Это только небольшой список решаемых задач. Фактически речь идет о любых задачах, где требуется консолидировать данные, отобразить их различными способами, построить модели и применить полученные модели к новым данным.
2.2.3. Состав системы
Deductor состоит из пяти частей:
1.Studio – программа, реализующая функции импорта, обработки, визуализации и экспорта данных. Deductor Studio может функционировать и без хранилища данных, получая информацию из любых других источников, но наиболее оптимальным является их совместное использование. В Deductor Studio включен полный набор механизмов, позволяющий получить информацию из произвольного источника данных, провести весь цикл обработки (очистку, трансформацию данных, построение моделей), отобразить полученные результаты наиболее удобным образом (OLAP, диаграммы, деревья…) и экспортировать результаты на сторону.
2.Viewer – рабочее место конечного пользователя. Позволяет отделить процесс построения сценариев от использования уже готовых моделей. Все сложные операции по подготовке сценариев обработки выполняются аналитиками-экспертами при помощи Deductor Studio, а Deductor Viewer обеспечивает пользователям простой способ работы
сготовыми результатами, скрывает от них все сложности построения моделей и не предъявляет высоких требований к квалификации сотрудников.
3.Warehouse – многомерное хранилище данных, аккумулирующее всю необходимую для анализа предметной области информацию. Использование единого хранилища позволяет обеспечить непротиворечивость данных, их централизованное хранение и автоматически обеспечивает всю необходимую поддержку процесса анализа данных.
4.Server – служба, обеспечивающая удаленную аналитическую обработку данных. Позволяет автоматически обрабатывать данные и переобучать модели на сервере, оптимизирует выполнение сценариев за счет кэширования проектов и использования многопоточной обработки.
5.Client – клиент доступа к Deductor Server. Обеспечивает доступ к серверу из сторонних приложений и управление его работой.
31
Реализованная в Deductor архитектура позволяет добиться максимальной гибкости при создании законченного решения. Благодаря данной архитектуре можно собрать в одном аналитическом приложении все необходимые инструменты анализа и реализовать автоматическое выполнение подготовленного сценария.
Технологическая платформа включает средства, позволяющие максимально сократить время разработки, быстро создавать и выводить на рынок новые прикладные решения и в короткие сроки адаптировать их в соответствии с изменяющимися требованиями предприятий. Возможности платформы обеспечивают не только высокую скорость первоначальной разработки продукта, но и его быструю адаптацию в дальнейшем.
Создание законченного решения занимает очень мало времени. Достаточно получить данные, определить сценарий обработки и задать место для экспорта полученных результатов. Наличие мощного набора механизмов обработки и визуализации позволяет двигаться по шагам, от наиболее простых способов анализа к более мощным. Таким образом, первые результаты пользователь получает практически сразу, но при этом можно легко наращивать мощность решения.
2.2.4. Новый взгляд на данные
Deductor позволяет совершенно по-новому взглянуть на данные, выжимая из них максимум ценной информации. Он объединяет все необходимые для анализа инструменты и предоставляет пользователям огромные возможности:
1)мощная аналитическая платформа;
2)современные самообучающиеся механизмы анализа;
3)единое хранилище данных;
4)единый пользовательский интерфейс для любых механизмов анализа;
5)пакетное выполнение сценариев обработки;
6)удаленная аналитическая обработка;
7)отделение работы аналитика от конечного пользователя. Поддержка принятия решений стала неотъемлемой частью лю-
бой современной информационной системы, но большое количество унаследованных программ и высокая стоимость аналитического инструментария сдерживает распространение систем данного класса. С помощью Deductor эта проблема решается. Теперь благодаря доступ-
32
ной цене этого продукта мощные аналитические системы доступны большинству компаний.
В семействе программ «Император» реализован метод анализа иерархий.
2.3. Компьютерные системы поддержки принятия кредитных решений
Стремительное развитие бизнеса в банковской сфере, постоянное увеличение объемов обрабатываемой информации, возросшие требования к оперативности принимаемых решений требуют применения компьютерных систем поддержки принятия решений в финансовоэкономической сфере. Особенно можно отметить банковскую деятельность связанную с принятием кредитных решений.
2.3.1. Скоринговые кредитные решения и их поддержка
Скоринговая модель кредитования – одна из перспективных форм работы в области кредитования физических лиц. Потребительское кредитование в короткие сроки от традиционного оформления кредита с посещением клиентом офиса банка перешло на обслуживание клиентов по месту реализации товара. Технология ускоренного оформления кредита с минимальным предоставлением документов – это и есть новое явление в кредитовании, получившим название – скоринговая модель.
