Скоринг

Кредитный скоринг можно опередить как метод начисления потенциальным заемщикам определенного количества баллов на основе информации об их социально-демографическом положении, кредитной истории, параметрах запрашиваемого кредита и принятия решения о выдаче или об отказе в кредите на основе набранного суммарного количества баллов[1].

На сегодняшний день скоринговые модели принятия кредитных решений получили большое распространение в странах Запада. В 1941 году 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. 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 обратилось большинство кредитных учреждений США.

Кредитный скоринг является методом классификации заемщиков на различные группы, когда средняя математическая переменная набранных балов позволяет построить прогнозную модель обслуживания кредита потенциальным заемщиком (оценить риск дефолта). 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-скоринг — оценка возможности полного либо частичного возврата кредита при нарушении сроков погашения задолженности (расчет рисков по портфелю).

На сегодняшний день на рынке достаточно много предложений автоматизации анализа баз данных для принятия кредитных решений. Одним из международных лидеров остается компания FICO™, ранее известная под названием Fair Isaac. Компания активно работает и на российском рынке, помогая компаниям автоматизировать процесс принятия решений, постоянно улучшать их качество и связывать воедино решения, принимаемые в различных подразделениях и клиентских проектах[2]. Из российских разработчиков программ для анализа баз данных и построения скоринговых карт наиболее заметна BaseGroup Labs[3] из г. Рязани. Большинство поставщиков программных решений анализа баз данных не ограничиваются банковскими скоринговыми картами и стараются предлагать рынку унифицированные модели обработки больших массивов клиентской информации.

Нужно сказать, что практически все разработчики автоматизированных банковских систем имеют собственные программные решения для построения скоринговых карт. Чаще всего они интегрированы во фронт-офисные программные модули АБС.

Банк при внедрении скоронговых процессов принятия кредитных решений должен выработать структуру взаимодействия бизнес-процессов с программными модулями скоринга. Приведем пример типовой схемы взаимодействия аналитической платформы Deductor компании BaseGroup Labs.

  • 1. Этап ввода заявки. На первом этапе происходит программный анализ достоверности анкетных данных. Для оптимизации затрат рабочего времени можно настроить предскоринговые процедуры анализа, когда специалист, ответственный за процесс взаимодействия с клиентом, отсеивает часть кредитных анкет на основании шаблонов (противоречие пунктов анкеты с аналогичными данными, неправильное написание номерного знака автомобиля). Главная задача первого этапа взаимодействия — отсечение мошенников и лиц, не попадающих в профиль кредитного поля банка (например, лица без определенного места жительства или безработные). По данным Национального бюро кредитных историй, по состоянию на 01.01.2014 потери кредиторов от мошенников составили 153 млрд руб., тогда как годом ранее их объем был 67 млрд руб.[4]
  • 2. Сверка данных заявки с кредитным продуктом банка. На втором этапе происходит сверка анкеты с требованием кредитного продукта банка.

Например, если клиент 50 лет не отвечает требованиям кредитного продукта для пенсионеров, но уже получает пенсию за работу в условиях Крайнего Севера, программа действует в соответствии с прописанным продуктом алгоритмом.

3. Скоринг. На третьем этапе происходит непосредственно скоринг, т.е. анкета клиента взаимодействует со скоринговой картой банка. Скорин- говая карта — это набор характеристик (возраст, доход, профессия, стаж работы, наличие имущества) заемщика и соответствующих весовых коэффициентов, выраженных в баллах. Соискатель кредита сообщает о себе необходимые сведения, и ему начисляется определенное количество баллов. В зависимости от числа набранных скоринг-баллов принимается решение о выдаче (отказе в выдаче) кредита и рассчитывается максимальная сумма кредита, которую банк готов был предоставить заемщику.

Скоринговая карта является частью более общей методики оценивания кредитоспособности клиентов (скоринговое моделирование), а их разработка производится на основе статистической обработки больших массивов исторических данных о кредитных прецедентах (погашенных и непогашенных кредитах). Простой пример скоринговой карты представлен на рисунке.

