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 |
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.
При обращении за кредитом потенциальные заемщики часто слышат от сотрудников банка такие понятия как: скоринг, скоринговая система, кредитный рейтинг, кредитная история. Но при этом не все достаточно хорошо понимают, что означают эти термины. Попробуем разобраться, что это такое, зачем нужно и как это работает. А главное — как скоринг влияет на получение кредита и вообще на жизнь заемщика. В том числе, даже спустя несколько лет после обращения в кредитную организацию.
Что такое скоринговая система?
Скоринг или скоринговая система — это система оперативной оценки клиента (потенциального заемщика), которой преимущественно пользуются розничные банки и микрофинансовые компании. Название происходит от английского слова “score”- что означает зарабатывание/ подсчет очков, например, в игре.
Так за возраст менее 28 и более 35 лет клиент скорее всего будет получать снижающие баллы, аналогично — за проживание в более криминальных районах города и за работу, где не требуется высокой квалификации (например, официант). Как ни странно, съемная квартира и дети – могут оказаться фактором, прибавляющим баллы (клиент умеет планировать финансы, уверен в будущем).
Компании, которые продают скоринговые системы по всему миру имеют возможность глобально отслеживать взаимосвязь тех или иных факторов и поведения заемщика. Оказалось, что в независимости от страны — женщины аккуратнее гасят кредиты, аналогично поступают и более старшие по-возрасту клиенты, аналогично – семейные пары с детьми (у них у всех выше ответственность). А вот за уровень образования- баллов в российском банке скорее всего почти не добавят, скорее — за опыт работы более 3-5 лет.
Кроме того, в ряде случаев, когда сотрудник банка имел возможность лично пообщаться с клиентом, он дополняет его профиль своими субъективными впечатлениями – о его адекватном поведении, внешнем виде, одежде, классе мобильного телефона, часов, наличии дорогостоящей электроники при себе, грамотной речи, явных признаках, что клиент говорит неправду и т.п. В результате система каждому пункту анкеты присваивает оценку, и выдает в конце оценки – итоговый балл. Отдельно проверяется достоверность данных клиента — легальность паспорта, существование адреса и т.п.
Как cкоринг работает, откуда берет данные?
Есть несколько видов скоринга. Один из них был описан выше – то есть кредитоспособность клиента оценивается в момент его обращения. По тем данным, которые он сам и предоставляет (application scoring – заявочный скоринг). Сам, как правило, заполняет и анкету. В случае с микрофинансовыми компаниями – это происходит зачастую прямо онлайн в интернете.
Еще один вид скоринга – поведенческий (behavioral scoring). В зависимости о того, как клиент ведет себя с течением времени (за определенный период) банк выставляет ему более высокий кредитный рейтинг или более низкий. И в зависимости от этого уменьшает/увеличивает ему лимиты по кредитам, предлагает какие-то дополнительные услуги.
Также существует оценка потенциального мошенничества (fraud scoring).
Одно дело, когда человек получил кредит, но не рассчитал свои финансовые возможности, или внезапно заболел, потерял в доходе и т.п. И другое дело –когда имеет место заранее планируемый невозврат кредита –то есть мошенничество. Эксперты говорят, что таких случаев — порядка 10% всех невозвратов. Любой кредитор (особенно хорошо процесс отлажен в МФО) пытается еще до выдачи кредита оценить риск мошенничества со стороны заемщика.
Следует отметить, что современные системы скоринга зачастую являются самообучающимися, т.е. учитывают модели поведения клиентов, которые ранее были приняты на обслуживание. Система пытается вычислить какие-то общие черты у тех, кто впоследствии оказался мошенником, стал допускать просрочки (ретро-скоринг).
Очевидно, что скоринговые системы имеют и недостатки – большую часть данных для оценки предоставляет клиент. Перепроверка этих данных вручную при мелких суммах кредита – слишком дорогое занятие. Кроме того, даже обучающиеся системы не могут быстро перестроиться при резком изменении экономической ситуации в рамках страны. Поэтому их приходится все время дорабатывать и поддерживать.
Пользуются ли скорингом банки и МФО?
В кредитовании, пожалуй, самая дорогостоящая часть – это время на первоначальную оценку заемщика. Это и скоринг, и служба безопасности, и запрос кредитной истории в Бюро (что не бесплатно для банка), ее изучение, оценка и принятие решение на кредитном комитете банка. Для выдачи каждого кредита задействуется несколько сотрудников, как правило, с высокой оплатой труда.
