Есть проблема

Актуальность создания, внедрения и использования скоринговых систем для управления кредитными рисками сегодня не вызывает сомнения. С каждым годом список российских банков, запускающих совместно с торговыми компаниями программы потребительского кредитования физических лиц, растет большими темпами. По прогнозам объем рынка потребительского кредитования к началу 2006 года превысит рекордную для России отметку в 1 трлн. рублей.

По оценкам специалистов конкурентная борьба рано или поздно вынудит банки выйти на сегмент потребительского кредитования. Однако те же специалисты признают, что сегодня методики оценки заемщика не поспевают за ростом рынка потребительского кредитования. И причин этому несколько.

Во-первых, процесс создания кредитных бюро в России находится на стартовом этапе и еще далек от завершения. Анализ положительной кредитной истории может являться существенным фактором при решении о выдаче кредита или может повлиять на снижение процентной ставки по кредиту для этого заемщика. В настоящее время отсутствие единого информационного и правового пространства для бюро кредитных историй не способствует снижению невозвратов кредитов и мошенничеству в области потребительского кредитования. Среди основных трудностей, стоящих в России на пути формирования кредитного бюро, эксперты отмечают отсутствие нормативной базы, регулирующей раскрытие информации о заемщике, и нежелание коммерческих банков раскрывать информацию о клиентах.

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.

В результате банки перекладывают риск невозврата 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.

BaseGroup Labs предлагает собственное доступное решение данной задачи – Deductor:Loans. После описания решения предлагается возможность ознакомиться с его веб-версией – специального стенда с рабочими местами оператора торговой точки, сотрудника службы безопасности, кредитного инспектора, администратора системы.

Есть решение

Deductor:Loans представляет собой готовое решение, построенное 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.

Deductor:Loans состоит из нескольких частей:

  • Бэк- и фронт-офис удаленных рабочих мест;
  • Схема документооборота (последовательности прохождения анкет через службы банка);
  • База данных, содержащая информацию о заемщиках и истории принятия решений по ним;
  • LoansBase.Generator – генератор кредитных историй;
  • Deductor:Credit – система скоринга и аналитической отчетности на основе платформы Deductor;
  • Модуль интеграции с АБС – автоматизированной банковской системой.

    Рассмотрим каждую часть Deductor:Loans 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:

    • 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).
    • Сотрудник службы безопасности (СБ);
    • 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.

      Использование web-технологий позволяет добиться следующего:

      • Централизация всех операций;
      • Высокая степень безопасности;
      • Легкость масштабирования системы и тиражирования ее на другие торговые точки;
      • Исключение необходимости устанавливать какое-либо дополнительное программное обеспечение – все операции выполняются при помощи стандартного браузера.

        На выбор доступно два варианта реализации серверной части (back office):

        1. Apache + MySQL + PHP
        2. Apache + Oracle.

          Как вариант возможна интеграция Deductor:Loans с уже используемой в банке системой дистанционного обслуживания электронных документов.

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

          Deductor:Loans – последовательность прохождения анкеты заемщика через службы банка

          Рис. 1. Deductor:Loans – последовательность прохождения анкеты заемщика через службы банка

          Вся информация о поступающих заявках собирается в оперативной базе данных. Прохождение анкеты на каждом шаге протоколируется с помощью специальных статусов анкеты. Статусы упорядочиваются в соответствии со схемой прохождения анкет, например:

          NNСтатус
          1Анкета принята
          2СБ отрицательно
          3СБ положительно
          4Скоринг-модель отрицательно
          5Скоринг-модель положительно
          6Кредитный отдел отрицательно
          7Кредитный отдел положительно

          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.

          Схема работы с хранилищем данных

          Рис. 2. 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.

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

          Структура хранилища данных

          Рис. 3. Структура хранилища данных

          LoansBase.Generator 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.

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

          • Банк впервые выходит на рынок потребительского кредитования;
          • 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 LoansBase.Generator 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.

            Генерация кредитных историй

            Рис. 4. 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.

            Использование подхода с искусственной кредитной историей в Deductor:Loans имеет как плюсы, так и минусы.

            Плюсы:

            • Возможность быстрого построения полноценной скоринговой модели с использованием технологий Data Mining;
            • Экспертные оценки по искусственной кредитной истории аккумулируют в себе меру риска, на который готов пойти банк при выдаче кредита;
            • 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.

              При отсутствии реальной кредитной истории этот подход единственно возможный.

              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.

