, при необходимости, разрабатывая новую модель, как для различных периодов времени, так и для различных регионов. В Западной Европе новая модель разрабатывается в среднем раз в полтора года. В условиях Украины максимальным периодом будет полгода-год. Период между заменой модели может изменяться в зависимости от конъюнктуры рынков и стабильности экономики в это время.
Для адаптации скоринговой модели специалисту финансового учреждения необходимо определить коэффициенты для различных факторов, характеризующих кредитоспособность частного клиента. А значит, аналитик должен быть в состоянии оценить текущую ситуацию на рынке. Результатом работы будет набор факторов с весовыми коэффициентами и пороговое значение (балл отсечения), которые являются весьма субъективным мнением и зачастую являются статистически необоснованными.
Преодоление таких ограничений скоринга решается с помощью инструментов Data minig. Наиболее распространенным методом автоматического анализа данных является построение дерева решений. Поставщики решений уверены: для того чтобы получить обоснованные выводы, не обязательно быть статистиком. К примеру, AnswerTree (продукт SPSS) автоматически строит дерево, позволяя на базе диалоговых окон даже неподготовленному пользователю начать работу с программой. Сам AnswerTree автоматически просеивает данные и находит статистически значимые группы.
С помощью интуитивно понятных древовидных диаграмм, графиков и таблиц программа самостоятельно сегментирует данные, при этом аналитику необходимо лишь указать целевую переменную, переменные-предикаторы и выбрать алгоритм построения дерева решений. Удобно, что древовидная диаграмма, которая похожа на блок-схему, позволяет визуализировать выделенные сегменты и закономерности в данных.
Для получения максимально достоверных результатов обычно рекомендуется обучить модель на подвыборке, а затем протестировать надежность на оставшихся данных. Насколько хорошо модель описывает данные, можно увидеть, переключаясь с обучающей модели на контрольную. Представить результаты анализа можно в любом формате, к примеру, вывести информацию по каждому узлу в виде таблицы или графика.
Правильно построенное на данных прошлых периодов дерево решения обладает еще одной очень важной особенностью, а именно, «способностью к обобщению». Это означает, что если возникает новая ситуация, можно с достаточно большой долей уверенности сказать, что вновь обратившийся заемщик поведет себя так же, как и те заемщики, характеристики которых схожи с характеристиками новых клиентов.
Критерии выбора скоринговой системы напрямую зависят от задач. Большинство украинских банков воспринимают скоринг довольно узко, как процесс математического расчета скорингового балла на основе введенных данных. При этом часто роль скорин-говых систем нивелируется до уровня «скорингового калькулятора». А ведь скоринговый комплекс можно использовать не только для полной автоматизации работы инспекторов, но и для решения других важных задач - работы с «плохими кредитами», оптимизации маркетинговых кампаний и сегментации клиентской базы, борьбы с мошенничеством, анализа технических сбоев и управления ликвидностью.
Помимо определенности в том, нужен ли кредитной организации просто «скоринговый калькулятор» или автоматизация всего бизнес-процесса скоринга, важную роль играют также:
Главным препятствием на пути внедрения каких-либо скоринговых систем, по мнению Яны Нидельской, начальника управления кредитных операций «Агрокомбанка», все-таки остается отсутствие накопленной информации. Лишь при этом условии можно говорить о высокой степени достоверности получаемых в результате данных. Использование же комплексных скоринговых систем на банковском рынке Украины целесообразно лишь для крупных системных банков, которые делают основной упор на розничное кредитование - когда оно поставлено на поток (в особенности ипотека и автокредитование).
Скоринговая система традиционно состоит из модуля подготовки исходных данных, аналитического модуля и модуля отчетности.
Данные системы скоринга, могут быть трех типов. Первый тип - знания персонала кредитных отделов банков о конкретных типах кредитных продуктов (потребительских, авто и ипотечного кредитования) и своих клиентах. Второй тип данных - статистика по уже выданным кредитам, учитывающая «хороших» и «плохих» заемщиков. И, если банк не обладает ни одним из типов указанных данных - ни экспертными знаниями, ни статистикой выданных кредитов, модель, лежащая в основе системы скоринга, преимущественно строится на основе региональных и отраслевых данных.
Все фронт-офисные решения для автоматизации процесса потребительского кредитования в большинстве случаев представляют собой Web-приложения, что обеспечивает хорошую масштабируемость системы и простоту подключения к процессу выдачи кредитов новых отделений банка и представительств в торговых точках.