Хотя у каждого банка своя кредитная политика и свои схемы одобрения кредитных заявок (более или менее бюрократические), но общий подход – минимизировать затраты времени и издержки на обслуживание каждого клиента. Кроме того, банки с более консервативной политикой оказались в более выигрышном положении во время кризиса 2008 года, чем те, кто выдавал кредиты всем подряд.
Поэтому МФО – это сейчас основные пользователи и разработчики скоринговых систем, где они пытаются оптимальным образом соединить все виды скоринга – и заявочный, и поведенческий, и оценку мошенничества. Кроме того, скоринг позволяет уменьшить и время принятия решения о выдачи кредита. В современных условиях – это значит быть более конкурентоспособным.
Поскольку обороты МФО по кредитованию населения в последний год значительно увеличились, в декабре 2013 года были также приняты поправки в закон 218-ФЗ, которые обязали МФО также подавать данные о своих заемщиках в Бюро кредитных историй.
Следует также отметить, что сегодня более, чем 30 млн. человек в России имеют кредиты. Новых, хороших, высоко-рейтинговых, клиентов – осталось немного. Это вынуждает банки предоставлять кредиты клиентам с более низкими рейтингами. Это влечет за собой удорожание их проверки и банки ищут пути снижения таких издержек. Появляются новые комбинированные системы, где большую роль начинают играть кредитные истории.
Скоринг и кредитная история
С учетом того, что треть граждан уже имела опыт по получению займов хотя бы 1 раз — на первый план выходит изучение того, насколько заемщик фактически закредитован, и насколько добросовестно он погашал кредиты в прошлом. Так по-данным банка “Связной” доля заемщиков, у которых обнаружилось 5 и более кредитов – выросла за последний год в три раза.
В связи с тем, что в Бюро кредитных историй (БКИ) теперь добавились заемщики микрофинансовых организаций и кредитных кооперативов, многие Бюро стали предлагать банкам и МФО скоринговые модели, дополненные данными, которые содержаться в БКИ. Эти скоринговые модели ранжируют заемщиков по вероятности дефолта (невозврата) займа, вероятности просрочек и т.п. Системы обрабатывают сведения о клиенте в Бюро и выставляют ему рейтинг. Добросовестные — получают наивысший балл, недобросовестные – низший. При этом результат (балл) указывается вместе с несколькими основными причинами, которые оказали наибольшее влияние на его снижение (4-5 факторов, а всего их может быть более 100).
В частности модель скоринга по кредитным историям, которую разработало НБКИ – это семь скор-карт, которые обновляются ежеквартально, чтобы учитывать изменения условий на рынке. Таким образом, Банки постепенно переходят от заявительного скоринга — на матричный (состоящий из нескольких моделей и источников). Это в 1,5 раза повышает эффективность оценки, улучшает выставление лимитов по каждому клиенту, помогает собирать просроченную задолженность.
Кроме того, кредитные бюро стали предлагать услугу – автоматически информирующую банк (без специального запроса от банка, ежедневно):
- об открытии его клиентом новых счетов в других банках
- о новых кредитах клиента
- о новых просрочках этого клиента
- об изменениях его лимитов по кредитам, овердрафтам,
- о его новых паспортных данных и т.п.
Пока эта услуга работает с оплатой по-клиентно и в рамках конкретного БКИ, что снижает возможности банка масштабно отслеживать жизнедеятельность всех клиентов. Однако вероятнее всего, в какой-то перспективе, БКИ начнут объединяться, обмениваться информацией между собой.
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!
Вступление
Конечно, это лишь модель, на которой можно обучать студентов-экономистов младших курсов,зато все мои друзья теперь знают что дифференцированные платежи выгоднее аннуитетных.
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.
Разработка
Алгоритм с точки зрения клиента примерно такой:- Клиент заполняет анкету с вариантами ответов.
- Далее выбирает сумму кредита, в базе данных создается заявка.
- Система считает баллы за выбранные ответы и определяет, выдать кредит или нет.
- Если кредит одобрен, в базе данных создается договор и таблица платежей.
- Клиент выполняет платежи.
- Когда накопится статистика, можно посмотреть, какие критерии клиента влияют на его платежеспособность.
