Банковский скоринг при оценке заемщиков

Вопрос, выдаст ли кредитная организация вам ссуду или откажет, чрезвычайно труден. За его решением стоит дорогостоящая и кропотливая работа. Все большее число банков стремится ускорить и удешевить свой скоринг, сделать его автоматическим. О том, как осуществляется такой скоринг, рассказали специалисты фирмы Experian.

Ограниченность автоматизированного скоринга

Анализ заявок на кредит – процедура, которую можно и нужно сделать автоматизированной. Традиционный, ручной скоринг – вещь очень затратная, поскольку требует обучения сотрудников и тщательной проверки, и времени на одну заявку тратится довольно много. А вот автоматическая система может за секунды обработать значительный объем данных, у нее отсутствуют предубеждения, она не подвержена усталости и переменам настроения.

Банковский скоринг

Скоринг-системы, которые построены на платформах наподобие PowerCurve фирмы Experian, нацелены не на замену живого работника. Они имеют цель помочь ему правильно и быстро принимать решения на любом этапе процесса кредитования. Принципы, на основе которых работают автоматизированные системы, по сути, ничем не отличаются от принципов проведения ручного скоринга.

Процедура заключается в применении скоринговой модели к собранной информации. Цель осуществления скоринга – предсказать, каким образом заемщик будет обслуживать кредит. Это позволяет применять к скоринговым оценкам соискателя рисковую стратегию и принимать определенные решения по его заявке: одобрить ли ссуду, в каком размере, под какую ставку, на какой период.

«Процент решений, которые банки принимают полностью автоматически, на данный момент не очень велик. Это объясняется тем, что кредитные учреждения пока не вполне доверяют машинам. Помимо этого, не все сведения можно проверить, не привлекая человека. Допустим, компьютер не позвонит соискателю займа на работу. Поэтому полностью автоматизированные решения принимаются, как правило, по заявкам на небольшие ссуды», – рассказывает Анна Уштей, являющаяся глобальным консультантом фирмы Experian.

Что банки желали бы знать о потенциальном заемщике?Скоринг в банках

Банки стремятся собрать о клиенте максимальный объем информации, используя разные источники. Помимо сведений, предоставляемых самим соискателем, используются данные из БКИ (прежде всего, кредитная история), открытая информация из социальных сетей, государственные информсистемы, внешние проверки (допустим, звонок работодателю). Данные, анализируемые в ходе скоринга, можно разделить на несколько групп:

  1. Идентификационные данные. Информация, позволяющая идентифицировать заемщика: данные из паспорта, фотография, место жительства, подпись, контактные телефоны. Именно с обработки данных сведений стартует скоринг. Это дает возможность на самой ранней стадии отсеять потенциальных мошенников и однозначно неперспективных заемщиков. Если человек является действующим клиентом банка, обработка и проверка этой информации обойдется кредитному учреждению очень дешево, скоринг может быть почти полностью автоматизирован. Идентификационные данные изменяются редко. Отметим, что даже мелкая непреднамеренная ошибка при предоставлении идентификационных данных приведет, вероятнее всего, к отказу в заимствовании.
  2.   Демографические данные. Пол, возраст, образование, место проживания, семейное положение, фирма-работодатель и занимаемая должность. В отличие от идентификационной информации демографическая со временем меняются: повышается возраст, человек переезжает, учится, меняет работу, растет в должности, женится, разводится и т.п. Сегодня даже пол может измениться.
  3.   Финансовое положение. Наличие и величина регулярного дохода, размер трат, наличие и количество иждивенцев. Тут для претендентов имеются широкие возможности для различных хитростей: расходы можно скрыть, доходы преувеличить. Эти сведения меняются постоянно, поэтому банкам приходится уделять их проверке наиболее пристальное внимание.
  4.   Кредитная история. Пожалуй, самые ценные данные для скоринга – наличие погашенных и текущих займов, наличие просрочек и их продолжительность. Если клиент долгие годы аккуратно обслуживал ссуды, можно с большой вероятностью предположить, что он будет продолжать в том же духе. Разумеется, верно и обратное.
  5.   Транзакционное поведение. Данные такого рода доступны банку, ежели речь идет об оформлении займа не человеку «с улицы», а владельцу пластиковой карточки кредитного учреждения. Имеют значение характер и регулярность операций по пластику – где, как часто, в каком объеме соискатель оплачивает покупки. Заметим, что банкиры оперируют не конкретными услугами и товарами, не названиями магазинов, а категориями точек продаж и суммами.

Данные, которые предоставляет сам заемщик, подвергаются верификации. С этой целью используются и внешние источники, и проверка на внутренние противоречия. Существуют ясные, поддающиеся проверке взаимосвязи между местом работы и проживания, профессией, должностью и величиной зарплаты и т.п. Непротиворечивость этих сведений может проверить машина, а дорогостоящее рабочее время кредитных специалистов экономится.

