Вопрос, выдаст банк вам кредит или откажет, очень непрост. За его решением стоит кропотливая дорогостоящая работа. Все больше банков стремятся удешевить и ускорить свой скоринг, автоматизировав его. О том, как проводится такой скоринг, порталу Банки.ру рассказали специалисты компании Experian.
Компьютер не позвонит
Анализ кредитных заявок – процесс, который можно и нужно автоматизировать. Классический, ручной скоринг крайне затратен, так как требует тщательной проверки и обучения сотрудников, и времени на каждую заявку тратится достаточно много. В то же время автоматическая система способна за секунды обработать большой объем данных, не подвержена предубеждениям и переменам настроения.
Скоринговые системы, построенные на таких платформах как PowerCurve компании Experian, призваны не заменить живого работника, а помочь ему быстро и правильно принимать решения на всех этапах жизненного цикла клиента банка. Принципы, в соответствии с которыми работают автоматические системы, по сути, не отличаются от принципов ручного скоринга.
Упрощенно процесс можно описать как применение скоринговой модели к собранным данным. Цель проведения скоринга – предсказать, как заемщик будет выплачивать кредит. Это дает возможность применить к скоринговым оценкам заявителя рисковую стратегию и принять ряд решений по его заявке: дать ли кредит, в каком объеме, на какой срок, под какую ставку.
«Процент решений, принимаемых банками полностью автоматически, пока не очень велик. Проблема в том, что банки не вполне доверяют автоматическим системам. Кроме того, не все данные можно проверить без привлечения человека. Например, компьютер не позвонит на работу заявителю. Поэтому полностью автоматические решения принимаются обычно по заявкам на небольшие кредиты», – рассказала порталу Банки.ру глобальный консультант компании Experian Анна Уштей.
Все, что вы хотели знать о клиенте
Банки стараются собрать о клиенте как можно больше информации, используя различные источники. Помимо данных, предоставляемых самим заявителем, используются информация кредитных бюро (в первую очередь, кредитная история), государственные информационные системы, открытая информация из соцсетей, внешние проверки (например, звонок работодателю). Анализируемые в процессе скоринга данные можно условно разделить на несколько категорий.
Идентификационные данные. Набор информации, позволяющий идентифицировать заемщика: паспортные данные, место жительства, фотография, подпись, рабочий и домашний телефоны. Именно с обработки этих данных начинается скоринг. Это позволяет на самом раннем этапе отсеять возможных мошенников и явно неперспективных клиентов. При этом, если клиент уже является клиентом банка, проверка и обработка этих данных обойдется банку крайне дешево и может быть практически полностью автоматизирована. Идентификационные данные практически не меняются со временем. Заметим, что даже непреднамеренная ошибка при указании идентификационных данных, скорее всего, приведет к отказу в кредите.
Демографические данные. Возраст, пол, образование, семейное положение, место проживания, место работы и должность. В отличие от идентификационных данных демографические со временем меняются: увеличивается возраст, человек учится, переезжает, меняет работу, женится, разводится и т. д. Может измениться даже пол.
Финансовые положение. Наличие и размер регулярного дохода, объем трат, наличие иждивенцев. Тут для заявителей имеется широкое поле для разного рода хитростей: траты можно скрыть и доход преувеличить. Эти данные меняются постоянно, в связи с чем банки вынуждены уделять их сбору и проверке самое пристальное внимание.
Кредитная история. Возможно, самые ценные для скоринга данные – наличие отданных и текущих кредитов, случаи попадания в просрочку и ее продолжительность. Если человек многие годы аккуратно выплачивал кредиты, можно с большой долей вероятности предположить, что он и продолжит в том же духе. Обратное тоже верно.
Трансакционное поведение. Такого рода данные доступны банку, если речь идет о выдаче кредита не человеку «с улицы», а держателю платежной карты банка. Имеют значение регулярность и характер операций по карте – как часто, где, в каком объеме заявитель оплачивает товары и услуги. Заметим, что банк оперирует не конкретными товарами и услугами, и даже не названиями магазинов, а суммами и категорией торговой точки.
Данные, предоставляемые самим заемщиком, подвергаются верификации. Для этого применяются как внешние источники, так и проверки на внутренние противоречия. Есть четкие, поддающиеся проверке связи между местом проживания и работы, профессией, должностью и уровнем дохода и т. д. Непротиворечивость этих данных можно проверить автоматически, не тратя дорогое рабочее время кредитного специалиста.