Есть предложения разработчиков скоринга для Украины, которые обеспечивают автоматизацию всего процесса (одновременно создание скоринговой карты и автоматизацию подачи заявки и процесса принятия решения). На рынке есть предложения западных поставщиков (часто дорогие брендовые решения, ориентированные на крупные банки) и украинских компаний-представителей (простые и дешевые расчетные системы-«калькуляторы», где учтена специфика отечественного рынка).
Наиболее известными западными скоринговыми системами сегодня являются SAS Credit Scoring, EGAR Scoring, Transact SM (Experian-Scorex), K4Loans (KXEN), Clementine (SPSS). Среди разработчиков из СНГ - BNS, Basegroup Labs. Наиболее серъезными и дорогими являются решения SAS (около 200 тыс. дол.), достойными также считаются разработки KXEN (около 30 тыс. дол.).
Практически посередине ценового диапазона стоит предложение по скорингу компании EGAR Technology, которая, с одной стороны, является западным вендором, предлагающим скоринговую систему, использующую классические западные модели, с другой стороны,- это решение (EGAR Scoring) максимально адаптировано к украинским условиям и дополнено специальными подходами - например, макроэкономическим подходом к оценке кредитоспособности заемщика, учетом особенностей самих кредитных продуктов и другими возможностями.
Рассматривая различные скоринговые решения, корректно говорить о системах для западного рынка и о системах для украинского (российского) рынка, так как есть и западные поставщики, например, EGAR, которые предлагают версию скоринга, полноценно учитывающую украинскую (российскую) специфику.
Безусловно, системы для западного рынка значительно более функциональны, чем разработки для Украины или СНГ, но заставить их работать в отечественных условиях трудно: необходимо пройти сложный процесс внедрения, интеграции и адаптации.
Сравнивая западные и отечественные системы, необходимо заметить следующее:
1. Западные системы появились намного раньше, у них большой срок эксплуатации, соответственно большой объем кредитных историй, но эти истории не подходят для украинского рынка;
2. В западных системах нет инструментов (возможностей) для работы с малыми объемами кредитных историй (что необходимо для украинского рынка). Разработки в области классического скоринга позволяют работать с ограниченными объемами кредитных историй.
Еще одна особенность - большая разница между скоринговыми картами в зависимости от локальных рынков и для разных банковских продуктов. Соответственно, западные системы недостаточно гибки для отечественного рынка.
При реализации системы скоринга в Украине традиционно работает два подхода. Первый - классический (ретроспективный) скоринг на основе анализа исторических данных с применением современных математических методов, когда такой анализ позволяет выбрать самые значимые поля для анкеты заемщика и другие показатели.
Второй - это скоринг «по правилам», когда просто, например, экспертом, задаются правила оценки кредитоспособности, и программа автоматизирует этот алгоритм без применения каких-либо статистических методов анализа исторических данных.
Сегодня именно второй вариант чаще всего работает не только в средних и малых банках, но и во многих крупных. За последний год, однако, заметно активизировался спрос и на первый вариант, так как появились небольшие, но все-таки значимые объемы кредитных историй по некоторым рынкам.
К примеру, в «Агрокомбанке», как и в большинстве малых и средних банков, используется скоринговая система собственной разработки (с учетом опыта других банков). Это своего рода комплексная оценка, включающая ряд объективных и субъективных показателей. К объективным показателям относятся финансовые показатели деятельности предприятия, а основные направления в оценке по объективным показателям традиционно регламентируются 279 Постановлением Национального банка («
о порядке формирования и использования резерва для возмещения возможных потерь по кредитным операциями банков»). Что касается субъективных показателей - здесь гораздо больше свободы выбора, и банки обычно используют такие факторы, как кредитная история, репутация, территориальное размещение, объем и качество обеспечения.
В крупном банке «Надра» также используют скоринг «по правилам». По словам Андрея Шутова, и. о. директора департамента риск-менеджмента банка «Надра», скоринго-вая система, используемая «Надра»,- это авторская разработка собственных специалистов, которая была создана при участии финансовых консультантов из других стран. Система проста: клиент предоставляет банку минимальный пакет документов - информация заносится в систему - система суммирует данные и дает ответ, указывая степень банковского риска в каждом конкретном случае.
В качестве фактора, который обозначает доминирование скоринга «по правилам», в Украине можно отметить и малое распространение в банковской среде статистических пакетов типа SPSS и SAS. Ведь, не так уж много требуется, чтобы начать анализировать своих клиентов,- ретроспектива прошлых клиентов и статистический пакет.
Ожидается, что в ближайшие несколько лет именно на системы статистического скоринга («скоринг по правилам», «макроэкономический скоринг») будет расти спрос по мере накопления достаточного количества кредитных историй («скоринг по правилам», скорее всего, будет применяться для ипотеки).