Показатель

Значение (диапозон значений) показателя

Скоринг-балл

Возраст

До 30 лет

30

35—50 лет

35

Старше 50 лет

28

Образование

Среднее

22

Среднее специальное

29

Высшее

35

Состоит ли в браке

Да

25

Нет

12

Брал ли кредит ранее

Да

41

Нет

22

Трудовой стаж

Менее года

16

От 1 до 5 лет

19

От 5 до 10 лет

24

Более 10 лет

31

Наличие автомобиля

Да

49

Нет

18

Возраст автомобиля

Менее 3 лет

45

От 3 до 7 лет

25

Старше 7 лет

18

Характеристики скоринговых карт можно выбрать из различных источников данных, доступных кредитору на момент получения заявки. К таким характеристикам относятся демографические (например, возраст, период проживания по месту жительства, стаж работы, почтовый индекс), информация о взаимоотношениях с банком (например, срок обслуживания в банке, количество банковских продуктов, соблюдение обязательств по платежам, прошлые претензии), данные кредитного бюро (например, наличие предыдущих запросов, сделок, просроченных платежей, информация из открытых источников), сведения о наличии недвижимого имущества и т.д.

Большинство методов валидации и сравнения скоринговых карт основываются на анализе качества модели с непрерывным выходом, который трактуется как рейтинговый балл. Разделение клиентов на два класса — благонадежные и неблагонадежные — производится при помощи порогового балла, что представляет собой отдельную задачу и не связано напрямую с понятием качества скоринговой карты. Основой для построения скоринго- вой карты является использование двух множеств — рабочего и тестового. На тестовом множестве оценивается обобщающая сила карты, т.е. определяется, насколько модель уловила закономерности исследуемого процесса при установленном пороге отсечения. Это по сути оценка работы бинарного классификатора на основе трех главных показателей[5].

1. Общая ошибка классификации:

где т — общее число примеров в тестовом множестве, к— число верно классифицированных примеров.

2. Уровень одобрений скоринговой карты:

где Ьт — число отказов клиентам по скорингу.

3. Уровень дефолтов скоринговой карты:

где b — фактическое число дефолтных кредитов.

На рабочем множестве анализируется то, насколько эффективно скорин- говая карта разделяет заемщиков на классы. На практике возникает задача не только принятия решения об отказе или выдаче кредита конкретному заемщику на основе набранного количества баллов, но и задача определения оптимального минимального количества набранных баллов для выдачи кредита. Вторая задача решается на основе анализа распределения баллов надежных и ненадежных заемщиков на основе полученной скоринговой карты и тесно связана с анализом соотношения риска и доходности во всем кредитном портфеле банка. Таким образом, кредитный скоринг является инструментом снижения рисков невозврата кредитов, а также помогает определить оптимальную структуру кредитного портфеля, корректировать процентные ставки по кредитам в зависимости от уровня риска.

Для адаптации скоринговой модели специалисту банка необходимо определить коэффициенты для различных факторов, характеризующих кредитоспособность частного клиента. Это значит, что 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.

Нужно понимать что работа над совершенствованием качества скорин- говой карты должна вестись на постоянной основе. Например, в разделе «образование» в карте три варианта ответа: высшее — 10 баллов; среднее — 8 баллов; среднее специальное — 5 баллов. Периодический мониторинг дефолтных кредитов на наличие того или иного варианта ответа позволит выявить как правильное значение баллов, так и вес показателя: если в результате статистического ретроанализа выданных кредитов за последние 6 мес. наибольшее количество дефолтов пришлось на заемщиков, имеющих высшее образование, при примерно равных пропорциях заемщиков, имеющих другие виды образования, нужно как минимум пересмотреть балльность карты.

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.

Большинство вышеназванных программных комплексов ретроанализ проводят постоянно и на программном уровне. Наиболее мощные из них — самообучающиеся алгоритмы, обладающие способностью к адаптации, т.е. автоматическому учету вновь поступающих данных и подстройке модели.