Хотя многие авторы связывают возникновение скоринга с именем Дэвида Дюрана, который, уходя в 1941 г. в армию, оставил своим коллегам-банкирам краткие рекомендации по отбору кредитоспособных заемщиков. По-видимому, скоринг в той или иной форме существовал еще с тех времен, когда начали систематически предоставляться займы в денежной или натуральной форме неограниченному кругу лиц.
В современной практике работы банков скоринговые системы используются уже достаточно давно, начиная с середины 50-х годов, когда в Сан-Франциско начала свою деятельность одна из первых и лидирующих ныне компаний по разработке скоринговых систем Fair Isaac Corporation (1956 г.).
Английский глагол score имеет среди своих значений следующие: подсчитывать очки, вести счет; как существительное score, в частно-
33
сти, означает количество набранных очков, оценку. Скоринговая система это алгоритм или методика, позволяющие на основе данных о потенциальном заемщике оценить его кредитоспособность. По существу система призвана дать категоризированную оценку степени кредитного риска по потенциальному заемщику. В простейшем и наиболее значимом для практики случае эта оценка бинарна: "выдать кредит" (или "заемщик кредитоспособен") либо "отказать в выдаче кредита" (или "заемщик некредитоспособен"). Величина кредитного лимита в скоринговых системах второстепенна. Как правило, основой расчета кредитного лимита служит оценка уровня доходов заемщика при условии его кредитоспособности. В качестве данных о потенциальном заемщике выступает доступная кредитору информация, как содержащаяся в представляемых заемщиком документах, так и получаемая "со слов" самого заемщика. Зачастую эти два вида данных имеют непустое пересечение: например, данные о доходах, указываемые заемщиком в анкете, подтверждаются соответствующими справками и документами об уровне этих доходов. Фрагмент примерного (возможного) перечня данных для скоринга может иметь следующий вид:
-уровень среднемесячного дохода за последние 6 месяцев;
-стаж работы на последнем месте работы;
-возраст;
-семейное положение;
-количество лиц, находящихся на иждивении;
-образование;
-должностной статус;
-наличие в собственности недвижимости и другое.
Каждый вид используемой в скоринге информации обычно называют характеристикой или фактором (например, стаж работы на последнем рабочем месте; семейное положение и т.п.). Некоторые характеристики потенциального заемщика (возраст) имеют числовой характер, некоторые (образование) дискретный нечисловой (категоризированный). Очевидно, что в скоринге целесообразно использовать, наиболее, существенные, важные для правильного принятия решения относительно оценки кредитоспособности характеристики. Их выбор ограничен наличием информации о заемщике и степенью ее документального подтверждения. Тем не менее, в анкетах и представляемых заемщиком документах содержится достаточно данных для организации первоначальных работ по скорингу. Определение кон-
34
кретной системы факторов для скоринга может быть сделано как на основе экспертных оценок кредитных работников, так и с использованием статистических методов.
Можно выделить следующие этапы построения скоринга:
-определение интересующей характеристики;
-сбор второстепенных сведений о клиентах и значения интересующей характеристики;
-разработка скоринговой модели (присвоение весов второстепенным данным) на основе имеющихся данных;
-автоматическое ранжирование новых клиентов по приоритетным группам посредством скоринговой модели.
Внедрение скорингового решения позволяет:
1. Повысить доходность кредитных операций за счет снижения кредитных рисков. Оценивать риски дефолтов, просрочек, досрочного возврата и давать рекомендации по условиям кредита.
2. Обоснованно выводить на рынок новые кредитные продукты, анализируя конъюнктуру рынка на основе накопленных банком данных.
3. Снизить издержки банка на операциях по выдаче кредитов за счет автоматизации принятия решений, увеличить скорость принятия решений при массовом кредитовании.
4. Централизованно контролировать принимаемые кредитные решения, управлять влиянием человеческого фактора на принятие решений.
5. Управлять кредитным портфелем банка в соответствии с текущей кредитной политикой банка. Оценивать доходность/убыточность клиентов в портфеле, анализировать структуру портфеля.
6. Выявлять и предотвращать попытки мошенничества при обращении за кредитами.
Различают следующие виды скоринговых решений.
Application-скоринг оценка кредитоспособности заемщиков для получения кредита.
Вопрос адекватной оценки кредитозаемщика на стадии получения кредита стоит для отечественных банков крайне остро. По оценкам «РА Эксперт», весомая часть просроченной задолженности «заслуга» нескольких банков из топ-50, а с учетом ссуд, переданных коллекторским агентствам, доля «плохих долгов» в объеме кредитов физическим лицам у ряда игроков банковского розничного рынка достигает 25%. Таким образом, можно смело утверждать, что
35