- ???????
- PROFIT!
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:
- -1 балл - ответ нестандартный и оценивается кредитным специалистом.
- -10 - отказ в кредите.
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:
- ≥ 1/3 от всех платежей по договору, или
- ≥ 4 (задается в настройках).
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.
Статистика
И наконец-то добрались до самого интересного - статистики!Список вопросов формируется из анкет клиентов, которым одобрен кредит.
Можно выбрать любой вопрос и смотреть соотношение хороших/плохих клиентов.
Кредитное предложение «Добрый кредит»
Можно создавать свои кредитные предложения. Редактор позволяет задать максимальную сумму и длительность выплат, выставить процентную ставку в зависимости от размера кредита.
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!
Генерация клиентов
Были найдены текстовые файлы:- список населенных пунктов РФ
- список мужских имен
- список женских имен
- список фамилий
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
В Европе существует большое количество стран, где кредитный скоринг применяется очень успешно, а проблемы мошенничества или отсутствия корректной информации в кредитных бюро или внутренних базах данных банка стоят не менее остро, чем в России.
Кредитный скоринг, как и другие предикативные модели, является инструментом для оценки уровня риска заемщика. Применяя различные статистические и вероятностные подходы, мы назначаем заемщикам скоринговые баллы, разделяя их на «хороших» и «плохих». Эти скоринговые баллы наряду с другими финансовыми характеристиками, такими как ожидаемый уровень выдачи кредитов, прибыль, потери, помогают в конечном итоге принять решение.
Простейшая скоринговая карта, которая используется при выдаче новых кредитов, состоит из набора характеристик, достаточно значимых со статистической точки зрения, способных разделять данные на «хорошие» и «плохие». Подобный формат карт используется непосредственно в ЗАО «ВТБ24», и имеет следующие обоснования:
l подобное представление баллов легко интерпретировать. Оно соответствует любому регулирующему требованию, обеспечивая необходимую прозрачность;
l причины для отказов, низкий или высокий балл можно легко объяснить, используя стандартные формы отчетности;
l «облегченная» структура скоринговой карты помогает аналитикам выполнить свои функции, не имея глубоких знаний в области статистики или программирования. Это делает скоринговую карту эффективным инструментом для управления рисками.
Скоринговые модели в бизнес-контексте - это инструмент принятия разнообразных кредитных решений, элемент общей стратегии розничного банка. Скоринговые модели в потребительском кредитовании используются на различных этапах работы с клиентом, начиная с получения первой заявки от заемщиков, через организацию работы с текущими заемщиками, и заканчивая прогнозированием возможного уровня потерь в кредитном портфеле и созданием необходимых резервов.
Итак, имея некоторую кредитную историю собственных заемщиков, ВТБ24 создает собственные скоринговые карты, с помощью которых будет оптимизирована работа розничного бизнес-подразделения, а значит, увеличена эффективность всего кредитного портфеля Банка. Процесс разработки и внедрения скоринговых карт, а так же его неотъемлемые компоненты, необходимые для успешного внедрения проекта в Банке, обобщены и приведены в таблице 1.
Таблица 1 - Этапы построения и внедрения скоринговой карты
|
Подготовка проекта |
Работа с данными |
Техническое внедрение |
|
|
Постановка задачи; определение приоритетов; планирование проекта; формирование команды; оценка ИТ-систем |
Сбор данных; очистка данных; анализ данных; применение аналитических методов; построение скоринговых карт; валидация карт |
Доработка программного обеспечения; внедрение стратегии в программное обеспечение |
|
|
Минимальное время |
|||
|
Необходимые человеческие ресурсы |
Руководитель проекта |
Руководитель проекта Разработчик скоринговой карты и специалисты по обработке данных |
Руководитель проекта; ИТ-менеджер |
|
Технические ресурсы |
Программное обеспечение для проведения аналитического исследования и построения карт |
Фронт-офисное решение для скоринга новых заявок, или коллекторское ПО, или CRM-системы для работы с существующими клиентами банка |
Процесс построения скоринговой карты - это синтез информационных технологий (IT) и статистического исследования данных. Только подобная комбинация в сочетании с аналитикой и пониманием бизнес-задач может гарантировать успешный результат. В отличие от уже готовой карты самостоятельно построенная банком скоринговая карта - это не «черный ящик». Опыт показал, что если формирование скоринговых баллов происходит изолированно, то это может привести к различным проблемам наподобие включения характеристик, данные по которым больше не собираются или являются недостаточно достоверными и которые в результате приводят к всевозможным «сюрпризам», а зачастую просто неприменимы. Поскольку процесс построения скоринговой карты комплексный, то на разных стадиях, соответственно, задействованы разные специалисты. Успешное завершение проекта возможно лишь при условии, что есть четкое понимание, какие ресурсы необходимы, и обеспечение наличия этих ресурсов в нужный момент в нужном месте.
