Оценка кредитоспособности физических лиц

Во-вторых, многие банки опасаются выходить на рынок потребительского кредитования по причине отсутствия кредитных историй.

В-третьих, высокая стоимость проектов по внедрению собственной системы анализа платежеспособности клиента (скоринг) на базе программного обеспечения стороннего разработчика, большие сроки (6-18 мес.) и высокие требования к специалистам сопровождения системы "отпугивают" сегмент небольших и средних банков [17, c. 366].

В результате банки перекладывают риск не возврата на плечи заемщиков, завышая процентные ставки. Реальная годовая процентная ставка по экспресс-кредитам сегодня исключительно высока - от 40 процентов, включая все ежемесячные платежи, а в отдельных случаях достигает 70-80%. Многие банки используют простой скоринг, представляющий собой набор жестких правил, в лучшем случае - балльную оценку заемщика.

Сегодня известно достаточно много методик кредитного скоринга. Одной из самых известных является модель Дюрана. Дюран выделил группы факторов, позволяющих максимально определить степень кредитного риска, и коэффициенты для различных факторов, характеризующих кредитоспособность физического лица: пол, возраст, срок проживания в данной местности, профессия, финансовые показатели, работа, занятость [17, c. 211].

В самом упрощенном виде скоринговая модель представляет собой взвешенную сумму определенных характеристик. В результате получается интегральный показатель (score). Чем он выше, тем выше надежность клиента, и банк может упорядочить своих клиентов по степени возрастания кредитоспособности.

«Скоринг - формуляр» немецкого банка состоит из двенадцати показателей, по каждому из которых клиенту начисляется большее или меньшее количество баллов. Максимальный балл - 20. Аналогичный подход при анализе кредитоспособности заемщиков используют французские банки. Единственная сложность заключается в том, что балльные оценки кредитоспособности заемщика должны быть статистически выверены и требуют постоянного обновления информации, что может быть дорого для банка.

Сейчас банки требуют от потенциальных клиентов от 9 до 24 различных документов, которые являются официальным основанием для получения кредита. Несмотря на то, что не существует официальной процедуры работы с ними, и каждый банк по своей собственной схеме собирает эти документы, в целом они должны содержать все необходимые сведения о заемщике [30, c. 22].

Среди преимуществ скоринговых систем западные банкиры указывают снижение уровня не возврата кредита, быстроту и беспристрастность в принятии решений, возможность эффективного управления кредитным портфелем, отсутствие необходимости длительного обучения персонала.

Сложность заключается только в выборе характеристик, т. е. какая информация является существенной, а какой можно пренебречь. Выборка подразделяется на две группы: «хорошие» и «плохие» риски. В Западной Европе «плохим риском» считается клиент, задерживающийся с очередной выплатой на три месяца, либо клиент, слишком рано возвращающий кредит, банк не успевает ничего на нем заработать [20, c. 71].

Комплексное решение проблем скоринговой системы оценки кредитоспособности заемщиков:

С целью повышения эффективности скоринговой системы и уменьшению не возврата кредитов был создан кейс который построен на базе аналитической платформы Deductor и web-технологий, автоматизирующее всю последовательность действий от получения заявки на кредит в удаленной торговой точке до принятия решения о его выдаче и формировании необходимого пакета документов. При этом в процессе задействованы все звенья - оператор торговой точки, служба безопасности, кредитный инспектор банка, адаптируемая скоринговая модель, используемая автоматизируемая банковская система.

Он состоит из нескольких частей:

1) Бэк- и фронт-офис удаленных рабочих мест;

2) Схема документооборота (последовательности прохождения анкет через службы банка);

3) База данных, содержащая информацию о заемщиках и истории принятия решений по ним;

4) LoansBase.Generator - генератор кредитных историй;

5) Система скоринга и аналитической отчетности;

6) Модуль интеграции с АБС - автоматизированной банковской системой.

Рассмотрим каждую часть кейса подробнее.

