Способность предсказывать будущее всегда ценилась дорого. Сейчас прогнозирование поставлено на твердую математическую почву. И банки пользуются этим, внедряя системы автоматизированного скоринга, предназначенные для оценки кредитных рисков физических лиц.
Кредитный скоринг
Разговоры о возможности нового финансового кризиса не мешают российским банкам развивать розничное направление бизнеса. Хотя новый кризис связывают как раз с потребительским кредитованием. «От розничного направления никто не собирается отказываться,— уверен советник председателя правления Русского банка развития (РБР) Александр Олейник.— Я не знаю банков, которые даже в условиях кризиса стали бы его сворачивать. Оно наиболее доходное и ликвидное. Уйти из розницы можно, но потерю позиций восстановить практически нереально».
РБР открыл розничное направление три года назад, и сейчас оно занимает 10% всего оборота банка. Это направление считается стратегическим, и банк его активно развивает. Очень важную роль в розничном кредитовании играет способность банка максимально точно оценивать кредитоспособность заемщика и предсказывать его поведение в рамках кредитного договора. Делается это с помощью скоринговых карт (таблиц), в которых каждому клиенту ставится определенный балл, рассчитанный на основе имеющейся о нем информации и характеризующий его в качестве заемщика. Разработку таких скоринговых карт РБР раньше отдавал на аутсорсинг: отсылал сведения о своих клиентах сторонней компании и получал от нее готовые карты. Однако розничное кредитование быстро развивалось: росла клиентская база, появились новые продукты, и банку стало тесно в рамках аутсорсинговой схемы. «Хотелось больше мобильности,— говорит Александр Олейник.— К тому же закупать на стороне все скоринговые карты, какие хотелось иметь, стало дорого. И мы поняли, что выгоднее выполнять эту задачу самим».
В сентябре 2007 года РБР запустил в эксплуатацию систему оценки розничных кредитных рисков SAS Credit Scoring. Теперь, по словам начальника управления контроля рисков розничного бизнеса РБР Игоря Мичурина, аналитики банка строят скоринговые модели и карты для каждого продукта и каждого регионального филиала. «Мы играем в наиболее интересные для нас игры с клиентом и присутствуем там, где нам выгодно»,— замечает Мичурин. За год работы системы, утверждает он, в банке снизился процент ошибочных решений — по выдаче кредита «плохим» заемщикам и, наоборот, по отказам «хорошим». Соответственно, уменьшился и процент невозврата кредитов. Клиентам в свою очередь стало удобнее общаться с банком: срок выдачи кредита сократился до двух-трех дней. Так, для получения потребительского кредита (до 1,5 млн руб.) клиенту нужно прийти в банк всего один раз — за деньгами. «Руководство банка, конечно, оценило проект как успешный»,— резюмирует Александр Олейник.
За последние год-полтора не только РБР, но и многие другие крупные игроки рынка банковской розницы реализовали проекты по внедрению автоматизированных скоринговых систем. Из совсем свежих примеров — релизы банка «Траст» и Собинбанка о внедрении системы оценки кредитных рисков физических лиц на базе аналитического комплекса KXEN. Поставщики подобных решений не могут пожаловаться на нехватку клиентов. На определенном этапе развития розничного бизнеса руководство банка достаточно охотно дает «добро» на проекты по автоматизации кредитного скоринга. Это ключевой бизнес-процесс, определяющий реальные конкурентные преимущества розничного банка, и скоринговые системы, возможно, как никакие другие системы автоматизации, обеспечивают зримый экономический эффект.
