+7 499 135-41-63 (ВЦ РАН)
   info@forecsys.ru
      или посмотреть карту сайта

Компания

Общие сведения

Персоналии

Визитные карточки сотрудников

Вакансии

Открытые вакансии «Форексис»

Контакты

Телефон, факс, почтовый и электронный адреса

Кредитная защита

Журнал PC Week,
№ 44 от 5 декабря 2005 года

Автор: Родион Насакин

 

Наметившееся в последние годы стремление отечественных банков усилить свои позиции в сфере розничных услуг накладывает новые требования на используемое ПО. За 2004 год суммарный объем выданных физическим лицам кредитов вырос почти вдвое — до 570 млрд. руб., причем в январе 2003-го сумма кредитов составляла всего 40 млрд. руб. На существенно разросшийся рынок потребительского и ипотечного кредитования непрерывно выходят новые игроки, и банкам в целях поддержания конкурентоспособности необходимо создавать благоприятные условия для своих клиентов. При этом в России отсутствуют государственные гарантии возврата кредита, т. е. взятие государством значительной части рисков на себя, а потому банки частенько завышают стоимость кредита. Точная оценка заемщиков помогает снизить кредитный риск, а значит, и проценты по кредиту, что привлекает дополнительных клиентов.

Впрочем, речь идет не только о финансовом аспекте. Проценты по кредиту примерно одинаковы у всех участников рынка, а потому следует изыскивать другие способы заинтересовать клиента. Например, кредитные организации прикладывают значительные усилия, чтобы произвести анализ платежеспособности потенциального заемщика и выдать кредит в кратчайшие сроки, так как это повышает объем продаж. Так, ПО, установленное в Home Credit and Finance Bank, позволяет принять решение о выдаче кредита до 50 тыс. руб. в течение нескольких минут. Но при этом нужно еще постараться не остаться в убытке, тем более что вероятность этого довольно велика. Процент невозврата потребительских кредитов может достигать 14—16% (впрочем, среднее значение по рынку 3—4%).

В столь непростой ситуации, когда проверка заемщика осуществляется в жестких временных рамках, банкам приходится полагаться на возможности имеющихся систем анализа платежеспособности клиента, известных как скоринговые системы (scoring systems).

ИТ-управление кредитными рисками

При этом под «качественным» отсевом неблагонадежных клиентов понимается не только сопоставление информации о доходах, честно предоставленной потенциальным заемщиком, и других значимых факторов с размерами кредита, но и умение распознать лиц, пытающихся «профессионально» обмануть скоринговую систему. Крайне сложно обвести вокруг пальца банк, использующий для принятия решения только документально подтвержденную информацию. Однако, как уже говорилось ранее, банки экономят время, а потому зачастую вынуждены верить указанным в анкете данным, которые проверить сразу же при заполнении документов невозможно.

К настоящему времени практически в любом крупном городе России появились организации, предлагающие населению свои услуги по «правильному» заполнению банковских анкет, благодаря которому клиент якобы может пройти сквозь игольное ушко скоринга. Чаще всего такие фирмы маскируют свою деятельность под обычную консультационную помощь в заполнении документов. И этот бизнес нельзя назвать совершенно безуспешным, с чем соглашаются даже сами банкиры. В частности, Максим Чернущенко, вице-президент Инвестсбербанка в опросе на тему скоринга, проведенном сайтом Bankir.ru, признает, что «обманывать систему можно, но достаточно непродолжительное время. Новые схемы мошенничества регулярно выявляются и пресекаются…». Защищенность скоринговой системы зависит в первую очередь от используемых ею данных и аналитической модели оценки клиента.