В качестве подобных адаптивных механизмов можно выделить четыре алгоритма:

  • — логистическая регрессия;
  • — деревья решений;
  • — самообучающиеся карты;
  • — нейронные сети.

Логистическая регрессия — это статистическая модель, используемая для предсказания вероятности возникновения некоторого события путем подгонки данных к логистической кривой1. Логистическая регрессия применяется для предсказания вероятности возникновения кредитного дефолта по значениям множества признаков. Для этого вводится так называемая зависимая переменная у, принимающая лишь одно из двух значений (как правило, это числа 0 (событие — дефолт — не произошло) и 1 (событие произошло), и множество независимых переменных (также называемых признаками, предикторами или регрессорами) — вещественныххь х2, ...х„, на основе значений которых требуется вычислить вероятность принятия того или иного значения зависимой переменной. Другими словами, как и какие анкетные данные клиента повлияли на наступление дефолта.

Одна из проблем, которая возникает после построения модели логистической регрессии в кредитном скоринге, связана с низкой степенью точности предсказания отрицательных исходов, т.е. дефолтов. Одна из причин этого — недостаточное число «плохих» заемщиков в обучающей выборке. На практике обычно строят скоринговые карты на основе выборки, измеряемой тысячами наблюдений, с равным числом положительных и отрицательных исходов зависимой переменой. Зная истинные пропорции «плохих» и «хороших» заемщиков в генеральной совокупности и необходимый объем выборки, можно изменить распределение зависимой переменной с помощью методов перевзвешивания и прореживания выборки[1].

Пример построения дерева решения по обеспечению займа

Дерево принятия решений — средство поддержки принятия решений, использующееся в статистике и анализе данных для прогнозных моделей. Структура дерева представляет собой «листья» и «ветки». На «ветках» (ребрах) дерева решения записаны атрибуты, от которых зависит целевая функция, на «листьях» — значения целевой функции, а в остальных узлах — атрибуты, по которым различаются случаи. Чтобы классифицировать новый случай, надо спуститься по дереву до листа и выдать соответствующее значение. Подобные деревья решений широко используются в интеллектуальном анализе данных. Цель состоит в том, чтобы создать модель, которая предсказывает значение целевой переменной на основе нескольких переменных на входе1.

Названная программа AnswerTree (версия 3.1) построена как раз на механизме дерева решений. Данное «растение» требует постоянной заботы пользователей, поскольку значения веток и листьев постоянно меняются. Большинство встроенных в автоматизированные банковские системы российских поставщиков скоринговых решений также основаны на принципах дерева решений. Слабость данного метода построения скоринговой карты в том, что, если исходный вопрос неверен, вся линия дерева не имеет смысла, т.е. не снижает риски невозврата кредита. Поставщики программ всегда могут сказать, что дерево построено по банковским целевым запросам.

Самоорганизующиеся скоринговые карты — деление массы кредитов на кластеры. Программа осуществляет постоянное сравнение нового заемщика с похожими на него. Например, заемщиком является сотрудник бюджетного учреждения возрастом от 30 до 50 лет. По данному кластеру программа выявит ряд критических факторов дефолтности. Например, при уровне зарплаты менее 15 тыс. руб. вероятность потери работы и наступления дефолта 35%. Программа проводит также оценку риска возникновения ситуации уже внутри проблемного кластера (например, дефолтность санитаров в больнице на 40% выше, чем уборщиц в немедицинских бюджетных организациях). Данная форма организации скоринговых карт дает более точные результаты, но требует серьезной аналитической работы с массивами данных. Банковские аналитики должны формировать кластерные условия, принципы соприкосновения кластеров и законы миграции клиентов из кластера в кластер. Одним из самых сложных будет процесс описания кластера индивидуальных предпринимателей, получивших кредит на личные цели (если банк работает с данной категорией заемщиков).

Нейронные сети — наиболее сложный самообучающийся алгоритм, позволяющий программным путем определять вклад каждого фактора в результат с учетом их сложного взаимного влияния. Также карта самостоятельно меняется и осуществляет поиск сложных нетривиальных зависимостей.