Бэк-офис и фронт-офис представляют собой автоматизированные рабочие места операторов ввода заявок и лиц, участвующих в принятии решений о выдаче кредита. Оперативная работа пользователей с системой происходит при помощи единого веб-интерфейса. Среди пользователей системы можно выделить три категории:

1) Оператор торговой точки. Он вводит данные из анкеты заемщика в стандартную форму, которая автоматически генерируется на стороне сервера. Как вариант возможен ввод данных самим заемщиком (например, в случае Интернет-заявок).

2) Сотрудник службы безопасности (СБ);

3) Сотрудник кредитного отдела.

Отличие веб-формы сотрудника СБ от сотрудника кредитного отдела заключается в различии информации из анкеты заемщика, которая используется для принятия решения по заемщику. Так, для верификации заемщика службой безопасности необходима информация о номерах документов, регистрации, месте работы и пр. Кредитного инспектора интересует социальный портрет: уровень доходов, семейное положение, образование, и т.д., а также результат скоринговой модели [34, c. 21].

Использование web-технологий позволяет добиться следующего:

1) Централизация всех операций;

2) Высокая степень безопасности;

3) Легкость масштабирования системы и тиражирования ее на другие торговые точки;

4) Исключение необходимости устанавливать какое-либо дополнительное программное обеспечение - все операции выполняются при помощи стандартного браузера.

На рисунке изображена последовательность прохождения анкеты заемщика через службы банка. Например, добавляется генерация пакета документов для подписи клиентом, автоматическое открытие счета и т.д.

Данные приложения 7 и диаграммы на рис.6 показывают, что основную долю в ссудной задолженности занимают обесцененные кредиты.

 

 

Рисунок 9 - Последовательность прохождения анкеты заемщика через службы банка

 

В ряде случаев предпочтительно создание хранилища данных, в котором содержатся консолидированная информация по заявкам с анкетами заемщиков и истории принятия решений по выданным кредитам и погашениям кредитов. Это позволит сосредоточить информацию о потребительском кредитовании в едином источнике и снизить нагрузку на оперативную базу данных.

 

Рисуно 10 - Схема работы с хранилищем данных

 

Как вариант, в хранилище данных может накапливаться статистическая информация макроэкономического характера об уровне жизни в регионе, средней заработной плате, прожиточном минимуме и т.д. с целью повышения качества скоринговых моделей.

Кейс комплектуется встроенным хранилищем данных Deductor Warehouse на базе свободно распространяемой клиент-серверной СУБД Firebird. Таким образом, как показано на рисунке 11 минимальная структура хранилища данных будет состоять из трех процессов (кубов): Заявки, Статусы, Погашения.

 

Рисунок 11 - Структура хранилища данных

 

Базовый генератор представляет собой генератор кредитных историй - специальный модуль, формирующий набор примеров с различными анкетными портретами заемщиков. Генерация производится по специальным алгоритмам математической статистики с учетом заданных распределений случайных величин. В качестве распределений могут использоваться как статистические данные по стране, так и экспертные суждения о том, у какого типа заемщиков будет пользоваться популярностью кредитная программа [20, c. 89].

Искусственная кредитная история необходима в случае, когда реальной кредитной истории не существует, либо ее объем незначителен. Это возникает в случаях, когда:

1) Банк впервые выходит на рынок потребительского кредитования;

2) Банк открывает новую кредитную программу с условиями, отличающимися от прежних программ (сумма кредита, требования поручительства и т.п.). В этом случае могут появиться или исчезнуть часть входных факторов, и ранее построенная скоринговая модель окажется неприменимой в новых условиях.

Для генерации кредитных историй используется структура анкеты заемщика. В результате работы базового генератора формирует таблицу со столбцами - входными факторами из анкеты заемщика, влияющих на принятие решения о выдаче кредита. Гипотеза о влиянии тех или иных факторов выдвигается, как правило, экспертами банка.

 

Рисунок 12 - Генерация кредитных историй

 

После генерации кредитной истории эксперты банка проставляют в графу "Давать кредит" свое решение. Минимальное количество прецедентов в кредитной истории, которые должны обработать специалисты банка во многом зависит от числа столбцов, специфики кредитной программы, но в среднем оно составляет от 500 до 1000 примеров [36, c. 11].

