Русский  |  English  |  Карта сайта

О компании

Общая информация

Цели и задачи

Стратегические цели и основные задачи

Бизнес-модель

Процесс разработки и поставки решений

История компании

Предпосылки, становление, развитие

Клиенты

Клиенты компании

Кадры

Кадровая политика компании

Персоналии

Визитные карточки сотрудников

Пресса

Cтатьи, обзоры, публикации о компании

Пресс-релизы

Пресс-релизы компании

Награды

Победа в конкурсах, получение премий

Контакты

Телефон, факс, почтовый и электронный адреса

Вакцина от невозвратов

Журнал «The Retail Finance»,
№ 4-5, 2007 год, с. 100-105

Автор: Антон Вальков

 

Банки тщательно рассматривают заявления о выдаче кредитов, повсеместно используя как экспертные оценки, так и скоринговые модели. Но доля просроченной задолженности неуклонно растет (рис. 1). Впору сравнивать прибыли от завышенных ставок по кредитам и убытки от их невозвратов. В то же время находятся банки, способные противостоять общей тенденции роста невозвратов. Так, доля просроченной задолженности банка «Петрокоммерц» за последние 2 года сократилась более чем в 3 раза.

Скоринг и поиск золота (метод академика Журавлева)

Рис. 1. Доля просроченной задолженности в портфеле кредитов физлицам за 2005 - 2006 годаВ середине прошлого века тогда еще кандидат наук Юрий Журавлев оказался вовлечен в решение необычной для математика задачи — поиск золота. Точнее, правительство потребовало найти месторождение золота особого — южноафриканского типа, наиболее удобного для разработки. В мире уже было известно 7 таких месторождений — в Южной Африке, Бразилии, Гане, и т.д., и была уверенность в том, что и на территории СССР такое месторождение должно быть. Оставалось его найти.

Использование только геологических методов не дало результата — десяток предпринятых экспедиций вернулись ни с чем, вот тут к решению задачи и были подключены математики. Были собраны описания нескольких десятков различных районов, наличие золота в которых было неизвестно, но были определены порядка 150 характеризующих их геологических признаков. В течение года будущий академик искал закономерности, позволяющие отличить месторождения южноафриканского типа от всех остальных. С точки зрения классической математики такой подход можно было назвать в лучшем случае «шаманством», ведь задача экстраполяции функции в 150-мерном пространстве при том, что ее значение известно только в 17 точках, абсурдна. Но в результате искомое месторождение было найдено абсолютно точно.

Позднее, в 1970-х годах Журавлев систематизировал свой подход и разработал методологию решения такого рода некорректных задач распознавания, с успехом применяющуюся в самых разных областях — от медицинской диагностики до прогнозирования результатов выборов. И, конечно же, в кредитном скоринге, где на основании сотни признаков — анкетных данных заемщика — требуется определить его благонадежность.

Мировой опыт и особенности периода первичного накопления данных

Для оценки кредитоспособности заемщиков во всем мире применяются методы скоринга, основанные на данных о прошлых платежах этого же заемщика (кредитной истории за несколько лет), анкетных данных, которые были указаны в заявке на получение кредита, а также данных о тысячах и десятках тысяч других заемщиков, кому уже были выданы аналогичные кредиты.

Задача скоринга — на основании всей этой информации определить, на кого больше похож новый заемщик: на тех, кто выплачивает кредит вовремя, или на проблемных клиентов.

Почему же применение этого подхода в России дает неоднозначные результаты и пока не останавливает общий рост доли просроченной задолженности?

Рис. 2. Доля просроченной задолженности в портфеле кредитов физлицам за 2005 - 2006 года (США)Оказывается, в этом нет ничего удивительного, ведь точность скоринговых оценок зависит от количества и качества данных, на которых они основываются.

Немногие российские банки могут похвастаться тысячами и десятками тысяч кредитов, выданных в каждом регионе по каждому кредитному продукту. Кредитные истории заемщиков также только начинают формироваться и накапливаться в специализированных хранилищах — бюро кредитных историй.

