Наибольшее распространение в мире получила скоринговая система классификации на основе бальных оценок. В основе скоринга лежит принцип формализации знаний экспертов определенным способом. Консервативность банкиров донесла данный принцип оценки до наших дней. Сейчас существуют куда более прогрессивные способы добычи и формализации знаний (Data Mining). Даже если самого эксперта нет, то, основываясь не на опыте, а на статистических данных, им станет, например, дерево решений, что будет наглядно показано далее.
На данный момент банки находятся в невыгодном положении (приложение 3). С одной стороны, необходимо осваивать рынок потребительского кредитования, а с другой стороны с этим процессом связаны слишком высокие риски, которые зачастую перекладываются на заемщиков, что явно не способствует стимулированию спроса на кредиты. Также не известно, когда освещенные здесь проблемы будут должным образом урегулированы с правовой точки зрения.
В такой ситуации банк, решившийся на освоение данного рынка должен иметь несколько вещей:
- консолидированную информацию о клиентах, представленную в унифицированном виде. Информация должна периодически пополняться данными из всех филиалов банка. Такое хранилище будет исполнять функцию кредитного бюро;
- достоверный способ классификации (достоверность должна быть более 90%) потенциальных заемщиков и отсечение 'неблагонадежных'. Этот способ позволит снизить риски невозврата к минимуму, что позволит выдавать более дешевые кредиты и, соответственно, привлечет больше заемщиков. При этом значительно увеличится прибыль от кредитования физических лиц.
Модель классификации заемщиков должна иметь свойства тиражируемости и адаптации к состоянию рынка, к каждому филиалу банка. Т.е. построенная, основываясь на общих закономерностях, модель должна корректироваться под частные, присущие каждому филиалу особенности. Это позволит учесть местные особенности, что еще больше позволит снизить риск.
На данный момент банки в той или иной степени имеют наработки по каждому из этих пунктов, но методики, заложенные в их основе либо слишком инертны, чтобы адекватно реагировать на динамику рынка, либо слишком дороги (предлагаемые зарубежные решения сопоставимы с доходами от потребительского кредитования в сегодняшнем виде). Именно поэтому так дороги кредиты и не так велик спрос на них. Увеличение же достоверности и снижение стоимости позволит отказаться от практики переноса рисков и затрат на заемщиков. Тогда в выигрыше окажутся все – и банки, сохраняя удельную прибыльность на прежнем уровне, и заемщики, привлеченные более выгодными условиями. Все это становится более актуальным в виду будущего бурного роста рынка потребительского кредитования и будущей конкуренции.
Для достижения этих целей банки привлекают высокооплачиваемых экспертов. Но их мало и им порой физически не хватает времени успевать везде. Поэтому также актуальным является вопрос формализации знаний экспертов и их тиражирование.
Задачи подобного рода легко решаются на базе платформы Deductor. Механизмы Deductor позволяют как создать консолидированное хранилище информации о заемщиках, обеспечивая к тому же и непротиворечивость хранимой информации, так и формализовать знания экспертов, создав модели классификации заемщиков с достоверностью более 90%. Причем модель позволит принять решение о выдаче кредита или отказе практически мгновенно. Так можно поставить потребительское кредитование на поток. Это тем более актуально ввиду предстоящего онлайн кредитования и массового использования кредитных карт.
Большинство банков уже имеют достаточно статистики по кредитованию физических лиц. Для построения достоверной модели достаточно информации за 3 – 4 года. Тем более, модели имеют возможность периодически перестраиваться, учитывая динамику рынка (новые данные).
Подытоживая все сказанное выше, можно с уверенностью говорить о готовности Банка Марий Эл к использованию передовых методик оценки кредитоспособности физических лиц. Осталось лишь консолидировать накопленные данные и формализовать опыт экспертов в рамках единой архитектуры. Это с успехом позволяет сделать аналитическая платформа Deductor. В виду этого, интересно будет рассмотреть основные принципы формирования такой системы на одном из примеров оценки кредитоспособности физических лиц. В нем будут видны преимущества заложенных в платформе методик относительно используемых в настоящий момент (скоринг, экспертные оценки и т.п.).
Прежде чем приступить к описанию решения необходимо осветить некоторые аспекты методики анализа с использованием механизмов Data Mining. Итак, задача заключается в построении модели оценки (классификации) потенциальных заемщиков. Решение задачи также должно обладать большой достоверностью классификации, возможностью адаптации к любым условиям, простотой использования модели.
Пользуясь приведенной выше методикой, была предложена гипотеза о том, какие факторы влияют на кредитоспособность человека. По мнению экспертов, по этим факторам можно учесть суммарный риск. Тем самым должно достигаться и отнесение потенциального заемщика к способным вернуть кредит или не способным.
Предложенные факторы представлены в таблице 7.