В «Дельта-банке», по информации Андрея Ладановского, начальника управления рисками, используются скоринговые карты, разработанные экспертами банка. Работа происходит следующим образом: берутся существующие кредиты с негативной и позитивной кредитной историей, статистическими методами выделяются показатели, которые влияют на кредитную историю, каждому показателю присваивается определенный вес в общей оценке. Соответственно, анкета клиента проходит через систему автоматических проверок на целостность заявки. В результате заемщику автоматически присваивается определенный внутренний рейтинг, что определяет условия кредитного договора.
На текущий момент наиболее эффективным является сочетание нескольких методов скоринга статистического и скоринга «по правилам». Тот факт, что в системе реализованы инструменты, которые позволяют совместить статистический подход и «скоринг по правилам», а также учесть региональную специфику рынка и кредитных продуктов, позволяет говорить о том, что ее можно эффективно использовать в странах с развивающейся экономикой - в России, Украине и Казахстане.
По данным экспертов, у «Райффайзенбанк Украина» (теперь ОТР) также была система, разработанная внутренними ресурсами. Банк «Ренессанс» использует разработку на базе Fair Isaak. Среди отечественных банков, занятых в рознице, уже намечается тенденция к переходу на именитых поставщиков.
Одна из интересных возможностей, которая открывается перед кредитной организацией с внедрением эффективной системы кредитного скоринга - это участие в торговле портфелями проблемных активов. 2004 год в Европе ознаменовался бумом продаж сомнительных кредитов иностранным инвесторам. Так, Morgan Stanley приобрел портфель сомнительных кредитов итальянского Banca Nazionale del Lavoro на сумму 430 миллионов евро. Чуть позже Dresdner и Hypo Real Estate также провели реструктуризацию портфелей и реализовали их иностранным покупателям.
В качестве причин активности на рынке NPL (проблемных кредитов) аналитики сходны рассматривать высокую конкуренцию и насыщение кредитных рынков Европы, более жесткие требования рейтинговых агентств и новых нормативов Базель 2, а также давление со стороны собственников. Во многом из-за этого продажа части, а то и всего портфеля NPL считается рациональным выходом для банковских учреждений, так как позволяет улучшить способность к возврату средств без ухудшения возможностей генерирования будущих денежных потоков.
Иными словами, когда показатель проблемных кредитов превышает некий допустимый уровень, их уже весьма невыгодно держать на балансе банка, даже если они гипотетически способны возвращать позитивный результат.
Управление проблемными активами потенциально может рассматриваться как выгодный бизнес также и на уровне украинских кредитных организаций. Средний показатель сомнительной задолженности по потребительским кредитам сегодня находится на уровне 7-12% от кредитного портфеля украинских банков. Однако, по мнению экспертов, это далеко не «мертвые» кредиты, ведь некоторые заемщики просто забывают или не успевают вовремя сделать погашение. По словам Андрея Ладановского, «плохой кредит» не всегда однозначно отрицательное явление, так как теоретически самым выгодным клиентом является тот, который платит весь долг с просрочкой, погашая еще и штрафные начисления. Кроме того, важно учитывать диверсификацию по типам кредитования - задолженность по потребительским кредитам и по ипотеке отличается в разы, впрочем, как и средняя доходность по данным видам продуктов.
Единственная проблема, которая сегодня является весомой преградой в деле секью-ритизации и торговле банковскими активами - это отсутствие в украинских банках опыта реструктуризации кредитной задолженности. Согласно доступной статистике, профессиональных мошенников в общей структуре задолженности отечественных банков пока около 1,5-2%, но реального положения дел не знает никто. Таким образом, создание фондов, которые могли бы управлять сомнительной и безнадежной задолженностью украинских заемщиков, может оказаться бизнесом с большой долей риска.
В этих условиях наиболее вероятными покупателями «плохих кредитов» могут выступить скорее коллекторские компании, чем специальные фонды. Так, недавно на рынке появилась киевская «Credit Collection Group» (ССG), которая основывает свою деятельность на работе с просроченной задолженностью.
Сейчас, за некоторыми исключениями, ни у одного украинского банка нет действующей классической системы скоринга, а кредитоспособность заемщиков обеспечивается преимущественно собственными программными продуктами.
Такая ситуация объективна - намерение внедрить достойное скоринговое решение зачастую наталкивается на отсутствие необходимых исторических данных и возможности применить какой-либо статпакет. Поскольку вся доступная статистика содержится на бумаге и в кредитных делах экспертов, то для создания необходимого «кредитного кладбища» из 10-20 тысяч заемщиков может понадобиться мобилизация значительных ресурсов, на что сегодня готово далеко не каждое финансовое учреждение.
