BI
Наталия Катилова
После того как кредитование физических лиц успешно распространилось в регионы, этот вид банковской деятельности принял в России поистине массовый масштаб. На сегодняшний день объем выданных кредитов такого рода в нашей стране составил 54 млрд. руб. (по данным ЦБ РФ). Разумеется, современная экономическая ситуация и здоровая конкуренция подталкивают банки к расширению кредитного предложения. Наряду с понижением процентной ставки важнейшими факторами конкурентной борьбы банков за клиентов становятся простота оформления и скорость предоставления кредита. В этих условиях внедрение в банках автоматизированных систем оценки кредитоспособности заемщиков является крайне актуальным.
Оценка заемщика - это весьма сложная процедура, которая требует централизованного и согласованного подхода, учитывающего бизнес-стратегию банка в целом, особенности работы отдельных его филиалов, а также специфику самих кредитных продуктов. Как объять необъятное? Современные информационные технологии кредитного скоринга позволяют аналитикам банка сконцентрироваться на решении бизнес-проблем, в то время как всю техническую работу по сбору исходных данных и реализации скоринговых алгоритмов берет на себя программное обеспечение.
Что такое кредитный скоринг
Кредитный скоринг возник около 50 лет назад в форме так называемых скоринговых карт. Принцип построения и использования скоринговой карты не сложен (см. рис. 1). Исходные характеристики заемщика, необходимые для его оценки, могут быть выбраны из любого имеющегося в распоряжении банка источника данных, главным образом из заполняемой клиентом анкеты. Подобными характеристиками могут служить демографические данные (в частности, возраст, продолжительность проживания в определенном регионе, стаж работы, почтовый индекс), сведения, отражающие уже существующие отношения между клиентом и банком (например, как долго заемщик является клиентом банка, какие кредитные продукты он уже использует, насколько ответственно подходит к осуществлению платежей, с какой целью обращался в банк прежде), данные кредитного бюро (запросы на идентификацию заемщика, просрочки платежей, общая информация и пр.), сведения из бюро регистрации о наличии недвижимости и т. д.
Рис. 1. Фрагмент скоринговой карты
На основании статистических исследований данных о заемщиках, уже имеющихся в банке, каждому признаку назначается определенное количество баллов (чем выше кредитоспособность и добросовестность заемщика по тому или иному признаку, тем более высокий балл мы этому признаку присваиваем). При этом принимается во внимание предикативная (прогнозная) сила каждого такого фактора, наличие корреляций между ними и другие статистические характеристики исследуемой совокупности объектов. Полезно также использовать данные из кредитных бюро, обеспечивая тем самым достоверное представление о "типичном заемщике с улицы".
Теперь у нас есть все, чтобы оценить кредитоспособность нового претендента: для этого достаточно просуммировать баллы по каждому признаку скоринговой карты и в зависимости от результата определить максимальный размер ссуды, которую банк готов предоставить заемщику. Таким образом, знания об имеющихся заемщиках позволяют нам прогнозировать профиль потенциального клиента банка. Поскольку со временем данные обновляются, естественно, периодически происходит модификация самой скоринговой карты: некоторые признаки становятся более значимыми, а другие отходят на второй план. Коррекция карт производится регулярно, ее периодичность зависит от объема кредитов.
Скоринговый балл претендента, обратившегося за кредитом, сравнивается с баллами заемщиков, уже получивших кредит в банке, и на этой основе делаются определенные выводы о его возможном поведении в будущем (чем надежнее заемщик, тем выше балл). Прогнозная модель строится с помощью таких аналитических методов, как логистическая регрессия или нейронные сети. Затем вычисляется вероятность дефолта первого платежа и заемщик зачисляется в ту или иную группу риска (в зависимости от его скорингового балла). В результате руководством банка устанавливается определенный "балл отсечения", после сопоставления с которым данное учреждение будет принимать окончательное решение о предоставлении кредита. Если балл, набранный претендентом, выше балла отсечения, то выносится положительное решение, а вот если ниже, то банк вынужден отказать ему в выдаче денег. Балл отсечения определяется средствами программного обеспечения по критерию наибольшей прибыльности продукта. Ведь выдавая займы всем желающим подряд (при низком балле), как и незаслуженно отказывая претендентам, которые могли бы оказаться хорошими заемщиками (при слишком высоком балле), банк теряет вполне реальную прибыль. Поэтому для принятия предварительного решения выбирается некий оптимальный балл. Оговоримся, что это решение не окончательное, поскольку после стадии скоринга анкеты передаются в службу безопасности на предмет обнаружения несовпадений заявленных сведений с фактическими. На этой стадии даже самый хороший с точки зрения скоринга потенциальный заемщик скорее всего получит отказ, если, к примеру, выяснится, что в прошлом он имел две судимости за мошенничество...
Как видите, процедура в принципе не сложная. Однако поскольку заявки на кредит поступают в огромных количествах и требуют корректного принятия решения, то без ИТ здесь просто не обойтись.