Модель будущего

Скоринговая модель является ценнейшим активом банка. Именно она определяет, какую оценку (число скоринговых баллов) получит заемщик на всех стадиях скоринга. Скоринговую модель специалист может «набросать» и вручную. Но намного эффективнее будет создание модели на основе имеющейся статистики по заявкам и оформленным кредитам.

Методы скоринга

При статистическом анализе могут обнаружиться самые различные, часто неожиданные взаимосвязи между просрочкой и сведениями о заемщиках. Допустим, работники, которые заняты в какой-то отрасли, могут иметь повышенную склонность к просрочкам. Или многодетные отцы окажутся более аккуратными заемщиками, нежели холостые мужчины. Подобные взаимосвязи и выводы из них будут зависеть от профиля банка, от политической, экономической и демографической обстановки, они могут значительно изменяться во времени, поэтому скоринговую модель необходимо регулярно пересчитывать. Обычно это осуществляется не реже пары раз в год.

Если кредитное учреждение лишь выходит на рынок или кардинально меняет профиль, то наработанная статистика у него отсутствует. Тогда оно может купить готовую систему или заказать сторонней фирме разработку системы для своего профиля. Обычно такие модели не слишком эффективны, и вскоре их необходимо усовершенствовать, основываясь на полученной статистике.

Скоринговая модель часто дополняется условиями и фильтрами, настраиваемыми вручную. Не секрет, что банкиры с предубеждением относятся к юристам и журналистам, даже если статистикой не выявляется повышенный процент просрочки у представителей указанных профессий. Журналисты способны испортить репутацию банка, а юристы любят судиться. Кстати, сами работники финансового сектора тоже зачастую попадают в данные фильтры.

Серая зона

Как именно баллы, полученные в результате скоринговой процедуры, влияют на решения, которые принимаются на всех стадиях обработки заявки на ссуду, — это зависит от рисковой стратегии. Шкала скоринговой модели условно делится на 3 зоны: серую, черную и белую. Если оценка попадает в белую зону, это предполагает гарантированное положительное решение, если в черную – отказ. А вот что касается серой зоны, то здесь возможен простор для маневра.

Стратегией определяется, какая доля заявок на кредит в серой зоне будет одобрена, причем стратегией должны учитываться самые различные факторы. Допустим, в ней можно утвердить, что незамужние учительницы средних классов, балл которых оказался в серой зоне, должны получать положительное решение в 50% случаев, размер кредита не должен выходить за 100000 рублей в 70% случаев, а срок кредитования не должен быть меньше 36 месяцев в 100% случаев.

Подобные тонкие настройки дают возможность банку формировать портфель максимально аккуратно и точно. И средства автоматизации способны здорово облегчить разработку корректной стратегии.
«В модели PowerCurve можно разобрать стратегию по ряду сегментов клиентов, схожих между собой по каким-то критериям, – рассказывает Сергей Горащенко, возглавляющий представительство Experian в РФ и странах СНГ. – Кому-то, к примеру, задаем повышение лимита, кому-то – поднимаем ставку, но не меняем лимит, кому-то – снижаем лимит, после чего устанавливаем запуск данной стратегии по всему портфелю или по определенной его части. Используем стратегию в PowerCurve, модель все рассчитывает и выдает банковским сотрудникам ответ, что с каким претендентом надо делать, какие действия совершить, что поменять».

Такие модели, как PowerCurve от фирмы Experian, дают возможность риск-менеджеру задать желаемую стратегию за несколько минут и проверить ее на статистических данных по кредитному портфелю. Осуществив расчеты, система продемонстрирует тот уровень просроченных займов, который бы имел кредитный портфель при условии, что тестируемую стратегию применяли бы в заданный период. Подойти можно и с другой стороны: задается допустимый уровень просрочки, и компьютер предложит стратегию, которая основывается на статистике за заданное время.

Увы, целиком положиться на автоматику не получится: когда новая стратегия сильно отличается от действующей, требуемой информации может элементарно не оказаться. Допустим, если банк почти не давал ссуды престарелым ИП, а новая стратегия подразумевает их наличие в кредитном портфеле, тогда PowerCurve не сможет спрогнозировать просрочку с необходимым уровнем точности. Поскольку, повторимся, статистики по таким клиентам у банка нет.

Отметим, что стратегией может предусматриваться выдача займов в черной зоне, иначе говоря, заявителям, для которых скоринг-модель показывает высокий риск попадания в просрочку. Незначительный процент одобрения «черных» заявок дает возможность составить статистику по пограничным соискателям, что помогает совершенствовать и скоринговую систему, и стратегию.

Похожие статьи:

Both comments and pings are currently closed.

Comments are closed.