Искусственная нейронная сеть (ИНС) — математическая модель, а также ее программная или аппаратная реализация, построенная по принципу организации и функционирования биологических нейронных сетей — сетей нервных клеток живого организма. Это понятие возникло при изучении процессов, протекающих в мозге, и при попытке смоделировать эти процессы. После разработки алгоритмов обучения получаемые модели стали использовать в практических целях: в задачах прогнозирования, для распознавания образов, в задачах управления и др.[7] Многие поставщики программных решений для скоринга заявляют о наличие механизмов нейронных сетей в их продуктах. Нужно помнить, что чем проще алгоритм, тем он грубее, но при этом легче объяснить полученные результаты. Наиболее мощные алгоритмы способны находить сложные нелинейные зависимости, но их интерпретация является нетривиальной задачей. На практике необходимо находить компромисс между точностью и простотой.

Скоринговые карты лучше развивать от простого к сложному. Важно понимание уровня риска, на который банк готов идти при внедрении карт. После запуска и накопления массива данных аналитики банка сами предложат механизмы совершенствования карт. Изменение карт должно происходить на постоянной основе с участием поставщиков программного обеспечения.

  • 4. Проверка кредитной истории. Бюро кредитных историй постоянно совершенствуют процедуры обработки кредитной информации. В Национальном бюро кредитных историй (НБКИ) российским кредиторам доступно скоринг-бюро FICO (версия 3.0). В скоринг-бюро версии 3.0 используется методика учета деперсонализированных сведений о кредитном поведении людей из ближайшего окружения заемщика (социальные связи). В модель также включен исторический анализ данных по кредитным счетам заемщиков, база которых накоплена НБКИ, и глубокое изучение различия кредитного поведения россиян в зависимости от региона. В скоринг-бюро этой версии учтены особенности российского кредитного рынка, связанные с поиском заемщиками лучшего кредитного предложения: смягчены понижающие коэффициенты при множественных запросах клиента на получение одного кредита. Кроме того, введены 16 новых кодов причин, которые позволяют кредиторам лучше понимать ключевые факторы, влияющие на скоринговый балл[8], т.е. банк получает информацию, уже отфильтрованную на уровне бюро кредитных историй. Некоторые поставщики программного обеспечения для проведения скоринга встраивают отдельные подпрограммы для анализа ответа из БКИ. Все эти мероприятия позволяют значительно повысить уровень качества обработки запросов из БКИ. К сожалению, информация в БКИ часто носит поверхностный или явно ложный характер. Ответы БКИ о наличии у клиента отрицательной кредитной истории в значительном количестве случаев не подтверждаются. Это происходит из-за сбоев в обмене информацией между БКИ и банками. Если клиент заявляет о ложном характере информации БКИ, это стоит проверить. Подтверждающими документами может служить выписка ссудного счета банка кредитора, которая покажет историю взаимодействия банка и клиента. Информацию стоит перепроверить, поскольку поддельные выписки со ссудных счетов на сегодняшний день не редкость.
  • 5. Проверка по черным спискам. Каждый банк обладает базой данных проблемных клиентов. К ним относятся просрочники (лица, допустившие нарушение условий кредитного договора в банке или других банках, работающих на территории присутствия банка), мошенники и лица с преступным прошлым. База данных может храниться в виде файла Excel или быть построена на базе каких-либо логических алгоритмов. В банке должен существовать нормативный документ, описывающий процедуры пополнения информации и доступа в базу данных о проблемных клиентах (так называемый черный список). В некоторых субъектах РФ существуют фирмы, оказывающие услуги по доступу банков к региональным базам данных о проблемных клиентах. Базовая скоринговая программа должна быть настроена на продуктивное взаимодействие с базой данных проблемных заемщиков. Логика взаимодействия настраивается при инсталляции скорингового программного комплекса. Например, если человек был судим за хищение, ему будет отказано в кредите.
  • 6. Построение параметров кредитного договора. Итоговый процесс.