Немного об инструментах
"Росбанк", всегда старавшийся применять наиболее "продвинутые" ИТ-решения, для автоматизации оценки заемщиков использует ПО компании SAS, в частности специализированное решение Enterprise Miner. Строя собственную систему кредитного скоринга, мы разбили весь процесс на следующие основные этапы.
Первый - это сбор данных. Наладить доступ к имеющимся в региональных филиалах источникам данных по заемщикам и кредитным договорам было делом непростым. В некоторых из них анкеты заемщиков существовали только в бумажной форме. Из-за отсутствия единого шаблона заполнения полей нам пришлось проделать огромную работу по приведению всего массива данных к общему формату. Сейчас этот процесс во всех филиалах стандартизирован, данные имеют один формат, а сама их выгрузка занимает всего несколько минут. Данные стали значительно "чище", и основное внимание теперь уделяется уровню заполненности полей: выявлению отсутствующих значений, "выбросов" и т. п.
Второй этап процесса - чисто аналитический. Здесь данные о новых заемщиках, прошедшие проверку на качество, подвергаются исследованию с применением статистических и математических процедур углубленного анализа данных, а также специализированных алгоритмов для задач кредитного скоринга. Как уже говорилось выше, цель анализа - наиболее точное разделение заемщиков на "хороших" и "плохих". Чем точнее работает та или иная модель, тем меньше ошибок наблюдается при принятии решения. На практике мы строим не одну, а десятки скоринговых карт, учитывающих специфику вида кредитного продукта, его условия и срок, на который выдается кредит, тип клиента, особенности региона и еще много разных факторов.
Наиболее популярны сегодня три основных метода кредитного скоринга: на основе логистической регрессии, дерева решений и нейронной сети (см. рис. 2). Именно они применяются при построении скоринговой карты для оценки потенциального клиента. Мы стараемся использовать максимальное число доступных методов, сравнивая затем их между собой с целью выявления оптимального.
Рис. 2. В каждом отдельном случае выбирается наиболее
оптимальный метод интеллектуального анализа данных
Лишь сейчас, накопив определенный практический опыт, мы уже знаем, что в задачах, связанных с кредитными картами, лучше работают нейронные сети, а при оценке запросов на кредитование покупки автомобиля - регрессия. Мы применяем также алгоритмы группировки по сходным признакам и сегментации с целью выявления клиентов с наиболее высоким уровнем риска, мошенников и потенциальных должников, составляя так называемый "профиль риска". Нельзя сказать, что все эти процедуры удается автоматизировать полностью, иногда человеческий мозг заменить невозможно. Однако упомянутые статистические инструменты помогают кредитным аналитикам делать более обоснованные экспертные оценки.
Третий, заключительный этап - это выпуск той или иной отчетности. В ней содержится информация, не только имеющая непосредственное отношение к конкретному заемщику (дать ему кредит или не дать): накопленные знания о клиентах обобщаются и используются при разработке кредитной стратегии банка. Например, график зависимости прибыли (см. рис. 3, красная линия), получаемой с одного заемщика, от выбранного балла отсечения позволяет оценить значение скорингового балла, ниже которого кредиты выдавать нецелесообразно (так называемая точка безубыточности). Синяя линия на этом рисунке показывает, какова была бы в существующей клиентской базе доля положительных решений при том или ином значении установленного балла отсечения (направление горизонтальной оси нестандартное: слева балл выше, чем справа).
Рис. 3. Программа позволяет определить, при каком значении
балла отсечения гарантирована безубыточная
кредитная деятельность банка
Однако знания точки безубыточности недостаточно. Ведь цель банка - получение максимальной прибыли. Если увеличивать балл отсечения, то прибыль, получаемая с одного клиента, будет, разумеется, расти, но таких хороших клиентов будет все меньше и меньше. На рис. 4 показано, как программа помогает найти балл отсечения, обеспечивающий максимальную доходность совокупного кредитного портфеля.
Рис. 4. А так находится точка максимальной
доходности совокупного кредитного портфеля
Таким образом, оценивая очередного претендента, обратившегося в банк с целью получения кредита, мы подходим к вопросу комплексно: учитываем текущую ситуацию с клиентами в банке, сравнивая претендента с типичным заемщиком, выявляем новые особенности и закономерности поведения клиентов, адаптируясь к реалиям рынка, и строим прогноз ожидаемых в будущем потерь по невозвратам, уже сейчас предотвращая потери от потенциальных должников и мошенников. Детальное знание своих клиентов помогает также совершенствовать существующие кредитные продукты, внося необходимые изменения и устанавливая правила, что, в свою очередь, обеспечивает заметное конкурентное преимущество на динамичном рынке кредитных услуг.
| Наряду с понижением процентной ставки важнейшими факторами конкурентной борьбы банков за клиентов становятся простота оформления и скорость предоставления кредита. |
С автором, заместителем начальника отдела сопровождения кредитных продуктов департамента розничного бизнеса "Росбанка", можно связаться по адресу: nvkatilova@rosbank.ru.
