• Горячая линия:
  •   +7 (495) 268 09 63

Обзор решений автоматизированного скоринга и андеррайтинга заемщиков

Рассмотрев наиболее известные разработки в части автоматизации скоринга и андеррайтинга заемщиков, мы попытались оценить качество решений данного класса. Представленные результаты должны быть хорошим подспорьем при выборе средств автоматизации бизнеса банков и МФО.

В более ранних публикациях мы раскрыли основной функционал комплексных IT- решений при автоматизации бизнеса кредитной организации. Однако рассуждая  об арсенале функциональности, мы в первую очередь задаем вопрос о том, что же это в конечном итоге даст для бизнеса кредитора. Полезность для потребителя  продуктов класса СППР[1], определяется возможностью качественно, быстро и не дорого принимать правильные управленческие решения. Если мы говорим о микрофинансовой организации или банке, то данные решения предполагают поддержку менеджмента при выработке кредитных решений и управлению портфелями ссуд.

 

Поэтому, попробуем оценить то, каким образом и как качественно реализован функционал поддержки принятия решения в наиболее известных для потребителей продуктах. 

 

Критерием выборки для исследования являлось наличие в продуктах алгоритмов принятия кредитного решения и наличие сопутствующих этому моделей. Исходя из возможности получения данных о функционале систем и публичности сторонних разработок, мы рассмотрели:

 

 

Разработчик

Решения

Scorto Corporation

Scorto™ Estimator, Scorto ™ Loan Decision, Scorto™ Supervisor,  Scorto™ Strategy Maven, Scorto™Behavia, Scorto™Model Maestro, Turnkey Lender[2]

Experian Decision Analytics

Объединённый Кредитное Бюро, Национальный хантер, Триггеры, PowerCurve, Reputation Manager 360, Tallyman EasyStart, Hunter Out Of Box

EGAR Technology

EGAR ApplicationScoring, EGAR Behavior & Collection Scoring, EGAR MacroScoring, отдельные решения в АБС EGAR E4 Banking

FICO

FICO® Score, FICO® BRMS, FICO® Blaze Advisor, FICO® Xpress Optimization Suite, FICO®  Application Fraud score:НБКИ

CRIF Decision Solutions

Функционал продукта CRIF CreditFlow, StrategyOne

Бэкап ИТ

РАБИС

Kreditech

Сервис  Zaimo.ru

 

Отсутствие в данном перечне прочих разработок определяется лишь особенностями позиционирования разработчиками своих продуктов, как подходящих и относящихся к данному классу решений, либо особенностями проведения ими маркетинговой компании.

 

Сравнение производилось на основании разработанной Агентством системы оценки потребительских свойств и используемых технологий. Рисунок ниже дает представления о положении того или иного решения в настоящий момент. Зная дату начала того, или иного проекта, можно сделать предположение о скорости их развития.

 

Scoring Benchmarking

 

При оценке перед нами стояла не простая задача. Необходимо было оценить множество свойств и используемых подходов, реализованных в том или ином решении. Надеемся, что наш опыт будет полезен и при самостоятельных оценках и выборе подходящего по качеству решения. Итак...

 

Возможность обучения моделей определяется набором поступающих данных и способностью их качественной обработки. Работу с поступающими от заемщика данными мы оценивали с позиции готовности  обработки следующих видов информации:

  • персональные данные заемщика;
  • данные о работодателе;
  • данные о доходе;
  • данные о стаже;
  • персональные данные о связанных лицах;
  • данные о занятости связанных лиц;
  • данные об имуществе;
  • данные об образовании;
  • данные об иждивенцах;
  • данные о кредитной задолженности, в том числе связанных лиц.

При этом делался акцент на том, где разработчик берет данные. То есть учитывался опыт внедрения систем в работающем кредитном бизнесе, количество и география данных для обучения моделей,  возможности их обновления.

 

Data Rating

 

Безусловно, что готовность принимать и обрабатывать различные виды данных предопределяет и адаптивность решений к кредитным продуктам. Мы изучили готовность работы решений со следующими классами кредитных продуктов:

  • МФО, банки - беззалоговые кредитные продукты до 30 дней;
  • МФО, банки – беззалоговые кредитные продукты + 30 дней;
  • банк – среднесрочный и долгосрочный залоговый кредит, ипотека;
  • банк – среднесрочный залоговый кредит (например, «авто-кредит»);
  • банк - корпоративные кредитные продукты и кредиты для ПБЮЛ (все виды кредитных продуктов).

