CC BY
242
УПРАВЛЕНИЕ ФИНАНСАМИ, ИНВЕСТИЦИЯМИ И ИННОВАЦИОННОЙ
ДЕЯТЕЛЬНОСТЬЮ
УДК: 338
ББК: 65.011
Агафонова В.В., Вишневер В.Я., Фрумусаки С.В.
ТЕХНОЛОГИЧЕСКАЯ ЭВОЛЮЦИЯ КРЕДИТНОГО СКОРИНГА В СИСТЕМЕ БАНКОВСКОГО ПОТРЕБИТЕЛЬСКОГО КРЕДИТОВАНИЯ
Agafonova VV, Vishnevert V.Ya., Frumusaki S. V.
TECHNOLOGICAL EVOLUTION OF CREDIT SCORING IN THE BANKING
CONSUMER CREDIT SYSTEM
Ключевые слова: банковское потребительское кредитование, банковский риск, кредитный скоринг, скоринговая карта, скоринговая система.
Keywords: bank consumer crediting, bank risk, credit scoring, scoring card, scoring system.
Аннотация: в данной статье рассматриваются аспекты применения банками ско-ринговых систем при потребительском кредитовании. Осуществляется обзор ведущих разработчиков скоринговых систем, а также популярных в этой области отечественных программных продуктов и зарубежных аналогов. Производится анализ видов скоринга, используемого банками на российском рынке потребительского кредитования. Рассматриваются новые источники данных, обрабатываемые существующими скоринговыми системами. Анализируется практическое применение прогрессивных технологий в скоринге заемщиков. Делается вывод о перспективах развития кредитного скоринга в России.
Abstract: in this article, aspects of banks' application of scoring systems in consumer lending are considered. The review of leading developers of scoring systems, as well as popular in this area of domestic software products and foreign analogues is being carried out. An analysis is made of the types of scoring used by banks in the Russian consumer lending market. New sources of data processed by existing scoring systems are considered. The practical application of advanced technologies in the scoring of borrowers is analyzed. A conclusion is made about the prospects for the development of credit scoring in Russia.
Сохраняющаяся на протяжении последних нескольких лет положительная динамика роста темпов банковского потребительского кредитования в России является показателем оживления этого рынка и в целом позитивным образом влияет на экономику страны.
По данным Министерства экономического развития РФ, темпы роста потребительских кредитов, кроме жилищных, увеличились с 11,1% г/г в декабре 2017 г. до 12,2% г/г в январе 2018 г. (с исключением валютной переоценки). При сохранении текущих тенденций годовой темп роста необеспеченного потребительского кредитования может составить 17-19% в текущем
году1.
На этом фоне продолжающееся динамичное развитие банковского рынка потребительского кредитования приводит к увеличению конкуренции среди участников рынка и повышению уровня возникновения рисков. В этих условиях кредитным организациям необходимо быть оперативными, точными и гибкими. Конкурируя, банки вынуждены применять новые методы и инструменты для сохранения своих позиций, увеличения прибыли и минимизации возможных рисков, уделять особое внимание
Официальный сайт Министерства экономического развития Российской Федерации. URL:
http://economy.gov.ru/minec/about/structure/depmacro/2 01814033
повышению качества обслуживания клиентов, в том числе за счет внедрения и использования в своей деятельности современных информационных технологий. Поскольку привлечение надежных и добросовестных клиентов играет важную роль в формировании качественного кредитного портфеля, способного обеспечить максимальный уровень прибыли с заданным значением кредитного риска. Таким образом, учитывая специфику деятельности коммерческих организаций на рынке потребительского кредитования, проблема управления рисками, включая формализацию задачи оценки кредитоспособности заемщиков, является весьма актуальной.
