Разделы

Цифровизация ИТ в банках

Кредитный скоринг: реальные возможности

Банковский сектор является одним из ключевых потребителей технологий анализа информации, ведь именно в банковском бизнесе так важно принять правильное решение на основе правильной информации. С учетом взрывного роста в последние три года рынка потребительского кредитования, для большинства банков стало необходимым использование технологий автоматизированного кредитного скоринга.

Сейчас все больше и больше банков работают на рынке розничного кредитования, и именно в этом виде банковского бизнеса невозможно обойтись без технологии скоринга. Название «скоринг» происходит от английского слова «score», то есть «счет», дословно «scoring» – это подсчет очков в игре. Еще в сороковых годах прошлого века американец Дэвид Дюран впервые применил методику классификации кредитов на «плохие» и «хорошие».

Методика Дюрана предусматривает выделение групп факторов и их весовых значений, позволяющих определить степень кредитного риска (граница выдачи кредита – 1,25 и более).

Как присваиваются баллы

Возраст 0,1 балла за каждый год свыше 20 лет (max 0,30)
Пол Женский (0,40), мужской (0)
Срок проживания в регионе 0,042 балла за каждый год (max 0,42)
Профессия 0,55 балла за профессию с низким риском, 0 за профессию с высоким риском, 0,16 – другие профессии
Работа 0,21 балла на предприятиях общественной отрасли, 0 – другие
Срок занятости 0,059 балла за каждый год работы на данном предприятии

На практике кредитный скоринг представляет собой математическую или статистическую модель, с помощью которой сотрудники банка определяют вероятность возвращения кредита потенциальным заемщиком. При этом в банковском секторе существует два метода оценки кредитных рисков: субъективное заключение кредитных специалистов и принятие решений автоматизированными системами скоринга на основании анкетных данных и внешних источников.

В 1956 г. Бил Файр и Эрл Айзек, из Стэнфордского исследовательского института придумали первую кредитную скоринговую модель, разработав математический алгоритм, определяющий уровень кредитоспособности заемщика. Ими была организована компания Fair, Isaac and Company. В 1958 г. эта американская компания продала первую скоринговую модель, а сейчас подавляющее большинство банков во всем мире используют скоринговые модели для оценки заемщиков.

Учитывая, что число людей, обращающихся в банк за кредитом, в последние годы серьезно увеличилось, банкам приходится максимальным образом автоматизировать процесс принятия решений по кредиту, в случае большого числа заявок. «Следуя тренду быстрого увеличения количества кредитных заявок и стремясь сократить время и издержки на рассмотрение, банки широко используют кредитные конвейеры, представляющие собой сложные программные комплексы по обработке кредитных заявок и принятию решений по ним в рамках формализованного бизнес-процесса. Оценка заемщика, как правило, выполняется за рамками кредитного конвейера и тесно с ним интегрирована», – уточняет Юрий Дубровский, ведущий аналитик компании Cinimex.

Большой секрет

Технология скоринга заявки при принятии решения о выдаче кредита была названа Application scoring, что часто переводится, как «скоринг заявки» или система оценки кредитоспособности заемщиков. Ее ключевое преимущество заключается в том, что решение о предоставлении кредита может выдаваться автоматически на основании анализа заполненной анкеты, разработанной андеррайтерами, оценщиками кредитных рисков. Именно по результатам такого анализа и принимается решение об одобрении или отказе в выдаче кредита. Таким образом не только формализуется и централизуется процесс принятия решений, но и сокращаются временные затраты персонала розничных отделений, что дает большой эффект в части затрат с учетом количества офисов у розничных банков. При этом некоторым российским банкам данная технология позволяет вообще обходиться без розничной сети.

Скоринговая модель содержит основные принципы оценки заемщиков; если модель «пропускает» много неблагонадежных клиентов, то и банк со временем будет вынужден уйти с рынка по причине высокого процента «плохих» кредитов. Именно поэтому детальные алгоритмы работы скоринговых систем – самый большой секрет розничных подразделений банков, ведь именно эти модели обеспечивают конкурентные преимущества банку в области розничного кредитования.

Основная цель применения технологии Application scoring заключается в минимизации процента невозвратов по выданным кредитам за счет тщательного анализа информации о заемщике. По мировому опыту, данный процент варьируется в границах от 0,5% до 3%. При этом, что интересно, самые низкие проценты невозвратов достигаются в мусульманских странах – 0,5–1%.

Если сравнить данные цифры с уровнем кредитных рисков в российской банковской системе, то можно увидеть серьезные отличия. Согласно отчету международного рейтингового агентства Standard & Poor's, уровень кредитных рисков в России один из самых высоких в мире. По информации экспертов, некоторые банки уже оказались за критической чертой, и реальный объем плохих кредитов в их портфеле достигает 10% или даже 15%.

Хотя в общей массе проценты невозвратов в России не такие уж высокие. Например, по данным информационно-аналитической службы Банки.ру, процент просроченной задолженности в составе портфеля топ-100 банков по объему розничного кредитного портфеля на 1 мая 2013 г. составил в среднем 5,02% против 4,97% процента в начале года.

Недостаток информации

Все это лишний раз доказывает, что при принятии решений многие российские банки все еще не анализируют всю необходимую информацию и гонятся за объемом выданных кредитов, часто пренебрегая полноценным анализом заемщика с использованием технологий кредитного скоринга. В то же время сложность ситуации в России заключается еще и в том, что объем статистики по выданным кредитам не всегда достаточен для адекватной работы скоринговой системы. Особенно актуален это вопрос в регионах, где сложно получить большой объем статистических данных для полноценной настройки скоринговой модели.