В ближайшее время развитие рынка кредитных продуктов для частных лиц в Украине по прогнозам будет определяться такими тенденциями:
Банки сегодня активно оптимизируют свой бизнес: заменяют дорогостоящую филиальную сеть дистанционным обслуживанием, аккуратно сокращают персонал, нанимая многофункциональных специалистов в режиме «три по цене одного», автоматизируют все, что автоматизируется. Одним из инструментов оптимизации бизнеса, а именно кредитного процесса, является скоринг.
С развитием кредитования в России размеры кредитных департаментов банков разрослись до невозможности. Оценка заемщиков, представление их на кредитный комитет - это тонны бумаги и отчетов. И вот тут на помощь российским банкам пришел . Этот умный помощник способен быстро и без эмоций оценить любого заемщика. Ну или почти любого. Все-таки, сколько бы ни инвестировал банк в автоматизацию кредитного процесса, без человеческого участия по-прежнему не обойтись. К тому же каким бы волшебным и умным ни был автомат, но мошенника от честного клиента он отличит не всегда.
Как это работает
Скоринг работает довольно просто. Сразу после внесения данных заявки в систему она анализирует массу параметров заемщика - от экономических (размер дохода, закредитованность и пр.) до социально-демографических (возраст, пол, семейное положение, наличие детей, профессия и т. д.). Кредитный специалист получает на выходе скоринговый балл, после чего проводит дополнительную собственную оценку адекватности и психического здоровья потенциального заемщика - то есть выполняет работу, которую автоматическая система сделать не может.
Скоринг так или иначе используется во всех видах розничного кредитования. Но в зависимости от продукта меняется вес скоринговой оценки в кредитном процессе. Например, в экспресс-кредитовании скоринг оказывает значительное влияние на итоговое решение, а в ипотеке, где важен индивидуальный подход, ему уделяется меньшее внимание. Чем сложнее параметры кредитной сделки, такие как наличие предмета залога, поручителя, различных источников получения дохода, нестандартная схема выплат по кредиту, тем менее важна скоринговая модель. К тому же для того, чтобы накопить достаточное количество статистики для построения скоринговых моделей в жилищном кредитовании, требуется больше времени, чем вся история ипотеки в России. «Кредиты выдаются на 15 лет и более, а история обслуживания насчитывает 5-7 лет максимум», - объясняет вице-президент банка ВТБ 24 Ольга Балаева.
Внедрение скоринговой системы - это вопрос и структурный, и финансовый. Цена здесь сильно зависит от масштаба работ. По словам директора департамента розничных рисков ХКФ Банка Евгения Иванова, стоимость скоринговых карт по различным продуктам может достигать сотен тысяч долларов. Скоринговые карты - это набор утвержденных банком определенных характеристик и соответствующих весовых коэффициентов (баллов) по различным кредитным направлениям. Скоринговых карт в банке обычно несколько: к примеру, под ипотеку необходима одна карта, а под кредиты на покупку автомобиля уже совершенно другая. Если же банк хочет поставить весь кредитный процесс на поток (запустить так называемый кредитный конвейер), то затраты могут достигать нескольких миллионов долларов. Ведь это не только запуск отдельных скоринговых карт, но и построение глобальной скоринговой инфраструктуры, внедрение специального банковского оборудования на всех этапах кредитной оценки. Затраты на поддержание внедренной системы скоринга относительно небольшие, соизмеримые с месячной зарплатой бухгалтера.
Без рук и эмоций
Большинство банков стремятся перевести процедуры оценки заемщиков в автоматический режим. Это нормально, потому что покупка одной системы позволяет не то чтобы уволить «лишних» сотрудников, но избавиться от человеческих рук и эмоций. В зависимости от сложности процесса проверки заявки соотношение «человек - машина» может варьировать в пропорции 1:20 и выше. То есть пока человек проверяет одну заявку, машина успевает проверить до 20. По словам Ольги Балаевой, скоринг позволяет обрабатывать увеличивающийся поток клиентов с минимальным расширением штата. Причем скоринг работает не только на количество, но и на качество. «Внедрение новых скоринговых карт сопровождается снижением дефолта по вновь выданным кредитам», - говорит заместитель директора департамента контроля рисков банка «Петрокоммерц» Руслан Морозов.
Скоринг убивает сразу двух зайцев. С одной стороны, он «скор» на рассмотрение заявок благодаря технической составляющей. С другой - автомат свободен от предубеждений. Он не видит, в какой одежде пришел человек, как потенциальный клиент себя ведет. Скоринг просто быстро и бесстрастно выполняет свою работу.
