Материал: Методы определения платежеспособности заемщика-физического лица (на примере АО "Россельхозбанк")
Внимание! Если размещение файла нарушает Ваши авторские права, то обязательно сообщите нам
55
через службы банка);
3) База данных, содержащая информацию о заемщиках и истории
принятия решений по ним;
4) LoansBase.Generator – генератор кредитных историй;
5) Система скоринга и аналитической отчетности;
6) Модуль интеграции с АБС – автоматизированной банковской
системой.
Рассмотрим каждую часть кейса подробнее.
Бэк-офис и фронт-офис представляют собой автоматизированные
рабочие места операторов ввода заявок и лиц, участвующих в принятии
решений о выдаче кредита. Оперативная работа пользователей с системой
происходит при помощи единого веб-интерфейса. Среди пользователей
системы можно выделить три категории:
1) Оператор торговой точки. Он вводит данные из анкеты заемщика в
стандартную форму, которая автоматически генерируется на стороне сервера.
Как вариант возможен ввод данных самим заемщиком (например, в случае
Интернет-заявок).
2) Сотрудник службы безопасности (СБ);
3) Сотрудник кредитного отдела.
Отличие веб-формы сотрудника СБ от сотрудника кредитного отдела
заключается в различии информации из анкеты заемщика, которая
используется для принятия решения по заемщику. Так, для верификации
заемщика службой безопасности необходима информация о номерах
документов, регистрации, месте работы и пр. Кредитного инспектора
интересует социальный портрет: уровень доходов, семейное положение,
образование, и т.д., а также результат скоринговой модели.
Использование web-технологий позволяет добиться следующего:
1) Централизация всех операций;
2) Высокая степень безопасности;
3) Легкость масштабирования системы и тиражирования ее на другие
56
торговые точки;
4) Исключение необходимости устанавливать какое-либо
дополнительное программное обеспечение – все операции выполняются при
помощи стандартного браузера.
На рис. 4 изображена последовательность прохождения анкеты
заемщика через службы банка. Например, добавляется генерация пакета
документов для подписи клиентом, автоматическое открытие счета и т.д.
Рисунок 4. Процесс прохождения анкеты заемщика через службы
банка при внедрении скоринговой системы
В ряде случаев предпочтительно создание хранилища данных, в котором
содержатся консолидированная информация по заявкам с анкетами заемщиков
и истории принятия решений по выданным кредитам и погашениям кредитов.
Это позволит сосредоточить информацию о потребительском кредитовании в
едином источнике и снизить нагрузку на оперативную базу данных. Как
вариант, в хранилище данных может накапливаться статистическая
информация макроэкономического характера об уровне жизни в регионе,
средней заработной плате, прожиточном минимуме и т.д. с целью повышения
качества скоринговых моделей.
Базовый генератор представляет собой генератор кредитных историй –
Ввод данных о заемщике
Открытие кредитного договора в АБС
Проверка в службе безопасности
Подтверждение кредитного работника
Автоматическая оценка риска
Передача информации в торговую точку (офис)
База
данных
Передача /
получение данных
На каждом шаге
действия
протоколируются
57
специальный модуль, формирующий набор примеров с различными анкетными
портретами заемщиков. Генерация производится по специальным алгоритмам
математической статистики с учетом заданных распределений случайных
величин. В качестве распределений могут использоваться как статистические
данные по стране, так и экспертные суждения о том, у какого типа заемщиков
будет пользоваться популярностью кредитная программа.
Искусственная кредитная история необходима в случае, когда реальной
кредитной истории не существует, либо ее объем незначителен. Это возникает
в случаях, когда:
1) Банк впервые выходит на рынок потребительского кредитования;
2) Банк открывает новую кредитную программу с условиями,
отличающимися от прежних программ (сумма кредита, требования
поручительства и т.п.). В этом случае могут появиться или исчезнуть часть
входных факторов, и ранее построенная скоринговая модель окажется
неприменимой в новых условиях.
Для генерации кредитных историй используется структура анкеты
заемщика. В результате работы базового генератора формирует таблицу со
столбцами – входными факторами из анкеты заемщика, влияющих на принятие
решения о выдаче кредита. Гипотеза о влиянии тех или иных факторов
выдвигается, как правило, экспертами банка.
