• 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)

 

 

Регулирование розничного кредитования и его последствия
21.08.2014
Исследование данных из платежных терминалов.
14.02.2016
Скоро 8 марта, мужчины, кредитуйтесь!
05.03.2015
Необходимые модули для автоматизации бизнеса МФО
28.08.2014
Результаты тестирования алгоритма на 85 000 заемщиках
20.01.2014
Тенденции рынка кредитования в 2014 году
13.08.2014
Где живем - так и платим! Часть II
09.10.2015
Итоги работы за 2015 год.
03.02.2016
Оценка платежеспособности заемщиков
11.11.2014
Золотая пора для МФО
17.02.2015
Чем ближе праздник, тем хуже платят заемщики.
16.12.2016
Готовые IT-решения для автоматизации бизнеса МФО
03.09.2014
Снова о готовых IT-решениях для МФО
01.07.2015
Майские праздники - рост числа мошенников и неплательщиков.
15.04.2016
Черные лебеди? Рост невозврата в Августе 2014
04.09.2014
Рынок МФО стабилизировался
15.04.2015
Рейтинг банков по возвратности займов в МФО
08.06.2015
Где живем - так и платим!
18.09.2015

Результаты работы на сегодня, 30.04.2017

 Обработано  заявок            1 727949
Процент одобрения 
27,38
 Процент NPL45
 11,60