По словам начальника управления риск-менеджмента физических лиц, малого и микробизнеса Райффайзенбанка Ольги Конюшковой, несомненный плюс скоринга заключается в том, что он не подвержен человеческому воздействию. Результат оценки конкретного заемщика основан на анализе десятков тысяч кредитов таких же клиентов и всегда будет более точным, чем применение любых экспертных правил или политик. Также плюсом является его низкая стоимость и высокая скорость работы, позволяющая принимать решения в режиме реального времени.
Человека не забыли
И все же отсутствие человеческого фактора в оценке заемщика может обернуться для банка финансовыми потерями. Беда в том, что скоринг не может зачастую вычленить выгодных для банка заемщиков из-за их нетипичности. «В качестве основного минуса скоринга можно назвать невозможность одобрения через систему скоринговой оценки нестандартных заявок, которые тем не менее могут быть интересны банку», - соглашается заместитель директора департамента развития бизнеса банка «Западный» Валерий Кретов.
Простой пример. Потенциальный клиент находится в социальной группе высокого риска (скажем, имеет пятерых детей на иждивении и стаж на последнем месте работы в районе полугода). Однако дополнительная информация, которой обладает андеррайтер, но которая не «зашита» в скоринговую модель, позволяет с уверенностью говорить о хорошей платежеспособности заемщика. Скажем, речь идет о заемщике, который берет на ремонт в новом доме. При этом он имеет достаточно высокий доход, собирается продавать имеющиеся активы, машину или квартиру и определенно намерен погасить раньше положенного времени. В скоринговую карту доход, конечно же, «зашит», но, учитывая остальные опции, такой клиент получит низкий скоринговый балл.
Другая история. Банк выходит в совершенно новый для себя сегмент кредитования, а значит, применение разработанных ранее скоринговых карт вообще может дать непредсказуемый результат. По словам Руслана Морозова из банка «Петрокоммерц», скоринг, применяемый на клиентах одного банка, не подойдет банку, работающему в другом сегменте кредитования и, следовательно, имеющему другой тип заемщиков. Скоринг, «обученный» на клиентах-россиянах, не будет работать на тех, кто не является гражданином РФ. «В некоторых сферах скоринг вообще не работает, например в корпоративном или инвестиционном кредитовании. В этих случаях каждую сделку нужно рассматривать индивидуально», - отмечает Евгений Иванов из ХКФ Банка.
Доверчивая машина
Скоринг отсекает неблагонадежных заемщиков, но не в состоянии справиться с обманом. Машина заведомо считает, что документы и другие сведения, поданные по заявке на кредит, - достоверные. Поэтому данный инструмент серьезный банк будет использовать только как вспомогательный. А с мошенниками и лгунами борются другими методами - например, с помощью внешних антимошеннических сервисов, дополнительного анализа кредитных специалистов и службы безопасности банка.
«Скоринг действительно считает, что данные из анкеты верны», - указывает начальник отдела скоринга розничных кредитных продуктов ОТП Банка Олег Ильин. «Наибольший риск представляют преднамеренное искажение клиентом информации о себе и подделка документов, мошеннические действия со стороны клиента, - поясняет директор департамента финансовых и розничных рисков Промсвязьбанка Александр Васютович. «Скоринг не всегда может выявить случаи, когда мошенник подает заявку с ложными данными или от имени другого лица - к примеру, имеющего хорошую кредитную историю», - подчеркивает советник председателя правления по рискам Алтайэнергобанка Павел Михайлов. Скоринговая модель, построенная для предотвращения одного из видов риска, может пропустить заявку с высоким уровнем риска другой категории. «Мошенник может предоставить ложные данные, которые обеспечат высокий скоринговый балл», - приводит пример директор по розничным рискам НОМОС-Банка Алексей Каликин.
Кроме того, в процессе скоринга возможны статистические ошибки. Конкретных примеров банкиры приводить не стали. Однако директор департамента розничного бизнеса СМП Банка Наталья Мишина указала, что возникновение ошибок влечет за собой потерю средств для банка: либо в случае возникновения «некачественного» кредита, либо при ошибочном отказе «хорошему» заемщику. Поэтому скоринг нужно постоянно совершенствовать и обучать: обновлять статистическую базу, вносить опциональные изменения в скоринговые карты.
И еще один момент, с которым скорингу никак не справиться. Это различные экономические изменения на рынке. В то время как банковский специалист, обладающий аналитическим складом ума, способен среагировать на обострение кризисных явлений практически моментально, машина окажется более неповоротливой - в нее еще нужно будет внести изменения и поправить настройки оценки.