Adaptation Rating

 

С позиции качества верификации данных о заемщике и их дополнения из внешних источников, возможности обучения моделей на внешних данных, мы выделили наличие интеграции со следующими источниками данных:

  • · НБКИ
  • · Equifax
  • · ОКБ
  • · ЦККИ
  • · Кронос
  • · Мультистат
  • · Спарк - Интерфакс, прочие ИАС по платежеспособности и не фиктивности работодателя
  • · 2GIS, web -карты
  • · everycookie
  • · информация об оборотах по счетам, транзакциях в платежных системах, покупках
  • · информация об обременениях имущества
  • · макроэкономические индикаторы и данные, с учетом региона продаж

Качество моделей определяется арсеналом реализованных в них бизнес – правил и процедур проверки, наличием всевозможных триггеров. Мы  выделили следующие типы правил и процедур:

  • проверка наличия плохих долгов по кредитной истории;
  • проверка судимостей;
  • бизнес - правила по стажу работы, должностям, соответствию доходов;
  • бизнес - правила по внешним не кредитным долгам;
  • расчёт минимальной кредитной емкости с учетом потребительской корзины, текущих расходов и обслуживания всех долгов;
  • бизнес – правила типа платежи/долг;
  • бизнес - правила по проверкам КЛАДР;
  • бизнес - правила по проверкам IP;
  • бизнес - правила по геолокации места проживания и подачи заявки;
  • бизнес - правила по геолокации места работы, проверка работодателя по адресам;
  • бизнес - правила стабильности дохода и сохранения его уровня на момент окончания кредита;
  • бизнес - правила по контейнеру выдач кредита;
  • бизнес  - правила на основе обработки информации из соц. сетей;
  • семантический анализ и отнесение к определенной поведенческой группе;
  • проверки по стоп- листам и  web- соц. группам;
  • бизнес - правила на основе проверки активности платежных средств;
  • бизнес - правила по достаточности обеспечения;
  • бизнес - правила проверки адекватности оценки предмета залога;
  • использование внутренних справочников по стоимости недвижимости;
  • учет обременений на имущество;
  • бизнес - правила на основе социально-демографических признаков;
  • использование внутренних  справочников на основе данных ФСГС, факторы макроэкономики и региональной статистики;
  • алгоритмы перекрестных проверок данных;
  • алгоритмы непротиворечивости данных.

При рассмотрении типов используемых стоп- листов, мы рассматривали возможность интеграции со следующими их видами:

  • черный список банков и МФО;
  • черный список работодателей;
  • черный список по легализации;
  • черный список участников платежей и держателей платежных инструментов;
  • базы недействительных документов;
  • базы обременений на имущество.

Отдельно позиционируемый разработчиком ETL[3]- модуль мы рассматривали как важный функционал, его наличие является существенным фактором при выборе. Поскольку извлекать данные могут многие, но качественную их очистку производят единицы.

Ранее мы говорили, о важности инструментария поддержки решений в вопросе управления рисками портфелей кредитора. Поэтому, наличие отдельно позиционируемого ALM[4]- модуля так же рассматривался как существенный плюс.

 

Отдельные баллы качества мы присваивали при наличии такого решения как возможность осуществления поведенческой сегментации и возможность организации внутрикорпоративного антифрода. Таким образом, мы изучили возможность применения рассмотренных решений при оценке персонала кредитора и организации системы за предотвращением внутрикорпоративного мошенничества.

Безусловно, что качество принимаемых решений и возможность адаптации моделей зависит и от наличия инструментария аналитиков. В этой связи, при рассмотрении решений, мы оценивали:

  • возможность организации настраиваемых кубов и витрин данных, как для риск -аналитика, так и для клиентов - заказчиков услуг андеррайтинга;
  • возможность представления лога расчетов, при выработке решения, для клиента и риск – офицеров;
  • наличие специальных алгоритмов машинного обучения моделей;
  • возможность оперативной смены и выборов ревизий моделей;
  • возможность осуществления стресс – тестинга моделей;
  • возможность организации ревизий для применения метода Campion - challenger[5];
  • наличие среды моделирования и настройки бизнес – процессов, в т.ч. наличие BPMS[6].

Modeling Rating

 

Рассматривая используемый математический аппарат, мы учитывали наличие в арсенале  следующих математических методов:

  • нейронные сети, байесовские сети;
  • деревья решений;
  • логистическая регрессия.

При этом, оценивая возможность работы с тем или иным арсеналом средств, так же рассматривалась возможность:

  • кодировки бизнес - правил без привлечения программиста;
  • статистическая обработка данных без привлечения программиста непосредственно в среде продуктов или в отдельных интегрированных модулях.

Technology

 

С позиции влияния на процесс управления кредитным портфелем, мы оценивали  возможность охвата различных его стадий. В частности, мы оценивали потенциал систем при проведении  следующих процедур:

  • Прескоринг[7]
  • Аpplication-скоринг[8]
  • Behavioral-скоринг[9]
  • Collection-скоринг[10] 
  • Fraud-скоринг[11]
  • Attrition и Response - скоринг[12]

Помимо этого оценивалась возможность формирования скоринговой карты как таковой, расчету совокупного скорингового балла, групп риска, внутренних кредитных рейтингов, адаптивности решений к стандартам управления рисками, например Basel III+.

Так же оценивалась возможность структурирования на этапы процедуры андеррайтинга, прерывание/пересмотр результатов процедуры и принятия окончательного  решения  риск - офицером самостоятельно.