Использование подхода с искусственной кредитной историей в кейсе имеет как плюсы, так и минусы.

Плюсы:

1) Возможность быстрого построения полноценной скоринговой модели с использованием технологий Data Mining;

2) Экспертные оценки по искусственной кредитной истории аккумулируют в себе меру риска, на который готов пойти банк при выдаче кредита;

3) Формат искусственной кредитной истории совпадает с форматом реальной кредитной истории, поэтому никаких перенастроек при запуске кредитной программы в действие не требуется.

Недостатком является субъективность оценок при классификации заемщиков экспертами банка. По мере появления реальных данных по выдаваемым кредитам скоринговые модели будут перестраиваться, и субъективность снизится.

После формирования кредитной истории начинается построение скоринг - моделей. Этот процесс носит итеративный характер, в ходе которого устраняются противоречия, корректируются правила (в случае модели в виде дерева решений), в результате чего скоринговая модель утверждается.

Для построения скоринговых моделей используются самообучающиеся методы на основе технологии извлечения знаний Data Mining. Эти технологии используют последние мировые достижения в области интеллектуальной обработки информации, что в несколько раз эффективнее использования классических балльных скоринговых методик [37, c. 15].

 

 

Рисунок 13 - Процесс построения скоринговых моделей

 

Нейронные сети являются мощным инструментом для выявления нелинейных зависимостей между входными и выходными факторами и позволяют дополнить скоринг моделью оценки вероятности возврата кредита тем или иным заемщиком.

В конечном итоге это позволяет:

1) Отделить работу эксперта от массового использования построенных моделей;

2) Снизить требования к персоналу;

3) Формализовать работу при принятии решений;

4) Уменьшить зависимость от персонала;

5) Повысить качество работы.

Как было отмечено выше, система позволяет изменить или расширить базовую схему прохождения анкеты. Рассмотрим несколько стандартных вариантов схем прохождения анкет.

В первой, наиболее простой схеме, анкета последовательно проходит через все службы банка: служба безопасности, скоринговая модель, кредитный отдел, как показано на рисунке 14.

 

Рисунок 14 - Схема работы - последовательная обработка анкет

 

Из плюсов у данной схемы можно отметить простоту. Однако простота влечет за собой определенные недостатки:

1) Служба безопасности выполняет лишнюю работу, проверяя потенциальных заемщиков, которые изначально не "проходят" по скорингу.

2) Кредитный отдел всегда подтверждает скоринг-модель, поэтому автоматическая оценка риска как таковая отсутствует. Как правило, это делается, когда доверие к скоринг-модели невысокое.

Второй вариант схемы избавлен от вышеназванных недостатков. Во-первых, служба безопасности проверяет только тех заемщиков, которые успешно прошли автоматический скоринг. Во-вторых, для снижения нагрузки на кредитный отдел и частичной автоматизации принятия решений в схеме вводится "коэффициент доверия" Kd - некоторый числовой параметр, характеризующий степень доверия к скоринг-модели. Анкеты, удовлетворяющие этому критерию, не попадают на рассмотрение в кредитный отдел [41].

 

 

Рисунок 15 - Схема работы - улучшенный вариант обработки анкет

 

Раскроем сущность коэффициента доверия на примере скоринг-модели дерева решений. Как известно, каждое правило в дереве решений характеризуется двумя параметрами - поддержкой и достоверностью.

1) Поддержка - общее количество примеров, классифицированных данным узлом дерева.

2) Достоверность - количество правильно классифицированных, данным узлом примеров.

Например, для правила, если Доход личный > 5820 тогда давать кредит = «Да» значение поддержки равно 20%, достоверности - 94%. Это трактуется следующим образом: в обучающем множестве кредитной истории было 20% примеров, удовлетворяющих данному правилу (т.е. Доход личный больше 5820), и в 94% случаев заемщику было вынесено положительное решение о выдаче кредита.