Согласно данным, размещенным на сайте ЦБ РФ, в сводке рисков кредитования физических лиц, доля ссуд с просроченными платежами более чем на 90 дней, в общем объеме ссуд, предоставленных физическим лицам российскими банками, на
I марта 2018 года составила 7,3%. В абсолютных цифрах объем просроченных розничных ссуд сократился в феврале примерно на 10,4 млрд рублей (с почти 897,7 млрд рублей на начало месяца до 887,3 млрд рублей на 1 марта 2018 года), тогда как общий объем учитываемых в сводке розничных ссуд за аналогичный период вырос на 116,7 млрд рублей (с примерно
II трлн 995,6 млрд рублей, до почти 12 трлн 112,3 млрд рублей). Следует отметить, что представленные ЦБ РФ данные составлены без учета информации о качестве выданных физическим лицам ссуд, оцениваемых в целях создания резервов на возможные потери по ссудам на индивидуальной основе. Общая доля предоставленных физическим лицам ссуд, не погашенных заемщиками в отчетном периоде в установленный договором срок, уменьшилась с январских 9,6% до 8,3% в феврале 2018г. Показатель для ипотечных жилищных ссуд снизился с 8% до 6,1%, для ссуд на покупку жилья (кроме ипотечных) - с 4,3% до 3,1%, по категории «иные потребительские ссуды» - с 10,3% до 8,8%. Показатель для автокредитов вырос с 7,2% до 7,7%1.
1 Официальный сайт Центрального банка Российской Федерации. URL: http://cbr.ru/statistics/
Приведенные данные ЦБ РФ четко отражают имеющуюся тенденцию к снижению роста просроченной задолженности по кредитам. Среди множества влияющих факторов одним из значимых является воздействие мероприятий и методов системы управления кредитным риском.
В данной статье не рассматривается совокупность элементов системы управления кредитным риском, а только наиболее технологичный, эффективный и быстро развивающийся способ оценки рисков, связанных с заемщиком при банковском потребительском кредитовании - скоринг.
Скоринг (от англ. scoring - «подсчет очков в игре»), применяемый на рынке банковского потребительского кредитования, представляет собой технологии математического и статистического методов оценки уровня кредитного риска, связанного с конкретным заемщиком. Появившись в США в середине ХХ века, скоринговые системы используются подавляющим большинством крупнейших мировых банков. В нашей стране кредитный скоринг появился относительно недавно. Его использование совпадает с возникновением в России розничного экспресс-кредитования. На сегодняшний день большинство отечественных кредитных организаций пользуются скорин-гом и их число неуклонно растет. Возрастающая популярность скоринговых систем объясняется тем, что их использование позволяет снизить издержки и минимизировать операционный риск за счет компьютеризации принятия решения. При этом сокращается время обработки заявок на предоставление кредита, расширяются возможности банка в централизованном проведении своей кредитной политики и обеспечении дополнительной защиты от мошенничества.
На российском рынке представлены как западные, так и отечественные скорин-говые системы. В числе разработчиков ско-ринговых систем в России можно отметить компанию Basegroup Labs, разработавшую аналитическую систему Deductor Credit Scorecard Modeler (DCSM) , а также компа-
print.aspx?file=bank_system/risk_ 18. htm&pid=pdko_su b&sid=ITM_60627
2 Официальный сайт компании Basegroup Labs. URL: https://basegroup.ru/solutions/tasks
нию «Диасофт», являющуюся разработчиком линейки программных продуктов FLEXTERA1. Среди западных продуктов популярными являются FICO score, SAS Credit Scoring, EGAR Scoring, Transact SM (Experian-Scorex), K4Loans (KXEN), Clementine (SPSS)2. Мировым лидером в этой области является американская компания FICO. Разработанная ею статистическая скоринговая модель FICO Score сегодня фактически является стандартом в этой области и широко представлена в России. Данную систему используют большинство крупнейших банков в мире.
Конечно же, системы для западного рынка значительно более функциональны, чем отечественные аналоги. Однако преимущество отечественных программных продуктов в том, что они имеют меньшую стоимость, способны быстро адаптироваться под изменения кредитной политики банков и используют разработки прикладной математики, опережающие зарубежные аналоги.
Сегодня крупные российские банки, представленные на рынке потребительского кредитования, одновременно с приобретенными системами используют собственные разработки, что позволяет повысить коэффициент точности при оценке рисков. Во многом повышение точности оценки рисков способствует уменьшению числа случаев необоснованных отказов заемщикам за счет более эффективной работы, что положительно сказывается как на финансовом состоянии кредитной организации, так и на укреплении ее лидерских позиций на рынке.