Моделируем будущее
Скоринговая модель – ценнейший актив банка. Именно она определяет, какую оценку (скоринговый балл) получит клиент на всех этапах скоринга. В простейшем случае скоринговую модель можно «набросать» и вручную. Но значительно более эффективным путем будет построение модели на основе собранной статистики по заявкам и выданным кредитам.
При анализе статистики могут выявиться самые различные, зачастую неожиданные связи между просрочкой и данными о заемщиках. К примеру, работники, занятые в какой-либо одной отрасли, могут оказаться более склонны к просрочкам, нежели занятые в другой сфере. Или многодетные матери окажутся более качественными заемщиками, чем холостые мужчины. Такие связи и выводы из них зависят от профиля банка, от экономической, демографической и политической обстановки, они могут сильно изменяться во времени, в связи с чем скоринговая модель должна регулярно пересчитываться. Обычно это делается не реже чем раз в полгода.
Если кредитная организация только выходит на рынок или радикально меняет профиль, наработанной статистики у нее нет. В этом случае она может приобрести готовую модель или заказать сторонней компании разработку модели для своего профиля. В большинстве случаев такие модели работают не слишком эффективно, и через какое-то время их необходимо обновить, основываясь на собранной статистике.
Отметим, что скоринговую модель нередко дополняют настраиваемыми вручную условиями и фильтрами. Хорошо известно, что банки с предубеждением относятся к журналистам и юристам, даже если статистика не выявляет повышенного процента просрочки у представителей этих профессий. Первые способны попортить репутацию банка, а вторые могут доставить проблем в суде. Что интересно, сами сотрудники финансового сектора также нередко попадают в эти фильтры.
Стратегия серой зоны
Как именно скоринговые баллы влияют на решения, принимаемые на всех этапах обработки заявки на кредит, определяет рисковая стратегия. Шкала скорингового балла условно делится на три зоны: белую, черную, серую. Попадание оценки в белую зону гарантирует положительное решение, черную – отрицательное, а вот серая зона дает определенный простор для маневра.
Стратегия определяет, какой процент заявок в серой зоне получит положительное решение, причем стратегия должна учитывать самые разные факторы. Скажем, в ней можно прописать, что замужние учительницы младших классов, чей балл попал в серую зону, должны получать одобрение заявки в 50% случаев, объем кредита не должен превышать 100 тыс. рублей в 80% случаев, а срок кредит не должен быть менее пяти лет в 100% случаев.
Такие тонкие настройки позволяют кредитной организации формировать свой портфель очень точно и аккуратно. И средства автоматизации могут здорово облегчить формирование корректной стратегии.
«В системе PoweCurve я могу разобрать стратегию по нескольким сегментам клиентов, похожих друг на друга по каким-либо критериям, – рассказал порталу Банки.ру глава представительства Experian в России и странах СНГ Сергей Горащенко. – Одним, к примеру, задаем увеличение лимита, другим – поднять ставку, но не менять лимит, третьим – снизить лимит, и установим запуск этой стратегии по определенной части портфеля или по всему портфелю. Применяем стратегию в PowerCurve, система все просчитывает и выдает сотрудникам банка данные, что с каким клиентом нужно делать, что поменять, какие действия предпринять».
Такие системы, как PowerCurve от Experian, позволяют риск-менеджеру сформировать желаемую стратегию в считаные минуты и проверить ее на статистике по кредитному портфелю. После расчетов система покажет тот уровень просрочки, на который вышел бы кредитный портфель, если бы тестируемая стратегия была применена в заданный период. Можно подойти и с другой стороны: задать желаемый уровень просрочки, и система предложит стратегию, основываясь на статистике за заданный период.
Увы, полностью положиться на автоматику тут не выйдет: если новая стратегия существенно отличается от действующей, нужной информации просто может не оказаться. К примеру, если банк практически не давал кредитов престарелым индивидуальным предпринимателям, а в новой стратегии им должно найтись место в кредитном портфеле, PowerCurve не сможет предсказать просрочку с достаточным уровнем точности. Ведь статистики по таким заемщикам у банка нет.
Заметим, что стратегия может включать в себя выдачу кредитов в черной зоне – то есть заявителям, для которых скоринговая модель показывает высокую вероятность попадания в просрочку. Небольшой процент одобрений «черных» заявок позволяет составить статистику по маргинальным заявителям, что помогает уточнять как скоринговую модель, так и стратегию.
Михаил ДЬЯКОВ, Banki.ru