При успешном внедрении данного ПО банк получает ряд существенных преимуществ. Во-первых, это сокращение срока, необходимого для принятия решения, о чем уже говорилось выше. При этом снижение временных затрат не оказывает негативного влияния на эффективную оценку заемщика. С использованием скоринговых систем сводятся к минимуму субъективные факторы, влияющие на получение кредита (в 90-е каждый российский бизнесмен знал, что кредиты дают только знакомым; сейчас ситуация существенно изменилась, однако некоторые последствия того времени ощущаются). Во-вторых, система позволяет повысить привлекательность банка за счет индивидуального подхода к каждому заемщику (говоря профессиональным языком, кастомизации кредитного продукта). Кастомизация сервиса, в свою очередь, ведет к увеличению числа кредитуемых лиц. Это объясняется просто. Человеку, заявка которого о получении кредита не может быть удовлетворена по результатам скоринга, банк предлагает меньшую сумму, вполне укладывающуюся в допустимый риск, рассчитанный системой. Инсталляция данного ПО дает возможность сократить штат банковских сотрудников и расходы на содержание специалистов высокой квалификации. При изменении ситуации на рынке в алгоритм системы всегда можно внести соответствующие коррективы, которые будут приняты одновременно во всех отделениях банка.

Немного об алгоритмах

Существующие системы скоринга функционируют в соответствии с различными методологиями, однако основная идея их работы остается неизменной. Программа принимает решение об отказе в выдаче кредита (или снижении максимальной суммы, которую банк может выдать) клиенту, если определенный параметр, вычисленный по результатам проверки, превышает заданную пороговую сумму риска S. Она может быть рассчитана путем сложения показателей, сообщаемых клиентом во время опроса, умноженных на веса, задающие степень важности каждого показателя. Различия между системами, во многом определяющие их эффективность, заключаются как раз в методах подбора весов и показателей, характеризующих клиента.

Веса могут быть определены с помощью статистического обучения программы на имеющемся массиве данных. Такой массив представляет собой совокупность данных об уже выданных кредитах, их возврате (очень важный момент, так как применяемое в данном случае «обучение с учителем» подразумевает наличие объективной оценки «хороший/плохой» для каждого кредита) и показателях, характеризующих клиентов. Для сбора такой информации в достаточном объеме можно использовать собственный опыт банка, но это будет не самое удачное решение. Мало кто из банкиров согласится выдавать без оглядки кредиты всем и каждому в течение длительного времени, необходимого для формирования информационного массива достаточного размера (он получил на профессиональном жаргоне меткое определение — «кредитное кладбище»).

Очевидно, что точность работы системы будет в значительной степени зависеть от количества примеров для обучения. Более приемлемым представляется вариант обучения на чужих ошибках. В частности, специалисты уже упомянутого Home Credit and Finance Bank использовали для обучения своей скоринговой системы данные о 4,2 млн. человек, взявших кредит в странах Центральной Европы (по мнению ряда экспертов, кредитные БД этого региона отражают в целом и ситуацию в России). Правда, в этом случае при «преподавании» делалась поправка на отечественную специфику: пришлось скорректировать веса некоторых показателей в соответствии с экономическим уровнем жизни и национальным менталитетом. В России значения весов будут различаться даже от региона к региону хотя бы потому, что уровень заработной платы в разных уголках страны далеко не одинаков.

Создать обучающую выборку на основе данных о российских кредитах затруднительно и по принципиальным соображениям. Представители компании «Франклин & Грант», специализирующейся на разработке финансовых аналитических ИТ-решений, на своем сайте утверждают, что кредитных историй необходимой «длины» в нашей стране просто нет. А сбор нужной информации по новым видам кредитования, например по ипотеке, может занять десятки лет. К настоящему времени ряд компаний-поставщиков скоринговых систем предлагают банкам продукты, использующие в своей работе методы «обучения без учителя», т. е. выделяющие различные группы клиентов самостоятельно.

Для построения модели классификации клиентов по платежеспособности разработчики применяют различные аналитические методы, в частности:

  • дискриминантный анализ (линейная и логистическая регрессия);
  • линейное программирование;
  • дерево классификации;
  • нейронные сети;
  • генетический алгоритм;
  • метод ближайших соседей.

Последние три метода можно назвать относительно новыми, однако они уже успели неплохо зарекомендовать себя в сфере риск-менеджмента. Так, нейронные сети позволяют разделить клиентов на «однородные» группы, т. е. выделить несколько групп заемщиков, внутри которых уровень риска примерно одинаков, но заметно отличается от уровня риска для клиентов из других групп. В ритейле нейронные сети пока используются редко; в основном этот метод применяется в скоринговых системах, ориентированных на юридических лиц. Вместе с тем благодаря способности нейронных сетей выявлять нестандартные ситуации наиболее успешно они показали себя в задачах обнаружения мошенничества с кредитными карточками.