Однако разработки собственного программного обеспечения, его сертификация и лицензирование, требуют значительных инвестиций. В связи с этим, не все кредитные организации могут позволить себе нести такие расходы. Небольшие кредитные организации, как правило, пользуются услугами аутсорсинга для определения уровня кредитного риска заемщика. Скоринг - услуга
1 Официальный сайт компании «Диасофт» URL: http://diasoft.ru/about/profile/
2 Рыбальченко Ю. С. Скоринг как инструмент
оценки и минимизации кредитного риска // Молодой ученый. - 2017. - №35. - С. 37-40. URL https://moluch. ru/archive/169/45538/
выполняется как на основе имеющихся данных в базе кредитных историй аутсорсера, так и на основе социально-демографической информации о заемщике. В соответствии с поставленными задачами выделяют четыре основных вида скоринга, которые используются банками в системе розничного кре-дитования3:
Application scoring. Применяется на этапе рассмотрения заявки на оформление кредита или выпуска кредитной карты и заключается в оценке кредитоспособности потенциального заемщика по имеющейся о нем информации.
Fraud scoring. Используется для статистической оценки вероятности мошеннических действий со стороны заемщика.
Behavioral scoring. Позволяет прогнозировать изменения платежеспособности заемщика на основе анализа имеющейся истории взаимоотношений его с банком с целью корректировки установленных кредитных лимитов либо формирования индивидуальных предложений.
Collection scoring. Используется кредитными организациями с целью эффективного управления дебиторской задолженностью, в том числе определения методов работы с проблемными заемщиками.
Перечисленные виды кредитного скоринга являются часто используемыми как по отдельности, так и во взаимодействии друг с другом. Так, например, аpplication-scoring-системы часто взаимодействуют с программами behavioral-scoring, анализирующими финансовые действия заемщиков, а также с fraud-scoring, которые призваны предотвращать прямое мошенничество. Следует отметить, что комбинирование перечисленных видов кредитного скоринга позволяет достичь более высокого уровня достоверности оценки рисков, связанных с заемщиком.
Применение любого из вышеприведенных видов скоринга осуществляется с использованием так называемых скоринго-вых карт. По сути, это набор специальных характеристик (возраст, доход, профессия, стаж работы, наличие имущества и т.д.) заемщика и соответствующих весовых коэф-
3 Что такое скоринг и как он работает. URL: https://bank-explorer.ru/kredity/skoring-chto -eto. html
фициентов, выраженных в баллах1. Как правило, кредитные организации, самостоятельно использующие скоринговые системы, разрабатывают несколько скоринговых карт, поскольку они зависимы как от вида скоринга, так и от разнообразия предлагаемых кредитных продуктов.
Скоринговые карты являются частью общей методики оценивания кредитоспособности клиентов (скоринговое моделирование), а их разработка производится на основе статистической обработки больших массивов имеющихся данных о кредитных историях. Скоринговая модель является главным инструментом кредитного скорин-га.
Через систему скоринговых баллов она связывает параметры клиента с суммой, которую можно ему выдать или степенью кредитного риска в конкретных условиях. Очевидно, что для различных условий рынка могут потребоваться определенные ско-ринговые модели. Например, модель, хорошо зарекомендовавшая себя в условиях экономической стабильности, может оказаться совершенно несостоятельной в условиях кризиса, когда вероятность потери или снижения дохода заемщика возрастает, а риск дефолта по кредиту соответственно увеличивается.
Алгоритмы построения ключевых скоринговых моделей, используемых банками при потребительском кредитовании, опираются на классические методы статистического анализа и не меняются на протяжении уже долгого времени. Основной информацией для скоринговых систем являются данные о социально-демографическом профиле заемщика (возраст, пол, семейное положение, регион проживания и т.д.), получаемых доходах и расходах, о кредитной истории2. Однако современные технологии позволяют расширить круг анализируемых данных, и банки стали использовать информацию об активности клиентов в социальных сетях, пла-
1 Скоринговая карта. URL: https://basegroup.ru/ community/glossary/scoring-card
2 Современный скоринг: использование big data и machine learning. URL: http://nbj.ru/publs/banki-i-biznes/2017/07/17/covremennyi-skoring-ispol-zovanie-big-data-i-machine-learning/index.html
тежном поведении (по данным платежных карт), показатели средств геолокации и другие доступные источники информации.
