Методики оценки кредитоспособности физических лиц

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

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.