              Процесс построения скоринговых моделей

              Рис. 5. Процесс построения скоринговых моделей

              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. В Deductor:Loans для этой цели доступны деревья решений и нейронные сети. Деревья решений строят скоринг-модель в виде правил, и модель получается интуитивно понятной и прозрачной. При этом дерево решений способно перестраиваться при добавлении новых примеров, игнорировать несущественные признаки. Кроме того, предусмотрена ручная корректировка правил для исправления противоречий.

              Дерево решений

              Рис. 6. Дерево решений

              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:

              • Отделить работу эксперта от массового использования построенных моделей;
              • Снизить требования к персоналу;
              • Формализовать работу при принятии решений;
              • Уменьшить зависимость от персонала;
              • Повысить качество работы.

                Подробная информация об использовании Data Mining для построения скоринг-моделей содержится в описании Deductor:Credit – www.basegroup.ru/solutions/credit.htm .

                Как было отмечено выше, Deductor:Loans 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.

                Схема работы – последовательная обработка анкет

                Рис. 7. Схема работы – последовательная обработка анкет

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

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

                  Схема работы – улучшенный вариант обработки анкет

                  Рис. 8. 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.

                  Поддержка – общее количество примеров, классифицированных данным узлом дерева.

                  Достоверность – количество правильно классифицированных, данным узлом примеров.

                  Например, для правила "ЕСЛИ Доход личный > 582 ТОГДА ДаватьКредит=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 582), и в 94% случаев заемщику было вынесено положительное решение о выдаче кредита.

                  Разделим все правила дерева решений по поддержке и достоверности на некоторые классы ("низкая", "средняя", "высокая" и т.д.) согласно специальной экспертной шкале. Конкретная экспертная шкала сильно зависит от количества обучающих примеров и узлов дерева решений и собственно аккумулирует в себе коэффициент доверия.

                  КатегорияГраницы достоверности, %Границы поддержки, %
                  Низкаяменьше 50меньше 5
                  Средняя50-805-10
                  Высокаябольше 80больше 10

                  Тогда поступающие заявки на получение кредита, имеющие, как вариант, среднюю и высокую категорию поддержки и достоверности правила скоринг-модели, не будут получать дополнительное подтверждение в кредитном отделе (такие правила обведены в таблице красным).

                  Значимость правил

                  Рис. 9. Значимость правил

                  Такой вариант схемы более предпочтителен, поскольку позволит максимально разгрузить службу безопасности и кредитные отделы, частично автоматизировать оценку анкет заемщиков, сократить сроки рассмотрения заявок.

                  Модуль интеграции с автоматизированной банковской системой (АБС) необходим для полной автоматизации выдачи потребительских кредитов. Из оперативной базы данных в АБС передается необходимая информация для заведения нового физического лица, формирования кредитной заявки и кредитного договора.

                  Благодаря наличию мощных средств импорта-экспорта в Deductor Studio он легко интегрируется с любой АБС и способен выполнять в ней нужные действия, указанные выше. Иными словами, Deductor используется и в качестве ETL-инструмента.

                  Deductor:Loans частично интегрирован с продуктом RS-Loans/Pervasive компании R-Style Softlab – www.softlab.ru (см. рис.).

                  Интеграция с RS-Loans/Pervasive

                  Рис. 10. Интеграция с RS-Loans/Pervasive

                  Интеграция с другими АБС производится по аналогичной схеме.

                  Практически сразу после появления первых данных о выдаваемых кредитах становится доступным проводить анализ на основе OLAP-отчетности. Базовая отчетность включает 4 группы отчетов:

                  • Динамика потребительского кредитования;
                  • Социально-экономические портреты лиц, обратившихся за кредитами;
                  • Анализ длительности рассмотрения заявок;
                  • Ретроспективный анализ погашений кредитов.

                    Отчетность представляет собой набор многомерных таблиц, кросс-диаграмм и графиков. Для ее просмотра используется Deductor Viewer.

                    Аналитическая отчетность

                    Рис. 11. Аналитическая отчетность

                    Динамика потребительского кредитования позволяет проанализировать суммы выданных кредитов в разрезе дней и торговых отделов, пики обращений по часам и дням недели, процент отказов службы безопасности и кредитного отдела и другое.

                    Динамика потребительского кредитования

                    Рис. 12. Динамика потребительского кредитования

                    Распределение по времени

                    Рис. 13. Распределение по времени

                    Распределение по дням недели

                    Рис. 14. Распределение по дням недели

                    Причины отказа в выдаче

                    Рис. 15. Причины отказа в выдаче

                    Отчеты "Социально-экономические портреты лиц, обратившихся за кредитами" позволяют получить ответы на следующие вопросы:

                    • Какие размеры ссуд пользуются наибольшим спросом?
                    • С каким личным доходом чаще обращаются за кредитом?
                    • Распределение по полу, возрасту, социальному статусу, образованию и т.д.