Построение скоринговой карты в ЗАО «ВТБ24» включает в себя следующие этапы:
1 Этап: Анализ ситуации. Создание бизнес-плана и выбор стратегии
Существует ошибочное мнение, что разработка скоринговой карты начинается со сбора данных. Это в корне неверно. Прежде всего, необходимо идентифицировать цели проекта и соответствующий состав участников проекта.
Идентификация цели помогает расположить задачи по степени их важности: например, увеличение дохода - уменьшение потерь. Это повышает жизнеспособность проекта, устраняя возникновение сюрпризов, когда, например, банк неожиданно принимает решение об уменьшении балла отсечения с целью выдачи большего количества кредитов или об увеличении того же балла с целью сокращения потерь. Таким образом, цель должна быть определена заранее, что поможет избежать проблем в будущем, будь то:
l сокращение процента задолженности/мошенничества;
l увеличение количества выдаваемых кредитов;
l увеличение доходности;
l увеличение операционной эффективности (например, чтобы лучше управлять технологическим процессом);
l уменьшение расходов или увеличение скорости оборота капитала путем автоматизации;
l улучшение прогнозной силы модели (по сравнению с существующей).
В конечном итоге цель также влияет на процесс валидации и внедрения построенной скоринговой карты, определяя «лучшую» скоринговую карту из имеющихся в наличии. Как правило, на практике приходится сталкиваться сразу с несколькими целями из тех, что были перечислены выше.
Бизнес-план определяет, какие скоринговые карты будут использоваться в проекте, внутренние (построенные в процессе проекта) или внешние (готовые), и обосновывает этот выбор. Готовые карты используются не только тогда, когда в банке нет достаточной кредитной истории. Подобное решение может быть также вызвано отсутствием определенных ресурсов, необходимых для проекта, или отсутствием опыта построения скоринговой карты для специфического продукта, сжатыми сроками по времени или стоимостью внутренней разработки.
Готовые карты бывают также полезны, когда компания предлагает новый продукт, по которому еще не имеется никаких данных в прошлом, но существуют данные по отрасли; когда объем продаж того или иного продукта не покрывает стоимости построения скоринговой карты.
Бывают также случаи, когда статистически невозможно использовать скоринговые карты, ни внутренние, ни внешние. Это происходит обычно из-за очень низких объемов продаж, которые не оправдывают затраты, связанные с любой скоринговой картой. Встречаются также продукты, для которых не существуют готовые скоринговые модели. При таких обстоятельствах модель строится на базе так называемого экспертного мнения.
Развитие такой модели также включает в себя селективный отбор характеристик, обладающих (предположительно) хорошей прогнозной силой, и назначение баллов по каждому признаку, как это происходит со статистическими моделями. Однако внедрение подобной модели производится на основе коллективного опыта, а получающаяся модель отражает проводимую банком политику. В любом случае формирование таких субъективных моделей должно происходить при участии департаментов маркетинга, управления рисками и других соответствующих структур.
2 Этап: Наличие и сбор данных
По времени это наиболее длительный этап, требующий привлечения большого количества ресурсов. На этом этапе определяется, насколько выполним проект по формированию скоринговой карты, а также его основные параметры. Параметры включают в себя исключения, определение цели, выборку и «окна созревания». Оценивается пригодность данных: их качество и количество. Для построения скоринговой карты необходимы надежные и чистые данные с минимальным числом отсутствующих значений, повторных записей и т.п. Этот процесс можно сделать более эффективным, если данные размещать в специальных хранилищах или витринах данных.
