Аналитика

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.

 

 

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.

 

 

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).

 

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].

 

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.

 

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