В основе генетического алгоритма лежит аналогия с процессом естественного отбора. Сначала алгоритму передаются несколько моделей, по которым можно произвести классификацию клиентов. Затем в процессе отбора эти модели «мутируют», «скрещиваются», а в результате выявляется «сильнейшая» модель, которая дала наиболее точную классификацию.

В методе ближайших соседей клиенты выборки представляются точками в многомерном пространстве показателей, а их близость друг к другу характеризуется расстоянием между точками. Новый заемщик классифицируется по своему окружению — в зависимости от того, «плохие» или «хорошие» точки преобладают поблизости от него.

Как правило, на практике применяется комбинация нескольких методов, а строгая секретность сведений о модели, используемой в том или ином банке, делает невозможным сравнение эффективности отдельных моделей.

Примеры систем

Подавляющее большинство отечественных банков используют в скоринге специализированные модули систем розничного обслуживания (например, RS-Loans или Invo Retail) или же разрабатывают скоринговое ПО своими силами. В этой сфере можно отметить больше уникальных разработок, чем в любой другой области банковской автоматизации. И все же рынок скоринговых ИТ-решений существует, и на нем присутствуют фирмы как разрабатывающие системы под заказ с использованием общей скоринговой модели, так и адаптирующие под конкретный банк серийный продукт.

Мировым лидером по разработке скоринговых систем является компания Fair Isaac, продуктами которой пользуются ведущие мировые кредитные агентства Equifax, Experian и Trans Union. Разработанная ею статистическая скоринговая модель FICO Score вполне может стать де-факто стандартом в ближайшие годы. Однако в России более популярны отечественные скоринговые продукты, что объяснимо не только учетом в них национальной специфики, но и приемлемыми ценами. Стоимость скоринговой системы может колебаться в среднем в пределах от 20 до 200 тыс. долл.

Forecsys: поиск логических закономерностей

В основе программных продуктов фирмы Forecsys лежат собственные технологии анализа клиентских сред (Customer Environment Analysis, CEA) и прогнозирования взаимосвязанных процессов (Interrelated Processes Forecasting, IPF). Технология оценки кредитных рисков, применяемая в данном решении, основана на методах data mining (деревья решений, поиск логических правил и т. д.). В компании утверждают, что ПО, использующее такие алгоритмы, может работать даже с малыми объемами данных.

Рис. 1. Рабочий вид ScoringPilot

Рис. 1. ScoringPilot позволяет автоматизировать выдачу кредитов физическим лицам

Пилотный скоринговый проект компании — система ScoringPilot была разработана специалистами Forecsys по заказу банка «Петрокоммерц» в 2003—2004 гг. Собранные в ходе проекта данные по кредитам были использованы при создании полнофункционального скорингового решения, построенного на аналитической скоринговой платформе Scorecsys. В настоящее время фирма трудится над рядом аналогичных проектов и за рубежом, используя различные варианты сотрудничества: от консалтинга до установки систем автоматизации кредитования и управления кредитными рисками.

По замыслу разработчиков, Scorecsys должна полностью автоматизировать выдачу кредитов физическим лицам. Использование оригинального математического аппарата для поиска логических закономерностей дает системе ряд преимуществ перед статистическим и нейросетевым подходами. Среди ее достоинств можно отметить простоту интерпретации, поскольку ScoringPilot способна логически объяснить свои решения и оценить их надежность (см. рис. 1). Также плюс подхода — прозрачность структуры, достаточная для того, чтобы кредитный аналитик мог вручную скорректировать построенную модель: убрать/добавить правила, изменить пороговые значения и проверить эффективность модифицированной модели на имеющихся данных. Для успешной работы достаточно весьма скромного объема выборки — порядка сотен прецедентов. ScoringPilot отличается простотой настройки. Алгоритм поиска логических закономерностей требует начального задания всего трех-четырех параметров, вполне понятных (в отличие от нейронных сетей) кредитным аналитикам средней квалификации.