Очевидно, что для решения различных скоринговых задач разработчиками скоринговых карт используются различные данные. Как правило, характеристики для скоринговой карты могут быть выбраны как из одного, так и из нескольких источников данных. Суммируя описание данных, которые могут быть использованы для построения различных скоринговых моделей, можно сказать, что данные всегда разделены на две части: в первой - все переменные, которые используются для предсказания того или иного события (например, дефолта), во второй - переменная, характеризующая наступление того или иного события.
Количество необходимых данных может быть разным, но в целом оно должно удовлетворять требованиям статистической значимости и хаотичности. На этом этапе точное количество данных не имеет значения, так как это зависит от определения «плохого» заемщика, которое будет установлено на следующем этапе. Однако по правилам для корректного построения скоринговой карты претендента достаточно приблизительно 2 тыс. «плохих» записей и 2 тыс. «хороших», которые могут быть случайно выбраны для каждой скоринговой карты из набора заемщиков, получивших кредит в течение определенного интервала времени. Для поведенческих скоринговых карт это будет уже другой набор данных, отражающий «платежное» поведение клиента, а для скоринговых карт должников используются записи со статусом просрочки платежа. Данные об отказах (2 тыс. записей) также могут применяться для построения скоринговой карты. Количество заявлений и отчеты по потерям/просрочкам платежей дают первоначальную идею относительно цели и степени ее достижения. На практике труднее найти достаточное количество «плохих» записей, чем «хороших».
Проектная команда также должна определить, насколько «надежны» внутренние данные, предназначенные для разработки скоринговой карты. Демографические данные, а также неподтвержденные публичные данные, например доход, указанный самим заемщиком, могут оказаться искаженными, в то время как данные кредитного агентства, сведения о регистрации недвижимого имущества, финансовая отчетность и т.д. являются более достоверными и реально могут использоваться. Если решено, например, что данные о заемщиках, предоставленные филиалами, ненадежны, то скоринговая карта может быть построена исключительно на данных кредитного бюро.
Банк решает самостоятельно - разработать скоринговую карту на основе только внутренних данных или добавить к этим данным еще и внешние источники, такие как кредитные бюро и внешние информационные провайдеры. Предпочтительно иметь эти данные в электронном виде, хотя в российской банковской практике, к сожалению, до сих пор практикуется «бумажный» вариант анкет заемщика, которые буквально вручную приходится вносить в компьютер. Естественно, это требует дополнительных ресурсов и задерживает процесс разработки. При этом любопытен тот факт, что региональные отделения в этом вопросе зачастую оказываются более «подкованными» и «продвинутыми» по сравнению с центром.
Определившись с типом данных, следует переходить к непосредственному их сбору. Собирать их необходимо в строго определенном формате, отражающем параметры проекта разработки скоринговой карты.
Проектные параметры прежде всего включают в себя определение «хороших» и «плохих» заемщиков, временной горизонт и ограничения (исключения) в использовании определенных данных при создании выборки и непосредственно в процессе разработки карты.
Есть поля, обязательные к заполнению, а есть опционные. В первую очередь нас интересуют следующие поля, извлеченные из данных:
l номер клиента/идентификационный номер;
l дата обращения/получения кредита;
l демографические характеристики заемщика;
l история задолженности в течение жизни скоринговой карты;
l индикатор заявки заемщика - Одобрить/Отказать;
l продукт (тип кредита);
l текущий статус заемщика (например, нет операций по счету/счет закрыт/потеря пластиковой карты/мошенничество и т.д.)
При разработке скоринговой карты поведения заемщика учитывается вся информация на протяжении определенного временного интервала, обычно за последние 6 - 12 месяцев.
В зависимости от бизнес-целей карты в нее могут добавляться всевозможные другие данные, в том числе демографические: возраст, регион, время проведения определенных акций, индикаторы на основе данных бюро и любые другие критерии, которые могут оказаться полезными при создании всестороннего профиля клиентской базы вашего банка.
Данные формируются в структуре, соответствующей задаче проекта. Например, эти банковские данные могут быть размещены с многократными строками для каждой комбинации продукта/учетной записи или с отдельной строкой для каждой учетной записи и многократных столбцов для каждого продукта.
Подготовка данных занимает 90% ресурсов проекта. В принципе, процесс моделирования мог бы принести гораздо большую выгоду, но после изнурительной фазы подготовки данных времени, чтобы провести очистку моделей предсказания, как правило, просто не остается.