Юрий Дубровский поясняет, что формализованные скоринговые модели, представленные на рынке в виде программных средств, нашли своего потребителя в крупных банках. Однако интеграция сложных скоринговых систем в кредитный конвейер физических лиц приводит к заметному росту необходимых ресурсов, в том числе ИТ, для обработки каждой заявки в конвейере: необходимо хранить и рассчитывать дополнительно существенный объем исторических данных по каждому заемщику, а эти данные еще нужно и собрать, не нарушая законодательства, в частности о персональных данных. «Поэтому, по нашему опыту, при построении кредитного конвейера обычно используются получаемые из интегрированных с конвейером систем скоринговые оценки на основе данных самой заявки и приложенных документов, а также кредитной истории по данным БКИ», – говорит он.

«Пока технология Collection scoring используется банками в форме простых механизмов», – уточняет Юрий Дубровский, ведущий аналитик компании Cinimex.

Аналитики компании Fair, Isaac & Company сформулировали пять главных характеристик, влияющих на определение кредитоспособности заемщика. Исторические данные по погашению платежей по кредиту: лица, в прошлом не выполнившие своих обязательства по погашению платежей, с большой вероятностью будут делать это снова. Способ использования займа: цели, на которые заемщик планирует направить кредит, определяют, насколько велик риск невозврата кредита. Продолжительность кредитной истории: лица, имеющие длительную положительную кредитную историю, менее рискованные с точки зрения предоставления займа. Частота, с которой лицо обращается за кредитом: считается, что рискованные заемщики – те, кто в течение короткого периода подают заявки на получение нескольких кредитных продуктов. Пакет кредитов потребителя: заемщик, обладающий только одной кредитной картой, считается обычно более рисковым, чем, заемщики, обладающие комбинацией кредитных карт, небольших банковских счетов, потребительских кредитов, ипотечных займов и возобновляемых кредитов.

При этом кредитный скоринг не ограничивается лишь принятием решения по кредиту с использованием Application scoring, на самом деле необходимо анализировать весь жизненный цикл клиента, и именно поэтому сейчас на российском рынке стали появляется новые виды кредитного скоринга.

Новые модели

Скоринг поведения (Behavioral scoring) позволяет на основании анализа действий заемщика прогнозировать изменение его платежеспособности, что, в свою очередь, дает возможность оценивать вероятность неисполнения его обязательств. Такой анализ поведения клиентов в различных аналитических разрезах позволяет получить оценку рентабельности того или иного клиента, а также возможность продажи ему дополнительных услуг.

Элементы скоринга поведения, по словам Юрия Дубровского, реализованы в ряде решений уже сейчас, поскольку сведения об истории получений-возвратов кредитов, просрочках, количестве одновременно взятых кредитов, частоте пользования кредитными продуктами, по сути, и составляют кредитную историю заявителя, предоставляемую БКИ. То есть данные для анализа даже в рамках существующей процедуры обработки кредитной заявки у банка есть. «Вопрос же алгоритмов по их обработке решается банками по-разному: кто-то создает собственные, кто-то использует готовые решения, кто-то обращается к сервисам, предоставляемым БКИ. В любом случае, интеграция в кредитный конвейер более сложной оценки, как правило, является вполне тривиальной задачей, чего нельзя сказать о выборе или разработке самого алгоритма оценки», – считает он.

Просрочка и невозврат

Но как бы хорошо ни работали технологии при принятии решения о выдаче кредита, в любом розничном банке существует доля заемщиков, которые допустили просрочки по выплатам. Для работы с ними применяется Collection scoring – это технология работы с просроченной задолженностью, позволяющая приоритезировать работы по ее взысканию.

Согласно ряду исследований, около половины всех опозданий при платежах вызвано простой забывчивостью заемщиков, а не злым умыслом. И поэтому при первых признаках задержек выплат по кредиту банк начинает напоминать о задолженности. Но если ситуация не исправляется, то после определенного числа попыток дело о невыплаченном кредите оказывается в суде или коллекторском бюро, которое специализируется на работе с просроченной задолженностью. По оценкам компании McKinsey, невозврат кредитов в сфере розничного кредитования составляет около 7%.

При этом считается, что около 10% случаев невозвратов кредитов в России вызваны мошенничеством, и этот показатель год от года не уменьшается, что требует разработки систем для противостояния мошенническим операциям. Для этого применяется технология Fraud scoring, которая нацелена на оценку вероятности мошеннических действий со стороны потенциального заемщика.

Именно в технологиях Fraud scoring осуществляется проверка предоставленных данных на противоречия, причем как в рамках самой анкеты, когда могут сравниваться ответы на разные вопросы, так и через сравнение полученных результатов с внешними данными и данными других клиентов.

Внедрение в рамках оценки заявок такого вида скоринга технически не несет в себе трудностей, уточняет Юрий Дубровский. Однако развитие этих технологий сдерживается высокой ресурсоемкостью подобных решений, законодательными ограничениями по сбору данных из других источников, а также риском чрезмерного усложнения процесса заполнения заявки, что просто может отпугнуть потенциального клиента. «Пока технология используется в форме достаточно простых механизмов типа «черных списков», сравнения данных текущей заявки и исторических данных по клиенту, ограничения потока заявок от одного клиента в месяц и т.п. «Результатом оценки становится скорее не скоринг-балл, а прямой отказ или разрешение двигаться заявке далее по конвейеру», – рассказывает он.

Аналитики предсказывают, что в 2013 г. рынок розничного кредитования уже не будет показывать прошлогодних темпов роста. Но, так или иначе, в банковском секторе в ближайшие годы без технологий кредитного скоринга эффективно работать на розничном рынке уже невозможно.

Андрей Коптелов