Найбільше поширення в світі набула скорінгова система класифікації.
Як народився скорінг? До створення скорінгових систем тягар рішення питань кредитування лежав тільки на експертах в цій області, послугами яких користувався кожен банк. Але друга світова війна привела до того, що у банків виникла проблема: як в умовах відсутності експертів вирішувати дані питання? Тому було ухвалене рішення: попросити їх описати правила, по яких вони ухвалюють рішення, щоб надалі слідувати їм. Так і з'явилися бальні оцінки. Зазначу, що в основі скорінга лежить принцип формалізації знань експертів певним способом. На той момент нічого краще, ймовірно, не було. Консервативність же банкірів донесла даний принцип оцінки до наших днів. Зараз існують більш прогресивні способи отримання і формалізації знань (Data Mining). Навіть якщо самого експерта немає, то, ґрунтуючись не на досвіді, а на статистичних даних, ним стане, наприклад, дерево рішень, що буде наочно показане далі.

Дані ж для побудови моделей класифікації беруться з величезних баз даних по позичальниках. Світові кредитні агентства надають централізовану інформацію про кожного позичальника. Очевидна необхідність створення подібних організацій і у нас, але зараз це неможливо, оскільки згідно українського законодавства існує положення про банківську таємницю. Також найкрупніші банки не захочуть ділитися інформацією через наступні причини:

· Крупний банк і так володіє величезними об'ємами інформації.

· Інформація, що оповістить, про 'гарних' позичальників приведе до їх переманювання.

· Інформація, що оповістить, про 'поганих' позичальників не дасть їм запозичити грошей в іншому банку, щоб розрахуватися з першочерговим кредитором.

Підсумуємо проблеми у області кредитування фізичних осіб, що стоять перед банками на сьогоднішній день:

· Відсутність спеціального законодавства, регулюючого відносини у області споживчого кредитування. Відносини в даній сфері регулюються законом «Про банки і банківську діяльність» і законом «Про захист прав споживачів».

· Відсутність кредитної історії. Це дає масу можливостей несумлінним позичальникам, які можуть одержати декілька кредитів в різних банках без будь-якої перевірки їх попередніх кредитних 'подвигів'.

· Використовувані зарплатні схеми підприємств. Працедавці часто віддають перевагу 'сірим' схемам виплати винагороди своїм працівникам. Позичальник не може офіційно підтвердити рівень доходів, а банк позбавляється платоспроможного клієнта.

· Немає простого механізму повернення грошей інвестору у разі неспроможності позичальника. Вартість таких помилок дуже велика: втрата основної суми боргу, судові витрати, адміністративні витрати, втрачений час і т.д.

· Проблеми класифікації. Необхідна достовірна оцінка потенційного позичальника, відсікання 'поганих' позичальників. Невірна класифікація породжує проблему забезпечення повернення засобів позичальником в примусовому порядку.

· Проблема застави. Механізм реалізації застави - незручне і дороге заняття. Відсутність реєстрації застави рухомого майна дозволяє продати або повторно закласти несумлінним позичальником закладене майно.

· Проблема оцінки реальних можливостей поручителів. Не секрет, що більшість українських банків вирішує питання зниження своїх кредитних ризиків шляхом простого перенесення їх на поручителів позичальника. При цьому нерідко поручителями, особливо при крупних розмірах кредиту, є різні юридичні особи (як крупні, так і середні і малі підприємства). У контексті майбутніх пластикових кредитів така практика застосовуватиметься всюди, оскільки зручно видати позичальнику пластикову картку, а у разі будь-яких затруднень з поверненням кредиту вимагати його з поручителя - підприємства, на якому він працює. На перший погляд це повинно розв'язати проблему, але якщо ширше розглянути питання, то дана кредитна політика не гарантує успіху в тому ступені, на який покладаються банки. Розглянемо загальні положення, якими керується кредитор. Вважатимемо, що поручительство має певну вартість. Для простоти рахуватимемо вартість поручительства рівну ринковій вартості підприємства (або ринковій вартості матеріальних цінностей і їх ліквідність поручителя - фізичної особи). Але річ у тому, що ринкова вартість як підприємства, так і майна є величиною непостійною. Вона, в основному, залежить від динаміки економіки, тобто на фазі економічного підйому ринкова вартість збільшується, а на стадії економічного спаду стрімко зменшується, тобто при оцінці необхідно враховувати майбутню динаміку. Виникає необхідність залучення експертів для прогнозування макроекономічної ситуації. Тільки таким чином можна адекватно оцінити майбутню 'вартість' поручительства на момент погашення кредиту.

Взагалі кажучи, вплив макроекономіки рідко враховується при оцінці кредитного ризику. Дослідження впливу макроекономічних показників на ризик неплатежу за допомогою засобів Data Mining показало, що, наприклад, збільшення ВВП на 1% зменшує на 1% кредитний ризик, збільшення рівня безробіття на 1% збільшує на 0.7% кредитний ризик. Тим або іншим чином кредитний ризик залежить і від інших економічних показників (індекси ділової активності, курс гривні, рівень продажів товарів тривалого користування…).

