Аналитика

С чем связано постоянное увеличение потока заемщиков в микрофинансовые организации (далее МФО), остается только догадываться. Либо банки не дают кредиты, либо заработной платы не хватает до следующей выплаты, либо ее задерживают, либо появляются непредвиденные затраты, либо еще какая-нибудь причина. Все это ведет к том, что люди попадают в безвыходное положение и идут в МФО в надежде получить денежные средства.

Среди тех, кто обращается в МФО сегменты заемщиков очень разные, мы выделяем 3 наиболее распространенных.

Первый сегмент - это те, кто уже не в первый раз обращаются в МФО, по ним есть накопленная информация о том, как они гасят микрокредиты, с просрочкой или нет, всю сумму займа или частично, покрывают ли начисленные проценты.

Второй сегмент - это те, которые впервые обращаются в МФО, но у них за плечами большой багаж кредитной истории, по которой можно оценить его платежеспособность и вероятность закрытия микрозайма.

Эти два сегмента заемщиков составляют наибольший объем всего потока, у МФО  есть накопленный опыт и инструменты для оценки этих сегментов.

Интерес вызывают третья группа заемщиков, у которых нет опыта обращения в МФО, и нет опыта пользования кредитами и даже запросов по кредитам не было. То есть, по такому заемщику относительно его платежеспособности на основе кредитов или микрозаймов нельзя сказать ничего, так как такая информация просто отсутствует. Но поток таких клиентов есть и набирает обороты. Это сегмент наиболее рисковый, но его необходимо научиться оценивать и выбирать тех, которые с большой вероятностью вернут займ. Большинство МФО предпочитают не работать с такими заемщиками и сразу отказывают.

У нас вызвал интерес данный сегмент заемщиков, и мы стали искать пути решения для выявления хороших заемщиков среди этого потока. Для усиления модели принятия решения по данному сегменту необходимо было найти дополнительный критерий для усиления модели. Таким критерием стал «анализ данных по платежам в платежных терминалах».Платёжный терминал — аппаратно-программный комплекс, обеспечивающий приём платежей от физических лиц в режиме самообслуживания.

Сейчас на рынке довольно много платежных терминалов, которые предлагают услуги по совершению платежей: пополнение баланса на телефоне, перевод средств за покупку чего-либо, оплата коммунальных платежей, электроэнергия, газ, интернет и прочее. Часть совершенных операций через платежные терминалы привязаны к номеру мобильного телефона, которые мы и стали анализировать.

Таким образом скоринг на базе данных по телефонам и платежным терминалам показал хорошие результаты по третьему сегменту заемщиков (без кредитной истории).

Данная ROC-кривая является идентификатором качества построенной модели. Она отображает зависимость верно классифицируемых положительных исходов от ошибочно классифицируемых отрицательных исходов. Таким образом, площадь под кривой AUC 0,743 (Gini 0,49), подтверждает хорошее качество модели, ее высокий уровень прогностической способности.

Результаты модели оценили на всем потоке заявок без кредитной истории, посмотрели распределение хороших и плохих относительно балла по данным платежных терминалов.

Как видно из графика, с увеличением балла ПТ (балл платежных терминалов) количество хороших увеличивается. То есть, если нам совместить две модели – основную модель на основе анкетных данных и дополнительную модель на основе данных платежных терминалов, мы сможем добиться снижения рисков и увеличения доходов по данному сегменту.

Совместив две модели (анкетных данных и платежных терминалов) мы смогли добиться меньшей размытости потока хороших. Сейчас наглядно видно, что при высоких баллах по той и другой модели доля хороших увеличивается.

Относительно данного распределения при балле анкетных данных более 500 и балле ПТ более 400 количество плохих практически отсутствует. Вероятность невозврата стремится к нулю.

Посмотрим, как изменяются результаты по основным показателям на высоких баллах анкетных данных с применением модели платежных терминалов и без нее.

При внедрении дополнительной модели значительно снижается доля просроченных займов.

И появляется положительный доход. Без модели платежных терминалов этот сегмент был убыточным.

Анализ платежных терминалов показал, что данная модель, как дополняющая основную, позволяет выбирать заемщиков более платежеспособных и минимизировать риски.

Мы рекомендуем МФО использовать данный подход для самого рискового сегмента - первичные заемщики без кредитной истории, и получать доход от этого сегмента заемщиков.

Ольга Телицина, аналитик по рискам.