Программа определяет возможность заключения кредитного договора и формирует его параметры: срок, максимальную сумму, рекомендации по обеспечению (минимальный объем обеспечения и его характер — поручительство, залог). Чаще всего клиент оформляет анкету на какой-либо конкретный кредитный продукт банка. Скоринговая программа может в процессе обработки предложить клиенту выбрать другой, более подходящий для него кредитный продукт. Например, клиент оформил анкету на получение необеспеченного кредита, но после обработки программа предложила вариант получения кредита с обеспечением не менее чем на 50% от суммы кредита. Возможность построения произвольных сценариев позволяет реализовать в скоринговой программе сложную логику расчета оптимальных с точки зрения стратегии банка параметров кредитного договора.

В процессе оптимизации учитываются не только данные анкеты, но и информация, полученная из множества сторонних источников: АБС, БКИ, баз данных, файлов и т.д.

Сравним время выполнения этапов в единой цепочке программы Deductor компании BaseGroup Labs и действий сотрудника с использованием типовых средств.

Задачи

Deductor

Типовые средства

Оценка достоверности

5 сек.

нет

Андеррайтинг

10 сек.

> 120 сек.

Скоринг

10 сек.

экспертная оценка > 180 сек.

Запрос и обработка данных БКИ

25 сек.

> 300 сек.

Черные списки

5 сек.

> 600 сек.

Расчет параметров договора

5 сек.

5 сек.

ИТОГО

1 мин.

более 20 мин.

Современные средства работы с большими базами данных позволяют значительно оптимизировать процесс обработки кредитных заявок. Можно осуществить гибридные настройки, когда часть наиболее ответственной работы выполняет сотрудник, а часть отдать скорингу. Банк может также сегментировать обработку клиентов по сложности построения логических цепочек клиентских групп. Например, обработку кредитных заявок предпринимателей (по кредитам на личные цели) производить вручную, а заявки остальных физических лиц пропускать через скоринговую программу.

Преимущества скоринга очевидны:

  • — снижение влияния человеческого фактора (уменьшение количества ошибок),
  • — отсутствие личной заинтересованности в кредите,
  • — увеличение скорости обработки,
  • — экономия на заработной плате.

Выводы

Организация кредитования физических лиц в банке является, пожалуй, самым сложным из всех бизнес-процессов и одним из самых рискованных. Поскольку в процессе будет участвовать большое количество сотрудников банка и еще большее количество клиентов, необходимо детально описывать все этапы рождения и жизни кредита. В банке должен постоянно проводиться аналитический мониторинг рискованности технологии выдачи и возврата кредитов. Рост просрочки по какому-либо кредитному продукту должен подвергаться всестороннему анализу. Служба внутреннего контроля банка должна уделять повышенное внимание организации розничного кредитования в каждой точке продаж. Не стоит гнаться за быстрым ростом кредитного портфеля. Лучше небольшой, но качественный портфель.

Рекомендуемые внутренние нормативные документы в рамках главы 7

  • 1. Положение о банковских кредитных продуктах для физических лиц.
  • 2. Договорная база.
  • 3. Регламент кредитования физических лиц.
  • 4. Регламент работы с просроченной задолженностью.
  • 5. Положение о кредитном скоринге.

  • [1] Сорокин А.С. Построение скоринговых карт с использованием модели логистической регрессии //Науковедение. 2014. № 2 (март—апрель). URL : http://publ.naukovedenie.ru/
  • [2] URL: fico.com/ru/
  • [3] URL: basegroup.ru/
  • [4] URL: nbki.ru/
  • [5] Уланов С.В. Оценка качества и сравнение скоринговых карт// Экономические науки. 2009. № 9.
  • [6] Сорокин А.С. Построение скоринговых карт с использованием модели логистической регрессии //Науковедение. 2014. № 2 (март—апрель). URL : http://publ.naukovedenie.ru/
  • [7] URL: https://ru.wikipedia.org/
  • [8] URL: www.nbki.ru/
 
Посмотреть оригинал
< Пред   СОДЕРЖАНИЕ   ОРИГИНАЛ     След >