Учитывая, что социальные сети все глубже интегрируются в нашу жизнь, современные скоринговые системы способны на основе анализа содержимого профиля заемщика, определить платежеспособность заемщика, его предполагаемое поведение в определенных ситуациях и д.р. К примеру, если пользователь размещает на своей странице фото/видео материалы сомнительного содержания или пропагандирует асоциальное поведение, результат анализа таких данных может не лучшим образом сказаться на качестве оценки рисков, связанных с данным заемщиком. Так как оценка риска производится по совокупному анализу данных всех доступных источников и с использованием разнообразных видов кредитного скоринга, нельзя исключать вероятность влияния отдельных, на первый взгляд, незначительных составляющих такого анализа на качество оценки. При этом не следует забывать, что источник данных должен соответствовать правовым нормам, регулирующим процесс оценки для потребительского кредитования.
Постоянно увеличивающийся объем доступных данных позволяет также выделять различные сегменты и кластеры заемщиков для более эффективного принятия кредитных решений, в том числе определения уровня риска для отдельных клиентских сегментов.
Пока ещё количество и качество новых информационных источников увеличивает потенциал классических моделей оценки. Однако, если следовать традиционному подходу и при этом строить отдельные модели для разных сегментов и направлений, то уже в ближайшем будущем значительное увеличение количества моделей может привести к серьезным проблемам с управлением таким механизмом либо вовсе сделать его неуправляемым. Кроме того, разработка отдельной скоринговой модели является очень трудоемким процессом. В условиях нестабильности на рынке это обстоятельство существенно ограничивает возможности банка своевременно и адекватно реагировать на происходящие социально-
экономические изменения.
В настоящее время на фоне назревшей необходимости дальнейшего совершенствования специализированного аналитического программного обеспечения, которое позволило бы увеличить скорость и эффективность обрабатываемых массивов данных, также использовать дополнительные инструменты анализа и моделирования, прослеживается тенденция внедрения в процесс кредитного скоринга, нового класса технологий и новых подходов к обработке информации - «Machine Learning» («Машинное обучение»).
Согласно результатам большого числа эмпирических исследований, методы машинного обучения, наряду с другими алгоритмами интеллектуального анализа данных, основанные на вычислительных инновациях и преобразованиях, являются более эффективными при прогнозировании. Используя алгоритмы, способные обучаться посредством выявления общих закономерностей по частным эмпирическим данным, а также на основе заложенной информационной базы, «Machine Learning» позволяет находить скрытые факторы и зависимости, не будучи заранее запрограммированным на определенное место поиска. В общем, машинное обучение можно сравнить с обучением человека, который, приобретая новые знания и опыт, становится способным принимать самостоятельные решения 1.
Скоринговые системы с применением технологий машинного обучения являются очень сложными, они состоят из множества моделей и числа сегментов с разной информацией о заемщике. Помимо данных по кредитной истории, такие системы способны использовать альтернативные источники данных, в том числе исследовать поведен-
ческие факторы. По результатам проведенных исследований выяснилось, что при использовании альтернативных данных можно рассчитать скоринг для более чем 20% заявителей на получение кредита, скоринг по которым ранее был невозможен из-за недостаточности информации2. Например, по результатам анализа поведения потенциального заемщика при заполнении электронной анкеты, начиная с того, какие кнопки он при этом нажимал, и заканчивая учетом затраченного времени, система способна определить вероятность мошенничества.
Таким образом, важным аспектом в «Machine Learning» является способность адаптироваться и переобучаться на вновь поступивших данных для получения надежных и репрезентативных результатов. Это позволяет с уверенностью утверждать, что переход на методы машинного обучения выведет кредитный скоринг на новый уровень развития.
Учитывая темпы развития информационных технологий, в обозримом будущем самообучающиеся системы заменят банковских аналитиков, занимающихся разработкой скоринговых карт, а также алгоритмов принятия кредитных решений, поскольку качество и скорость работы таких систем будут значительно превосходить возможности человека. Конкурентные преимущества участников рынка банковского потребительского кредитования будут определяться не только результатом профессиональной деятельности топ-менеджеров и кредитной политикой банков, а в большей степени будут зависеть от уровня используемых информационных технологий, внедрения инновационных систем и методов обработки данных.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Кочеткова, В.В., Ефремова, К.Д. Обзор методов кредитного скоринга // Juvenis scien-tia. - 2017. - №6. [Электронный ресурс]. - URL: https://cyberleninka.ru/article/n/obzor-metodov-kreditnogo-skoringa/ (дата обращения: 11.04.2018).