Работа системы начинается с загрузки данных из анкет и кредитных историй заемщиков, после чего ScoringPilot начинает искать логические закономерности. Для обнаруженных и выдвинутых пользователем закономерностей вычисляются статистические характеристики мощности, информативности и др., а также сравнивается эффективность закономерностей, найденных системой и предложенных пользователем. По результатам отбора строится скоринговая модель, которая обучается по имеющейся выборке и визуально отображается в виде таблиц и графиков. Полученная модель редактируется пользователем. После всех предварительных действий начинается собственно классификация заемщиков, которая может производиться как по обучающей выборке, так и в режиме скользящего контроля. Система также формулирует объяснение произведенной классификации и может анализировать отдельные признаки.

Результат работы системы — гистограмма распределения заемщиков по каждому из значений поля скоринговой анкеты и найденные по массиву данных о заемщиках логические правила.

«Франклин & Грант»: три пути решения

Услуги по разработке скоринговой системы компания «Франклин & Грант» предоставляет совместно с консалтинговой группой БФИ («Банки. Финансы. Инвестиции»). Заказчику предоставляется выбор из трех возможных вариантов системы скоринга в зависимости от имеющихся у банка данных. В частности, система макроэкономического скоринга используется в том случае, если у кредитной организации есть какая-либо информация о потребительском кредитовании, опирающаяся на макроэкономические закономерности региональной статистики по социально-экономическому развитию. При наличии у заказчика экспертных оценок допускается установка системы дедуктивного скоринга, а имеющаяся база кредитных историй делает возможной разработку системы статистического скоринга.

Независимо от типа системы готовый продукт будет обладать следующим рядом основных функций:

  • оценка кредитного качества отдельного заемщика с требуемой детализацией;
  • поддержка принятия решений о кредитовании на основе взвешивания факторов риска, входящих в модель;
  • адаптация оценки кредитного качества под возможности заемщика, стоимость кредита и его длительность;
  • адаптация модели к изменяющимся экономическим условиям.

Система дедуктивного скоринга, кроме того, способна выявлять в знаниях экспертов значимые для скоринговой оценки показатели, оперировать нечеткими суждениями (свойственными человеку), согласовывать суждения экспертов. Статистический скоринг дает возможность оценивать сравнительную значимость отдельных факторов риска кредитоспособности, а значит, проводить кастомизацию. Макроэкономический скоринг позволяет учесть в модели региональную (место проживания заемщика) и отраслевую специфику (место работы и должность).

В зависимости от выбранного заказчиком варианта время разработки системы может варьироваться от шести до двенадцати месяцев. В этот срок включены три основных этапа реализации проекта. На первой стадии, длящейся около двух месяцев, проводится аудит кредитной деятельности банка и на основе предпочтений заказчика выбирается модель скоринга. На втором этапе, длительность которого составляет от трех до шести месяцев (дедуктивный скоринг требует три месяца, статистический вариант займет от четырех до пяти месяцев, а на систему макроэкономического скоринга может уйти полгода), создается модель скоринга, адекватная условиям деятельности и клиентской базе банка. Завершающий третий этап включает в себя собственно установку системы, ее тестирование и обучение персонала. Консалтинговая часть работы может занять до четырех месяцев.

BaseGroup Labs: data mining в кредитной практике

Deductor: Credit, скоринговая разработка компании BaseGroup Labs, входит в семейство программных продуктов Deductor, разработанных на одноименной платформе и использующих методы data mining для решения финансово-аналитических задач. Банк должен иметь информацию по выданным кредитам за три-четыре года. Как следует из названия продукта, центральное место в работе Deductor: Credit играют экспертные оценки. Сначала выдвигается гипотеза, в рамках которой эксперт с помощью своего опыта и знаний предполагает степень влияния тех или иных факторов на исследуемую закономерность и составляет список всех значимых факторов.