 

За рамками сравнения мы оставили вопрос о стоимости решений и сроках их внедрения. К примеру, SaaS «Скориста» и или сервис от Kreditech, может быть отнесены к классу Plug & Work, т.е. потребитель услуг андеррайтинга начинает работу после подключения к системе. В то время как «Turnkey Lender» требует настройки моделей, либо покупки их у компании Scorto, а функционал EGAR Technology вообще поставляется лишь в составе автоматизированного банковского комплекса. Таким образом мы постарались акцентировать внимание именно на потребительских свойствах того или иного решения. 

Подводя итоги исследования, мы пришли к выводу, что новички рынка, в течении  относительно короткого периода, могут догнать, а некоторые по потребительским свойствам это уже сделали, таких сторожил рынка как Experian, с его рыночной капитализацией 15 млрд. долларов США. Безусловно, что капитализация обуславливается и инфраструктурными моментами. Однако и стоимость самих алгоритмов играет не последнюю роль.

Как следствие, опираясь  на результаты исследования и наши планы, мы можем рассуждать об увеличении капитализации SaaS «Скориста»  минимум до 57,6 млн. USD уже к середине 2015 г.

 

Кеy-words:

Скориста, Scorista, Scorto, SaaS, ОКБ, PowerCurve, Tallyman, Hunter, EGAR, FICO, НБКИ, CRIF, РАБИС, ApplicationScoring, Скоринг, Андеррайтинг, Zaimo, СППР, Collection, Behavioral, Fraud, ERP, МФО, кредитный риск, микрофинансы, МФО, кредитование, экспресс-кредит, семантический анализ, оценка кредитоспособности, скоринговые системы, модель оценки дефолта, решения для МФО

 



[1] Система поддержки принятия управленческих решений

[2] Оценивался отдельно, как комплексное решение для кредитных организаций

[3] Extract, Transform, Load (ETL) — дословно «извлечение, преобразование, загрузка» — один из основных процессов в управлении хранилищами данных, который включает в себя: извлечение данных из внешних источников; их трансформация и очистка.

[4] Asset Liability Management system (AML - System) – Система управления активами и пассивами

[5] Тест, проводимый с целью оценки достигнутых результатов относительно нормы.

[6] BPMS (Business Process Management Sistem) - класс программного обеспечения для управления бизнес-процессами и административными регламентами.

[7] Прескоринг (предварительный скоринг ) — предварительная оценка вероятности того, что клиент исполнит обязательства по запрашиваемому кредиту. Может проводиться на основании анкетных данных.

[8] Application scoring (скоринг заявителя) – в отличие от прескоринга, более полная оценка вероятности того, что клиент рассчитается по кредитным обязательствам.

[9] Behavioral scoring (поведенческий скоринг) – определение уровня риска невозврата по существующим должникам на основе имеющихся данных о поведении заемщиков.

[10] Collection scoring (скоринг для работы с просроченной задолженностью) – определяют, когда и какие именно меры должны быть приняты в отношении неплательщиков.

[11] Fraud-scoring – вид скоринга, статистическая оценка вероятности мошеннических действий со стороны потенциального заемщика.

[12] При Attrition и Response скоринге оценивают реакцию клиента на направленные ему предложения и возможность отказа от исполнения обязательств.

2014-10-15


Scoring robot

 

Автор:


Титенский Роман

Директор по рискам

Кандидат экономических наук

 

 

Тема:


IT- решения для МФО и банков

 

 

 

 

Скачайте текст в pdf формате:

 

Обзор решений скоринга и андеррайтинга заемщиков (622,30kb)

 

 

Рейтинг банков по возвратности займов в МФО
08.06.2015
Исследование данных из платежных терминалов.
14.02.2016
Семантический анализ социальных сетей
23.09.2014
Майские праздники - рост числа мошенников и неплательщиков.
15.04.2016
Регулирование розничного кредитования и его последствия
21.08.2014
Скоро 8 марта, мужчины, кредитуйтесь!
05.03.2015
Снова о готовых IT-решениях для МФО
01.07.2015
Квадрат Пифагора
11.08.2015
Итоги работы за 2015 год.
03.02.2016
Чем ближе праздник, тем хуже платят заемщики.
16.12.2016
Необходимые модули для автоматизации бизнеса МФО
28.08.2014
Черные лебеди? Рост невозврата в Августе 2014
04.09.2014
Оценка платежеспособности заемщиков
11.11.2014
Готовые IT-решения для автоматизации бизнеса МФО
03.09.2014
Где живем - так и платим!
18.09.2015
Золотая пора для МФО
17.02.2015
Результаты тестирования алгоритма на 85 000 заемщиках
20.01.2014
Где живем - так и платим! Часть II
09.10.2015

Результаты работы на сегодня, 23.05.2017

 Обработано  заявок            1 876 382
Процент одобрения 
28,51
 Процент NPL45
 12,43