Теория
Первые скоринговые карты появились в 1940-е годы в США. Баллы в картах проставлял кредитный эксперт, основываясь на собственном опыте. Оценивал он обычно не более десятка характеристик потенциальных заемщиков (аппликантов). В 1990-е годы для построения скоринг-карт (выявления скрытых закономерностей) стали использовать современные математические методы и универсальные аналитические инструменты. Это позволило принимать во внимание десятки и даже сотни характеристик аппликанта, сведя к минимуму влияние человеческого фактора при принятии решений. От этого экономический эффект использования скоринга существенно вырос. Сейчас, по данным американской компании Fair Isaac, более 90% банков в развитых странах разрабатывают и регулярно обновляют скоринговые модели с помощью специализированных инструментов.
Скоринговая модель строится на основе накопленных в банке сведений (заполненных анкет от потенциальных заемщиков, истории платежей), макроэкономической информации и демографических данных. Наибольшая детализация достигается, когда для всех кредитных продуктов и регионов используются отдельные модели (и карты).
Скоринг бывает двух типов: application — для оценки кредитоспособности аппликантов, чтобы сразу отсеять «плохих» заемщиков, и поведенческий — для прогнозирования вероятности дефолта со стороны заемщика и потерь от этого. В первом случае скоринговая карта разбивается на «белую», «черную» и «серую» зоны. С первыми двумя все понятно: «хорошим» заемщикам кредит дать, «плохим» — нет. Решения по клиентам из этих зон можно принимать автоматически. С «серой» зоной сложнее — здесь требуются «ручные» методы проверки и принятия решений.
Где проводить границы зон, кого считать «хорошим» заемщиком, кого «плохим», зависит от кредитной политики и общей стратегии банка. От соотношения желаемой доходности кредитного портфеля и того уровня риска, который банк готов на себя принять. Работа аналитиков — строить модели, прогнозирующие доходность за определенный период в зависимости от того или иного уровня отсечения. Ответственность руководства — принимать решение, с каким уровнем по каждой скоринговой карте работать.
В общем случае банк должен стремиться к тому, чтобы «серая» зона была как можно более узкой. «Чем она уже, тем меньше затрат в процессе выдачи кредитов и тем быстрее он выполняется»,— поясняет старший менеджер по работе с финансовым сектором компании SAS Россия / СНГ Иван Новоселов. Впрочем, для некоторых продуктов может быть иначе. «Обычно банк, работающий в сфере экспресс-кредитования, старается иметь как можно меньшую «серую» зону,— комментирует глава российского подразделения компании Experian по аналитической поддержке кредитных решений Даниэль Зеленский.— Банк же, специализирующийся на ипотеке, наоборот, будет заинтересован, чтобы «серая» зона была больше». «Серую» зону можно разбить на категории и применять к ним разный подход, например, устанавливая стоимость кредита в зависимости от степени риска. Такая политика нацелена на увеличение объема кредитного портфеля и прибыли банка.
Точно так же поведенческий скоринг позволяет не только прогнозировать будущие дефолты, но классифицировать «плохие долги». За счет этого банк может выбирать наиболее подходящие схемы работы для каждого случая задержки платежей или дефолта по кредиту. Что считать дефолтом и какие долги называть «плохими», опять же определяет сам банк, исходя из своих бизнес-целей.
Еще один важный момент связан с качеством скоринговых моделей и карт. Их прогностическая сила описывается специальными коэффициентами. И значение этих коэффициентов — это, по сути, заработанные банком деньги. Зависимость тут самая прямая: у кого качественнее карты, у того лучше поставлен кредитный риск-менеджмент и в конечном счете лучше бизнес. Даниель Зеленский по этому поводу цитирует профессиональную поговорку: «Лучшее, что может сделать плохой риск-менеджер, это выдать ноль кредитов, хороший же риск-менеджер будет искать возможности выдать их как можно больше».
Современные аналитические системы проводят постоянную диагностику качества скоринговых моделей, оценивая их по таким параметрам, как стабильность, эффективность, точность. И сигнализируют, когда наступает момент для их корректировки. А делать это необходимо хотя бы потому, что в банке постоянно накапливаются новые данные. Как часто? «В западной практике раз в год,— говорит Иван Новоселов.— Но в России хорошо бы раз в полгода или чаще». Даниель Зеленский тоже рекомендует дважды в год пересчитывать скоринговые карты: «В большинстве случаев этого достаточно».
