2015-07-04
844
Методический аспект кредитной политики подразумевает под собой, прежде всего организацию кредитного процесса, контроль над выдачей кредитов, рассмотрение заемщиков. Рассмотрим методику кредитного скоринга и предложения по его оптимизации.
В целях уменьшения риска при операциях кредитования физических лиц рассмотрим метод, основанный на применении технологии интеллектуального анализа данных. Можно привести давно всем известную цепочку связанных событий: чем меньше рискует банк при предоставлении кредита, тем меньше процентная ставка, предлагаемая этим банком. Чем меньше процентная ставка, тем больше клиентов обратиться в именно этот банк, чем больше клиентов обратиться в банк, тем большую прибыль получит банк, а это одна из основных целей коммерческой деятельности [4].
Риск, связанный с невозвратом суммы основного долга и процентов можно значительно снизить, оценивая вероятность возврата заемщиком кредита. В последнее время для оценки риска кредитования заемщика в мировой практике широкое распространение получил скоринг. Кредитный скоринг — система оценки кредитоспособности (кредитных рисков) лица, основанная на численных статистических методах. Скоринг заключается в присвоении баллов по заполнению некой анкеты, разработанной оценщиками кредитных рисков андеррайтерами. По результатам набранных баллов системой принимается решение об одобрении или отказе в выдаче кредита [ http://ru.wikipedia.org/]. Сущность этого метода состоит в том, что каждый фактор, характеризующий заемщика, имеет свою количественную оценку, то есть баллы. Суммируя полученные баллы, можно получить оценку кредитоспособности физического лица. Каждый параметр имеет максимально возможный порог, который выше для важных вопросов и ниже для второстепенных.
|
|
|
На сегодняшний день известно достаточно много методик кредитного скоринга. Одной из самых известных является модель Дюрана. Дюран определил группы факторов, позволяющих максимально определить степень кредитного риска. Но эта модель как любая другая не идеальна и имеет ряд недостатков.
Основным недостатком скоринговой системы оценки кредитоспособности физических лиц является то, что она очень формализована, плохо адаптируема. Хорошая методика для оценки кредитоспособности система, должна отвечать реальному положению дел. Например, в США считается плюсом, если человек поменял много мест работы, что говорило о том, что он востребован. В других станах наоборот - данное обстоятельство говорит о том, что человек либо не может ужиться с коллективом, либо это малоценный специалист, а соответственно повышается вероятность просрочки в платежах [21].
|
|
|
Таким образом адаптировать модель просто крайне необходимо, как для разных периодов времени, так и для разных стран и даже для разных регионов страны. Проблема адаптации наиболее остро стоит в нашей стране. В целях снижения кредитных рисков мы предлагаем принять во внимание рассмотрение данной модели и ее совершенствование. На данный момент скоринговая модель в России довольно слабо адаптирована под местные условия.
Для адаптации скоринговой модели оценки кредитоспособности физических лиц специалисты, которые будут заниматься такой адаптацией должны быть высоко квалифицированными, и профессионально оценивать текущую ситуацию на рынке, а также обладать доступом к информации о платежеспособности нынешних клиентов банка, их заработной плате, месте проживания и так далее.
Основой методики является качество исходных данных. От них напрямую зависит качество построенной модели. Чтобы обеспечить его, необходимо придерживаться следующего алгоритма:
· выдвижение гипотезы - предположение о влиянии тех или иных факторов на исследуемую задачу. Данную задачу решают эксперты, полагаясь на свой опыт и знания. Результатом на данном этапе является список всех факторов;
· сбор и систематизация данных - представление данных в формализованном виде, подготовка данных в определенном виде (например, соблюдение упорядоченности по времени);
· подбор модели и тестирование - комбинирование различных механизмов анализа, оценка экспертами адекватности полученной модели. Возврат на предыдущие шаги при невозможности получения приемлемых результатов (например, проверка очередной гипотезы);
· использование приемлемой модели и ее совершенствование;
Именно с помощью такого подхода составлены анкеты - заявки на получение кредита. Экспертами в данной области были выявлены факторы, наиболее влияющие на результат. Эту информацию и заполняют в анкетах потенциальные заемщики.
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 методикой, была выдвинута гипотеза о факторах, влияющих 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.
"Дерево решений" - один из методов автоматического анализа данных. Получаемая модель - это способ представления правил в иерархической, последовательной структуре, где каждому объекту соответствует единственный узел, дающий решение.
Сущность метода заключается в следующем: на основе данных, за прошлые периоды строится "дерево". При этом класс каждой из ситуаций, на основе которых строится "дерево", заранее известен. В нашем случае должно быть известно, была ли возвращена основная сумма долга и проценты, и не было ли просрочек в платежах.
При существенном изменении текущей ситуации на рынке, "дерево" можно перестроить, т.е. адаптировать к существующей обстановке.