В существующей ситуации скоринговые оценки заемщиков зачастую приходится выполнять на основе лишь анкетных данных о новом заемщике и информации о нескольких сотнях выданных аналогичных кредитах. Вполне закономерно, что в этих условиях классические (статистические) методы скоринга, используемые на Западе, оказались недостаточно надежными. Например, по данным Резервной системы США (рис.2), доля просроченной задолженности одного крупного международного банка близка к средним для США значениям и составляет около 3%. Доля просроченной задолженности того же банка в России (рис.1) уже около 4% и продолжает уверенно расти.


Рис. 3. Рост портфеля кредитов физлицам за 2005 - 2006 годаВ 2004 году банк «Петрокоммерц» отказался от использования западного скорингового решения и с начала 2005 года перешел на скориновую систему Forecsys. На этот момент доля просроченной задолженности по кредитам физических лиц составляла 5,2%. В течение следующих двух лет рост портфеля розничных кредитов «Петрокоммерца» опережал средний уровень по банковскому сектору (рис.3), а доля просроченной задолженности неуклонно снижалась (рис.1), и к концу 2006 года сократилась более, чем в 3 раза: до 1,7%.

Система скоринга Credit4Cast (Forecsys Scoring Solution) признана одним из лучших проектов года в номинации «Управление финансами» CNews Awards 2007.

Новая скоринговая система

Что же позволило «Петрокоммерцу» добиться столь впечатляющих результатов?

Во-первых, это согласованность скоринга и маркетинга. Часто эти процессы в банке еще независимы: маркетологи не знают, кому скоринговая система выдает кредиты, а сотрудники, работающие над скорингом не посвящаются в планы маркетологов. При такой огранизации процесса возможны досадные коллизии. Например, маркетологи решили провести кампанию по привлечению клиентов среди, скажем, студентов. Студенты осаждают банк, но им отказывают в выдаче кредитов, поскольку с точки зрения скоринга эти «безработные со средним образованием» неблагонадежны.

Оказывается, возможно не только информировать маркетологов о том, каковы шансы для клиентов из того или иного сегмента получить положительную скоринговую оценку, но можно получить ответы и на вопросы: «А если все же мы изменим скоринг так, чтобы этому сегменту кредиты выдавались, то какова будет доля невозвратов?»

По мере общего развития банковского маркетинга приходит понимание, что процедура скоринга не просто отсеивает ненадежных заемщиков, а по сути определяет и формирует клиентский портфель банка.

Во-вторых, при настройке скоринговых моделей для Петрокоммерца использовались не традиционные алгоритмы вроде нейронных сетей, а тот самый метод Журавлева. Это обеспечивает надежные скоринговые оценки, уже начиная с 200-300 выданных аналогичных кредитов.

По словам Руслана Морозова, начальника Отдела регулирования кредитных рисков розничного бизнеса банка «Петрокоммерц», «Внедрение системы Forecsys Scoring Solution позволяет для продуктов, использующих скоринговую оценку, повысить эффективность управления кредитным риском, решить вопросы ценообразования и предсказания будущих потерь, снизить процент недобросовестных заемщиков в 2 раза».

Перспективы аналитических систем

По мере того, как банки развивают свои розничные направления, они перенимают как внешние, так и внутренние процессы розничных компаний, таких как операторы сотовой связи или розничные сети. Например, в банках становятся актуальными задачи удержания клиентов, давно популярные в отрасли телекоммуникаций, и задачи прогнозирования потребности в наличности для банкоматов аналогично логистике в ритейле.

Поэтому, хотя из аналитических систем именно скоринговые сейчас наиболее востребованы банками, интерес уже распространяется и на системы прогнозирования спроса, системы обнаружения мошенничества и системы управления лояльностью клиентов.

 

 

Статья опубликована с разрешения редакции журнала «The Retail Finance».