«В нынешней макроэкономической ситуации скоринговые карты можно обновлять один-два раза в год, но при выводе на рынок новых продуктов банку имеет смысл чаще вносить изменения в скоринговые схемы»,— добавляет Диана Рахмани, директор департамента автоматизации розничного банковского обслуживания компании EGAR Technology.
И практика
Экономический эффект от внедрения автоматизированных скоринговых систем может быть весьма существенным и быстрым. «Мы рассчитывали эффект на примере кредитного портфеля одного российского банка, который эмитировал за год 90 тыс. рублевых кредитных карт,— иллюстрирует Иван Новоселов.— Благодаря сокращению числа дефолтов и отказов в выдаче дополнительная прибыль составила $2 млн — при средней стоимости внедренческого проекта в несколько сотен тысяч».
И все же в необходимости таких проектов банкиров порой приходится долго и настойчиво убеждать. Как это делал по поводу внедрения системы Experian Реваз Бухрадзе, когда работал ИТ-директором Урса-банка: «Созревали очень долго, и долго занимались формализацией бизнес-процессов, которые нужно было положить на эту платформу. Когда эти вопросы были решены, проект по внедрению системы прошел быстро. И это проблема многих российских банкиров, которые сами, без западного капитала доросли до определенного уровня капитализации и доходили до всего своим умом и опытом. Любые технологии, тем более такие как скоринг или CRM, они воспринимают как «черный ящик», который втыкаешь в розетку — и он тут же начинает выдавать нужные для бизнеса результаты».
Сейчас Реваз Бухрадзе — ИТ-директор Русь-банка. «В риск-менеджменте здесь применяются скоринговые модели на основе алгоритмов российской разработки,— рассказывает он.— Но на тех объемах, на которые мы выходим, и с теми задачами, которые перед нами стоят, необходим промышленный скоринг. Не нужно изобретать велосипед. Такие попытки приводят лишь к тому, что операционные риски резко возрастают, сроки внедрения увеличиваются, время уходит, а экономический эффект так и не наступает. Главный совет, который я всем даю,— по возможности использовать то, что уже придумано и проверено жизнью».
Но использовать проверенные жизнью технологии можно по-разному: отдать разработку скоринговых карт на аутсорсинг или, внедрив скоринговую систему, заниматься этим самостоятельно. Какой вариант предпочтительнее?
У Реваза Бухрадзе однозначного ответа на этот вопрос нет: в каждом случае надо считать экономическую выгоду. Начальник управления портфельных рисков Уральского банка реконструкции и развития Семен Кочнев рекомендует прагматичный подход: для начала по крайней мере аутсорсить составление скоринговых карт, но пользоваться ими с осторожностью. По данным Ивана Новоселова из SAS, покупные скоринговые карты в России имеют коэффициент качества (по шкале от 0 до 1) порядка 0,4. Работая же над картами самостоятельно, по мере накопления данных, со временем этот коэффициент можно довести до 0,7—0,8. Заместитель директора департамента розничного бизнеса Росбанка Алексей Кордичев приводит еще один довод в пользу внедрения и использования своих скоринговых систем: «Они дают банку большой объем знаний о клиентах. Начав разрабатывать базовые скоринговые модели с использованием демографических характеристик заемщиков, банки постепенно приходят к очень сложным моделям, которые уже не только предсказывают риски дефолта, но и вероятность того, что заемщик будет продолжать отношения с банком».
В любом случае одной только системы недостаточно. Нужны еще люди, умеющие грамотно ставить задачи и правильно интерпретировать данные. Как говорит Семен Кочнев, людям надо платить за то, что они умеют думать.
Игорь ПИЧУГИН, Наталья ЦАРЕВСКАЯ-ДЯКИНА