Факторы, имеющие отношение к верифицированной гипотезе, собираются и консолидируются в хранилище данных Deductor Warehouse. На основе структурированных данных создается аналитическая отчетность, помогающая в построении модели. В силу того что в Deductor Warehouse данные имеют многомерную структуру, разработчики считают наиболее удобным получение отчетности в виде кросс-таблиц или кросс-диаграмм. Такой подход позволяет проанализировать имеющуюся выборку по заемщикам и выделить основные зависимости от отдельных параметров. На сайте компании дан пример анализа выборки по возрасту клиентов, в результате которого выясняется, что количество соискателей кредита в возрасте после 30 лет существенно снижается (см. кросс-диаграмму на рис. 2). Очевидно, что в сложившейся ситуации взрослых клиентов не устраивают условия кредитования, а потому рассматриваемый банковский продукт нуждается в кастомизации. Хранилище данных снабжено инструментами для определения предпочтений клиентов.

Рис. 2. График зависимости спроса на кредиты от возраста клиента

Рис. 2. Спрос на кредиты зависит от возраста клиента

Интересны возможности Deductor Warehouse по анализу рынка в целом, позволяющие банку получить подробное представление о клиентуре. Такие задачи решаются здесь с помощью построения самоорганизующихся карт. Наглядное отображение сегментирования клиентских групп позволяет ответить на вопросы: кто берет кредит, с какой целью, каковы причины несостоятельности «плохих» заемщиков и т. п. Подобную задачу можно решить с помощью построения самоорганизующихся карт Кохонена. Обычно сначала проводится анализ для каждой характеристики (среднемесячный доход, цель кредита, сумма кредита, количество иждивенцев и т. д.) в отдельности, а потом оценивается взаимосвязь всех показателей. После того как сегментирование клиентов завершено, можно проанализировать каждую полученную группу в отдельности. В данном случае используется метод дерева решений, в котором в качестве входных параметров указываются гипотетические факторы, влияющие на кредитоспособность, а на выходе — решение о выдаче кредита. Дерево самостоятельно отсекает факторы, которые по результатам проверки оказываются малосущественными.

Построение модели производится при помощи нейронной сети, позволяющей системе принимать не только бинарные решения («плохой» или «хороший»). Нечеткие оценки дают возможность смягчать или ужесточать требования к каждому заемщику в отдельности. После построения модели от аналитика требуется лишь задать пороговое значение оценки, по достижении которого кредит может быть выдан.

EGAR Technology: широкий спектр решаемых задач

В системе EGAR Loans, полностью автоматизирующей процесс выдачи кредитов физическим лицам, представлены сразу два скоринговых продукта: EGAR Application Scoring и EGAR Behavior & Collection Scoring. Первый предназначен для оценки кредитоспособности на основе анализа исторических данных (ретроспективный скоринг) и применения макроэкономических моделей (макроскоринг). Он используется для работы в сфере потребительских кредитов, кредитных карт, автокредитования, ипотеки и кредитования малого бизнеса (тип кредитного продукта учитывается при принятии решения).

EGAR Application Scoring (см. рис.3) позволяет:

  • рассчитывать риски дефолтов, убытков и досрочного погашения;
  • управлять просроченными кредитами, определяя допустимые лимиты и сроки погашения задолженности;
  • анализировать кредитные сделки с созаемщиками и поручителями;
  • учитывать и восстанавливать доходы по социально-демографическим характеристикам и собственности заемщика;
  • учитывать залоговое качество обеспечения кредита и его динамику во времени.
Рис. 3. Схема работы EGAR Application Scoring

Рис. 3. Схема работы EGAR Application Scoring

Реализация системы на промышленной платформе делает возможным поддержку многофилиальной структуры, а получение приложения в аренду существенно расширяет круг потенциальных банков-клиентов. Система поставляется как в полной версии, так и в форме ASP-решения, что делает ценовую политику EGAR Technology гибкой и приемлемой для большинства российских банков.

Вторая система компании — EGAR Behavior & Collection Scoring — имеет довольно необычную функциональность, позволяющую оценивать риски по уже существующим кредитам. При этом система учитывает график погашения задолженности заемщиком и движение средств на других счетах. Она также оценивает эффективность различных мер для ликвидации просроченной задолженности — скоринга взысканий.

 

 

Статья опубликована с разрешения редакции журнала PC Week.