2. Литвинова, С.А. Скоринговые системы как средство минимизации кредитного риска банка //Аудит и финансовый анализ. - 2010. - №. 2. - С. 141.
1 Credit Scoring using Machine Learning Techniques - International Journal of Computer Applications URL: http://www.ijcaonline.org/archives/volume161/number11/bha tia-2017-ijca-912893.pdf
2 Data Analytics Essential As New Alternative Credit Scoring Models Emerge URL: https://www.gdslink.com/_data-analytics-essential-as-new-credit-scoring-models-emerge/
3. Машинное обучение («Machine Learning») [Электронный ресурс]. - URL: http://www.machinelearning.ru/ (дата обращения: 13.04.2017).
4. Официальный сайт компании «Диасофт» [Электронный ресурс]. - URL: http://diasoft.ru/about/profile/ (дата обращения: 07.04.2017).
5. Официальный сайт Министерства экономического развития Российской Федерации [Электронный ресурс]. - URL: http://economy.gov.ru/ (дата обращения: 10.04.2017).
6. Официальный сайт Центрального банка Российской Федерации [Электронный ресурс]. - URL: http://www.cbr.ru/statistics/ (дата обращения: 10.04.2017).
7. Полищук, Ф.С., Романов, А.Ю. Кредитный скоринг: разработка рейтинговой системы оценки риска кредитования физических лиц // Новые информационные технологии в автоматизированных системах. - 2016. - №. 19. - С. 280-282.
8. Портал трейдеров: кредитный скоринг [Электронный ресурс]. - URL: https://utmagazine.ru/ (дата обращения: 07.04.2018).
9. Рыбальченко, Ю.С. Скоринг как инструмент оценки и минимизации кредитного риска// Молодой ученый. - 2017. - №35. - С. 37-40 [Электронный ресурс] - URL https://moluch.ru/archive/169/45538/ (дата обращения: 09.04.2018).
10. Скачкова, Е.К. Скоринг как метод оценки кредитного риска // Молодой ученый. -2016. - №8. - С. 667-671 [Электронный ресурс] - URL https://moluch.ru/archive/112/28529/ (дата обращения: 11.04.2018).
11. Скоринг (Scoring) [Электронный ресурс]. - URL: http://www.banki.ru/ (дата обращения: 07.04.2017).
12. Скоринговая карта [Электронный ресурс]. - URL: https://basegroup.ru/ (дата обращения: 07.04.2017).
13. Современный скоринг: использование big data и machine learning [Электронный ресурс]. - URL: http://nbj.ru/ (дата обращения: 07.04.2017).
14. Что такое скоринг и как он работает. [Электронный ресурс]. - URL: https://bank-explorer.ru/kredity/skoring-chto-eto.html (дата обращения: 10.04.2017).
15. Alternative Credit Scoring - Financial Salvation For Those With Low or No Credit Score [Электронный ресурс]. - URL: https://lending-times.com/2018/04/04/alternative-credit-scoring-financial-salvain-for-those-with-low-or-no-credit-score/ (дата обращения: 08.04.2018)
16. Combining Machine Learning with Credit Risk Scorecards [Электронный ресурс]. -URL: http://www.fico.com/ (дата обращения: 11.04.2018)
17. Credit Scoring using Machine Learning Techniques - International Journal of Computer Applications [Электронный ресурс]. - URL: http://www.ijcaonline.org/archives/volume161/ num-ber11/bhatia-2017-ijca-912893.pdf (дата обращения: 09.04.2018).
18. Data Analytics Essential As New Alternative Credit Scoring Models Emerge [Электронный ресурс]. - URL: https://www.gdslink.com/_data-analytics-essential-as-new-credit-scoring-models-emerge/ (дата обращения: 12.04.2018).
19. HOW TO USE MACHINE LEARNING IN CREDIT SCORING [Электронный ресурс]. - URL: http://www.emric.com/how-to-use-machine-learning-in-credit-scoring/ (дата обращения: 08.04.2018).
20. SAS Credit Scoring [Электронный ресурс]. - URL: https://www.sas.com/ (дата обращения: 07.04.2018).