Таким чином, на даний момент банки знаходяться в невигідному положенні. З одного боку, необхідно освоювати ринок споживчого кредитування, а з другого боку, з цим процесом пов'язані дуже високі ризики, які часто перекладаються на позичальників, що явно не сприяє стимулюванню попиту на кредити. Також не відомо, коли освітлені тут проблеми будуть належним чином врегульовані з правової точки зору.

У такій ситуації банки, ті, що зважилися на освоєння даного ринку повинні мати декілька речей:

1. Консолідовану інформацію про клієнтів, представлену в уніфікованому вигляді. Інформація повинна періодично поповнюватися даними зі всіх філіалів банку. Таке сховище виконуватиме функцію кредитного бюро.

2. Достовірний спосіб класифікації (достовірність повинна бути більше 90%) потенційних позичальників і відсікання 'неблагонадійних'. Цей спосіб дозволить понизити ризики неповернення до мінімуму, що дозволить видавати дешевші кредити і, відповідно, приверне більше позичальників. При цьому значно збільшиться прибуток від кредитування фізичних осіб.

3. Модель класифікації позичальників повинна мати властивості тиражування і адаптації до стану рику, до кожного філіалу банку, тобто побудована модель, ґрунтуючись на загальних закономірностях, повинна коректуватися під приватні, властиві кожному філіалу особливості. Це дозволить врахувати місцеві особливості, що ще більше сприятиме зниженню ризику.

4. Модель класифікації повинна періодично перебудовуватися, враховуючи нові тенденції ринку. Цим досягається її актуальність. Адже не може ж використовуватися один і той же підхід протягом 5 років по сьогоднішній день.

На даний момент банки в тому або іншому ступені мають напрацювання по кожному з цих пунктів, але методики, закладені в їх основі або дуже інертні, щоб адекватно реагувати на динаміку ринку, або дуже дорогі (пропоновані зарубіжні рішення зпівставлені з доходами від споживчого кредитування в сьогоднішньому вигляді). Саме тому такі дорогі кредити і не так великий попит на них. Збільшення ж достовірності і зниження вартості дозволять відмовитися від практики перенесення ризиків і витрат на позичальників. Тоді у виграші опиняться всі: банки, зберігаючи питому прибутковість на колишньому рівні, і позичальники, привернуті вигіднішими умовами. Все це стає актуальнішим з причини майбутнього бурхливого зростання ринку споживчого кредитування і майбутньої конкуренції.

Для досягнення цих цілей банки привертають високооплачуваних експертів. Але їх мало і їм інколи фізично не вистачає часу встигати скрізь. Тому також актуальним є питання формалізації знань експертів і їх тиражування. Це дозволить 'віртуальному експерту' працювати одночасно у всіх філіалах банку.

Задачі подібного роду легко розв'язуються на базі платформи Deductor. Механізми Deductor дозволяють як створити консолідоване сховище інформації про позичальників, забезпечуючи до того ж і несуперечність інформації, що зберігається, так і формалізувати знання експертів, створивши моделі класифікації позичальників з достовірністю більше 90%, причому модель дозволить ухвалити рішення про видачу кредиту або відмову практично миттєво. Так можна поставити споживче кредитування на потік. Це тим більше актуально зважаючи на майбутній он-лайн кредитування і масового використовування кредитних карт.

Більшість банків вже має досить статистики по кредитуванню фізичних осіб. Для побудови достовірної моделі досить інформації за 3 - 4 роки. Тим більше, моделі мають нагоду періодично перебудовуватися, враховуючи динаміку ринку (нові дані).

Підсумовуючи все сказане вище, можна з упевненістю говорити про готовність банків до використовування передових методик оцінки кредитоспроможності фізичних осіб. Залишилося лише консолідувати накопичені дані і формалізувати досвід експертів в рамках єдиної архітектури. Це з успіхом дозволяє зробити аналітична платформа Deductor.

Зважаючи на це цікаво буде розглянути основні принципи формування такої системи на одному з прикладів оцінки кредитоспроможності фізичних осіб. У ньому будуть видні переваги закладених в платформі методик щодо використовуваних зараз (скорінг, експертні оцінки і т.п.).

Перш ніж приступити до опису рішення необхідно освітити деякі аспекти методики аналізу з використанням механізмів Data Mining.

Каменем спотикання методики є якість початкових даних. Від нього напряму залежить якість побудованої моделі. Щоб забезпечити його, необхідно дотримуватися наступного алгоритму:

1. Висунення гіпотези - припущенні про вплив тих або інших чинників на досліджувану задачу. Дану задачу вирішують експерти, покладаючись на свій досвід і знання. Результатом на даному етапі є список всіх чинників.

2. Збір і систематизація даних - н даних у формалізованому вигляді, підготовка даних в певному вигляді (наприклад, дотримання впорядкованості за часом).

3. Підбір моделі і тестування - комбінування різних механізмів аналізу, оцінка експертами адекватності одержаної моделі. Повернення на попередні кроки при неможливості отримання прийнятних результатів (наприклад, перевірка чергової гіпотези).

4. Використовування прийнятної моделі і її вдосконалення.

Саме за допомогою такого підходу складені анкети - заявки на отримання кредиту. Експертами в даній області були виявлені чинники, що впливають на результат. Цю інформацію і заповнюють в анкетах потенційні позичальники.

Страницы: 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20