Таблица 7
Факторы, влияющие на кредитоспособность
| Е | Некоторые факторы категории |
| Информация о семейном положении | Состояние в браке, количество детей… |
| Регистрационная информация | Прописка, срок проживания по данному адресу… |
| Информация о занятости | Специальность, сфера деятельности предприятия… |
| Информация о финансовом положении | Зарплата, другие начисления и удержания… |
| Информация по обеспеченности | Имущество, ценные бумаги… |
| Информация о кредитной истории | Количество прошлых кредитов, текущие обязательства… |
Согласно предложенной гипотезе, данные факторы были собраны и консолидированы в хранилище данных Deductor Warehouse. Методология хранилища такова, что информация хранится в процессах, каждый процесс имеет определенный набор измерений и фактов. Т.е. процесс реализован по стандартной схеме “Звезда”, в центре которой хранятся факты, а измерения являются лучами. В данном случае процесс отображает выдачу кредита заемщику. Наиболее ценной информацией процесса является статус кредита. Хороший кредит – тот, который заемщик вернул в срок и в полном объеме, плохой – обратная ситуация.
При построении модели оценки кредитоспособности огромную помощь эксперту окажет разнообразная аналитическая отчетность. Поскольку данные в хранилище представлены в многомерном виде, то, несомненно, наиболее удобно получать отчетность в виде набора срезов данных – кросс–таблиц.
В основном берут кредит лица до 30 лет, от 30 до 50 менее активно, от 50 до 70 практически не берут. Видимо, условия кредитования не устраивает лиц, старше 30 лет в большинстве случаев. Банку, для привлечения данной категории лиц придется менять условия кредитования (например, уменьшить плату за кредит). Если анализировать причину такого количества отказов в выдачи кредитов, то выяснится, что потенциальные заемщики неадекватно оценивали свои возможности по погашению кредита (это наглядно видно на самоорганизующихся картах далее).
В Deductor 4 в OLAP-кубе с помощью инструмента 'селектор' можно агрегировать факты по какому-либо измерению, оставляя только те объекты, которые соответствуют указанному условию. Например, можно объединить сумму кредитов по возрастам заемщиков, оставив только тех, которые в сумме берут 50% кредитов. Так подтверждается популярность кредитования среди молодежи. Это небольшой пример применения аналитической отчетности. На практике можно таким образом анализировать любую информацию о заемщиках, имеющуюся в хранилище в произвольных разрезах.
Сегментация заемщиков.
Каждый заемщик обладает определенным набором атрибутов (факторов). Для анализа рынка необходимо в первую очередь понять общую картину. Кто берет кредиты, зачем, какие существуют причины отказов в выдаче кредитов или причины несостоятельности. Для этого необходимо наглядное представление всех имеющихся данных. Такую задачу можно решить с помощью построения самоорганизующихся карт, показывающих распределение заемщиков по характеристикам 'Сумма кредита', 'Срок кредита', 'Цель кредитования', 'Среднемесячный доход', 'Количество иждивенцев' и 'Возраст'. После сегментирования можно узнать, какие именно сегменты являются наиболее активными, какие приносят наибольшую прибыль и где находятся наиболее лояльные клиенты, выделить характерные для них признаки.
Итак, 0 сегмент – самый большой, представляет всех заемщиков старше 30 лет. Это наиболее консервативная часть всех заемщиков, поэтому ей присущи сходные черты и, следовательно, необходим одинаковый подход при оказании им услуг кредитования, а также их классификации. Заемщики же моложе 30 лет делятся еще на 4 сегмента:
| 1 сегмент – более состоятельные молодые семьи, желающие обустроить свое жилье. Причем верхняя часть сегмента – проблемные заемщики, неадекватно оценивающие свои возможности. |
| 2 сегмент – работающие студенты. |
| 3 сегмент – Заемщики, приобретающие в кредит дешевые товары. |
| 4 сегмент – группа заемщиков, берущая кредит на ремонт. |
| 5 сегмент – Заемщики, получающие в кредит образование и различные услуги. |
Кластеризация показала, что на рынке кредитования физических лиц существуют не только различные направления (кредитование товаров, образовательные кредиты), но и различные сегменты заемщиков, пользующиеся одним и тем же видом услуг. Следовательно, для каждой такой группы необходим свой способ классификации на 'хороших' и 'плохих' заемщиков. Очевидно, что, даже анализируя отдельный сегмент рынка, доминируют те или иные факторы в зависимости от ситуации. В рассматриваемой далее модели будет показано, что при определенных условиях большую роль играет наличие собственности у кредитора, при других его образование или срок работы на предприятии. Т.е. модель классификации получается весьма гибкая. Тем не менее, существуют такие факторы, влияние которых на принятие решения о выдаче кредита мало меняется от остальных условий. Это сумма кредита, срок кредита, среднемесячный доход и среднемесячный расход.