Для демонстрации подобной технологии будет использоваться программа Tree analyzer. В качестве исходных данных была взята выборка, состоящая из 1000 записей, где каждая запись - это описание характеристик заемщика плюс параметр, описывающий его поведение во время погашения ссуды. При обучении дерева использовались следующие факторы, определяющие заемщика: "N Паспорта"; "ФИО"; "Адрес"; "Размер ссуды"; "Срок ссуды"; "Цель ссуды"; "Среднемесячный доход"; "Среднемесячный расход"; "Основное направление расходов"; "Наличие недвижимости"; "Наличие автотранспорта"; "Наличие банковского счета"; "Наличие страховки"; "Название организации"; "Отраслевая принадлежность предприятия"; "Срок работы на данном предприятии"; "Направление деятельности заемщика"; "Срок работы на данном направлении"; "Пол"; "Семейное положение"; "Количество лет"; "Количество иждивенцев"; "Срок проживания в данной местности"; "Обеспеченность займа"; и так далее. При этом поля: "N Паспорта", "ФИО", "Адрес", "Название организации" алгоритм уже до начала построения дерева решений определил как непригодные по причине практической уникальности каждого из значений.
|
|
|
Правильно построенное на данных прошлых периодов дерево решения обладает одной еще очень важной особенностью. Эта особенность называется способность к обобщению. То есть если возникает новая ситуация (обратился потенциальный заемщик), то, скорее всего, такие ситуации уже были и достаточно много. Вследствие чего можно с большой долей уверенности сказать, что вновь обратившийся заемщик поведет себя так же, как и те заемщики, характеристики которых очень похожи на характеристики вновь обратившегося.
Благодаря такому подходу процесс адаптации сводится к минимуму, а качество результата достаточно велико за счет того, что алгоритм выбирает наиболее значимые факторы для определения конечного ответа. Плюс ко всему полученный результат является статистически обоснованным.
Основные преимущества системы:
· Гибкая интеграция с любыми сторонними системами, т.е. получение информации для анализа и перенос результатов не вызывает проблем;
· Консолидация информации о заемщиках в специальном хранилище данных, то есть обеспечение централизованного хранения данных, непротиворечивости, а также обеспечение всей необходимой поддержки процесса анализа данных, оптимизированного доступа, автоматического обновления данных, использование при работе терминов предметной обрасти, а не таблиц баз данных;
|
|
|
· Широкий спектр инструментов анализа, т.е. обеспечение возможности эксперту выбрать наиболее подходящий метод на каждом шаге обработки. Это позволит наиболее точно формализовать его знания в данной предметной области;
· Поддержка процесса тиражирования знаний, т.е. обеспечение возможности сотрудникам, не разбирающимся в методиках анализа и способах получения того или иного результата получать ответ на основе моделей подготовленных экспертом. Так, сотрудник, оформляющий кредиты должен ввести данные по потребителю и система автоматически выдаст решение о выдачи кредита или об отказе;
· Поддержка групповой обработки информации, т.е. обеспечение возможности дать решение по списку потенциальных заемщиков. Из хранилища автоматически выбираются данные по лицам, заполнившим анкету вчера (или за какой угодно буферный период), эти данные прогоняются через построенную модель, а результат экспортируется в виде отчета (например, в виде excel файла), либо экспортируется в систему автоматического формирования договоров кредитования или писем с отказом в кредите. Это позволит сэкономить время и деньги;
· Поддержка актуальности построенной модели, т.е. обеспечение возможности эксперту оценить адекватность текущей модели и, в случае каких либо отклонений, перестроить ее, используя новые данные.
Приведенный выше пример - это приближенный вариант того, как можно использовать методы интеллектуального анализа данных, в частности, деревья решений, для достижения поставленной задачи: уменьшения риска при операциях кредитования физических лиц. Хотя и при таком первом приближении наблюдаются положительные результаты. Дальнейшие усовершенствования могут затрагивать такие моменты как: более точный подбор определяющих заемщика факторов; изменение самой постановки задачи, так, например, вместо двух значений целевого параметра, можно использовать более детальную информацию (Вернул/ Не вернул/ Не вовремя), или использовать в качестве целевого значения вероятность того, что деньги выплачены вовремя.
Таким образом, для более эффективного формирования кредитного портфеля банкам необходимо взять на вооружение передовые технологии добычи знаний и применить их для оценки потенциальных заемщиков. Благодаря этому можно будет не бояться предстоящей конкуренции на этом рынке. Подготовка решения данного вопроса сейчас позволит опробовать саму процедуру и в дальнейшем избежать ошибок и расходов в связи с массовым применением таких подходов в дальнейшем. Стоимость программы Tree Analyzer составляет порядка полутора миллионов рублей. По данным экспертных оценок экономическая эффективность данного инструмента составляет 0,002% от необслуживаемых кредитов. Расчет построен на предположении о статичности размера необслуживаемых кредитов, также ввиду постоянного движения денежных средств банка не учитывается показатель инфляции [23].
Таблица 3.2 – расчет эффективности программы Tree Analyzer
| Стоимость программы, тыс. руб. | Эффективность программы | Необслуживаемые кредиты | Прибыль от использования программы, тыс. руб. в год | Срок окупаемости, месяцев |
| 0,002% |
Таким образом, ориентировочный срок окупаемости составит 2 года и 4 месяца. Программа Tree Analyzer является быстроокупаемым продуктом, позволяющим повысить доход.