                      Распределение по размеру кредита

                      Рис. 16. Распределение по размеру кредита

                      Отчеты "Анализ длительности рассмотрения анкет" позволяют осуществлять мониторинг эффективности работы подразделений банка, участвующих в принятии решений о выдаче кредитов, находить "узкие" места в цепочке прохождения заявок.

                      Время обработки заявок

                      Рис. 17. Время обработки заявок

                      Ретроспективный анализ погашений кредитов необходим для регулярной перенастройки скоринговых моделей. Для этой цели по определенной шкале заемщики делятся на несколько классов, как правило 2-3 класса, в зависимости от того, выплачен ли кредит и не было ли просрочек. Отчет по ретроспективному анализу может представлять собой динамику изменения некоторого показателя, выражающего агрегированную величину уровня просрочек на заданную дату. Ретроспективный анализ не заменяет, а дополняет оперативный анализ погашений кредитов, доступный в АБС.

                      Ретроспективный анализ

                      Рис. 18. Ретроспективный анализ

                      В заключение подчеркнем основные преимущества решения Deductor:Loans.

                      1. Возможность комбинировать любые механизмы анализа от простых бальных коэффициентов до самых современных алгоритмов оценки рисков.
                      2. Возможность построения различных сценариев обработки для разных категорий клиентов.
                      3. Гибкость. Deductor:Loans включает в себя специальный конструктор анкет, позволяющий на базе единой системы создавать различные кредитные продукты: потребительское кредитование, автокретитование, ипотечное кредитование и прочее.
                      4. Серьезная методическая поддержка. C Deductor:Loans поставляется большой набор методических материалов, руководств, учебных курсов. В методических материалах даются подробные описания всех аспектов работ, связанных с анализом данных, от сбора и подготовки данных и используемого математического аппарата до способов тиражирования полученных знаний.
                      5. Быстрый запуск. "Пилотный" проект с возможностью реального использования выполняется в течение нескольких (5-7) недель. Первые результаты демонстрируются через 3-4 недели после начала работ.
                      6. Возможность запуска системы при отсутствии реальной кредитной истории. Предлагается методика, позволяющая строить модели на сгенерированных данных с последующей автоматической адаптацией моделей при получении реальных данных по выданным кредитам.
                      7. Доступная цена. Никакие ежегодные отчисления не предусмотрены.


                        Веб-версия стенда

                        По адресу loans.basegroup.ru расположена демонстрационная версия стенда (для Internet Explorer), включающая описанные составные части Deductor:Loans, а именно:

                        • Рабочее место оператора торговой точки (ввод анкетных данных). Пользователь – tt, пароль – pass. Права – создание/просмотр анкет;
                        • Рабочее место сотрудника службы безопасности (верификация заемщиков СБ). Пользователь – sb, пароль – pass. Права – чтение/выдача разрешения;
                        • Рабочее место кредитного инспектора (окончательное принятие решения). Пользователь – co, пароль – pass. Права – чтение/выдача разрешения;
                        • Администратор системы (управление пользователями). Пользователь – ad, пароль – pass. Права – чтение/редактирование/создание/удаление видов анкет, ведение справочников, создание и разграничение прав пользователей.

                          В стенде имеется полноценный конструктор анкет, позволяющий просматривать, редактировать, создавать и удалять поля и разделы анкеты, вести справочники. На стенде доступен только просмотр существующей структуры анкеты без возможности ее модификации.

                          На стенде используется одна простая тестовая скоринговая модель, так что не стоит результаты оценки кредитоспособности оценивать слишком строго. Стенд предназначен для демонстрации принципов работы системы. Для каждого банка строится собственная скоринговая модель, точнее, несколько скоринговых моделей.

                          Вход в систему от имени администратора анкеты
                          Вход в систему от имени менеджера торговой точки
                          Вход в систему от имени сотрудника службы безопасности
                          Вход в систему от имени кредитного инспектора

                          Николай Паклин
                          BaseGroup Labs


                          www.on-crm.ru

                          Онлайн CRM система:
                          - единая база клиентов
                          - история взаимодействий
                          - учет продаж

                          www.badadom.ru

                          Портал - все новостройки СПб
                          - база новостроек
                          - поиск квартир
                          - бронирование квартир

                          www.on-realty.com

                          Сервисы для риелторов
                          - Сайт агентства недвижимости
                          - База новостроек
                          - Виджет каталога новостроек

                          Санкт-Петербург, Полюстровский пр., д. 43А © sinercom.ru, 2017

                          (812) 385-72-26

                          @

                          sinercom@sinercom.ru

                          wolter-sc

                          Карта сайта