Угроза срыва проекта кроется на стадии подготовки данных, когда они идентифицируются, трансформируются и собираются из различных источников, преобразуются и объединяются. Во многих случаях получение данных занимает столько времени, что на выполнение других задач, в том числе и анализа данных, его уже практически не хватает.
3 Этап: Качество и очистка данных. Определение параметров проекта. Период «созревания».
Скоринговые карты строятся исходя из предположения о том, что «прошлое отражает будущее». Таким образом, базируясь на данных об открытых ранее кредитах и анализируя имеющуюся информацию, можно предсказать результат (поведение) будущих заемщиков. Для того чтобы корректно выполнить этот анализ, нужно собрать необходимые данные за определенный промежуток времени, а затем осуществить их мониторинг в течение другого определенного отрезка времени и оценить, были они хорошими или плохими. Собранные данные (переменные) наряду с соответствующей классификацией (цель: «хороший»/»плохой») составляют основу для разработки скоринговой карты.
Процесс определения временного горизонта может быть представлен следующим образом. Предположим, что очередной кредит был предоставлен 1 февраля 2009 г. В некоторый момент времени в будущем (например, через 90 дней) вы должны будете определить, был ли этот заемщик «хорошим» или «плохим». «Окно созревания» представляет собой тот промежуток времени, когда заемщик, собственно говоря, имел возможность себя проявить (цель: 90+). «Окно выборки» представляет собой тот промежуток времени, когда те или иные заемщики отбираются для анализа (попадают в выборку). Рекомендуется также проанализировать, какой период «созревания» является идеальным для того или иного продукта (региона, типа клиента и т.п.). В некоторых случаях, таких как мошенничество и банкротство, временной период уже известен или предопределен. Но, тем не менее, вышеописанный анализ полезно выполнить для того, чтобы определить идеальное «окно созревания».
Самый простой способ определить «окна созревания» и «выборки» состоит в том, чтобы проанализировать портфель на предмет просроченной задолженности и применить различные сценарии «плохих» случаев в течение определенного времени: просрочка более 30,60,90 дней. Хороший источник для подобных данных - ежемесячная или ежеквартальная отчетность, имеющаяся в любом отделе кредитных рисков.
4 Этап: Исключения
Определенные записи о заемщиках должны быть исключены из выборки, используемой для разработки скоринговой карты. В целом набор данных для скоринга должен отражать обычную (нормальную) ситуацию и реальных заемщиков, которые ежедневно обращаются в банк с целью получения кредита. Скоринговые карты, разрабатываемые для определенных целей, например, выявление мошенничества, могут также использовать некоторые дополнительные критерии и, соответственно, особые выборки. Подобные наборы данных специфичны и имеют определенную направленность: это работники самого банка, VIP-клиенты, зарубежные клиенты, «отказники» по кредитам, заемщики с утерянными/похищенными карточками, несовершеннолетние или умершие. Заметим, что некоторые программные разработчики скоринговых карт (например, SAS) сознательно включают данные об «отказниках» для того, чтобы восстановить реальный портрет клиента с улицы. С точки зрения логики это является наилучшим подходом.
Другой способ применения метода исключений состоит в том, что можно рассматривать только определенный сегмент (однородную аудиторию, которая принимается за типичную). Например, если задача состоит в построении скоринговой карты для больших городов, то туда не стоит включать записи о заемщиках, проживающих в сельской местности. Точно так же любой регион в силу своих демографических и географических (климатических) особенностей заслуживает разработки собственной скоринговой карты на основе данных о клиентах исключительно данного региона.
Обычно скоринговая карта включает от пяти до пятнадцати параметров. Что это за параметры и как они оцениваются, узнать постороннему человеку невозможно. Такая конфиденциальность объясняется высокой ценой продукта. Банк или покупает его у компании-разработчика, или же разрабатывает самостоятельно, анализируя собственное «кредитное кладбище», то есть базу данных по невозвращенным кредитам, и пытается найти общее между недобросовестными плательщиками. Во втором случае банку приходится поначалу настежь распахнуть ворота и выдавать деньги лишь на основе документов, подтверждающих платежеспособность заемщика.
Итак, разработка скоринговых карт позволяет во многом облегчит работу банка в части оценки уровня риска, а так же значительно сократить время на обработку кредитной заявки за счет уже имеющихся данных в так называемом «кредитном кладбище».