После генерации кредитной истории эксперты банка проставляют в
графу "Давать кредит" свое решение. Минимальное количество прецедентов в
кредитной истории, которые должны обработать специалисты банка во многом
зависит от числа столбцов, специфики кредитной программы, но в среднем оно
составляет от 500 до 1000 примеров.
Как было отмечено выше, система позволяет изменить или расширить
базовую схему прохождения анкеты.
В качестве варианта прохождения анкеты предложим следующую
схему. Анкета проходит через все службы банка: служба безопасности,
скоринговая модель, кредитный отдел. При этом, во первых, служба
58
безопасности проверяет только тех заемщиков, которые успешно прошли
автоматический скоринг. Во-вторых, для снижения нагрузки на кредитный
отдел и частичной автоматизации принятия решений в схеме вводится
"коэффициент доверия" K
d
– некоторый числовой параметр, характеризующий
степень доверия к скоринг-модели. Анкеты, удовлетворяющие этому критерию,
не попадают на рассмотрение в кредитный отдел
Раскроем сущность коэффициента доверия на примере скоринг-модели
дерева решений. Как известно, каждое правило в дереве решений
характеризуется двумя параметрами – поддержкой и достоверностью.
1) Поддержка – общее количество примеров, классифицированных
данным узлом дерева.
2) Достоверность – количество правильно классифицированных, данным
узлом примеров.
Например, для правила, если Доход личный > 5820 тогда давать кредит
= «Да» значение поддержки равно 20%, достоверности – 94%. Это трактуется
следующим образом: в обучающем множестве кредитной истории было 20%
примеров, удовлетворяющих данному правилу (т.е. Доход личный больше
5820), и в 94% случаев заемщику было вынесено положительное решение о
выдаче кредита.
Разделим все правила дерева решений по поддержке и достоверности на
некоторые классы ("низкая", "средняя", "высокая" и т.д.) согласно специальной
экспертной шкале. Конкретная экспертная шкала сильно зависит от количества
обучающих примеров и узлов дерева решений и собственно аккумулирует в
себе коэффициент доверия. Тогда поступающие заявки на получение кредита,
имеющие, как вариант, среднюю и высокую категорию поддержки и
достоверности правила скоринг-модели, не будут получать дополнительное
подтверждение в кредитном отделе (такие правила обведены в таблице
красным).
Такой вариант схемы более предпочтителен, поскольку позволит
максимально разгрузить службу безопасности и кредитные отделы, частично
59
автоматизировать оценку анкет заемщиков, сократить сроки рассмотрения
заявок.
Модуль интеграции с автоматизированной банковской системой (АБС)
необходим для полной автоматизации выдачи потребительских кредитов. Из
оперативной базы данных в АБС передается необходимая информация для
заведения нового физического лица, формирования кредитной заявки и
кредитного договора. Практически сразу после появления первых данных о
выдаваемых кредитах становится доступным проводить анализ на основе
OLAP-отчетности. Базовая отчетность включает 4 группы отчетов:
1) Динамика потребительского кредитования;
2) Социально-экономические портреты лиц, обратившихся за
кредитами;
3) Анализ длительности рассмотрения заявок;
4) Ретроспективный анализ погашений кредитов.
Отчетность представляет собой набор многомерных таблиц, кросс-
диаграмм и графиков. Для ее просмотра используется Deductor Viewer.
Динамика потребительского кредитования позволяет проанализировать
суммы выданных кредитов в разрезе дней и торговых отделов, пики обращений
по часам и дням недели, процент отказов службы безопасности и кредитного
отдела и другое.
Отчеты «Социально-экономические портреты лиц, обратившихся за
кредитами» позволяют получить ответы на следующие вопросы:
1) Какие размеры ссуд пользуются наибольшим спросом?
2) С каким личным доходом чаще обращаются за кредитом?
3) Распределение по полу, возрасту, социальному статусу, образованию
и т.д.
А так же выявить размер кредита, который чаще всего запрашивают
заемщики.
Отчеты «Анализ длительности рассмотрения анкет» позволяют
осуществлять мониторинг эффективности работы подразделений банка,
Источник: https://baza.diplomsite.ru/previewfile/10109