Для выявления категории заемщика, следует разбить его оценку кредитоспособности на некоторые интервалы (группы) при помощи инструмента «Фильтрация».
В рассматриваемом методе применяется три категории в силу удобства использования такой классификации. Иными словами, некоторые потенциальные заемщики будут отнесены к категории «удовлетворительны», некоторые к «неудовлетворительны», а остальные к «рискованные». Так же применяется следующая шкала для определения категории кредитоспособности потенциальных клиентов:
Если оценка кредитоспособности выше показателя 2,5, то данные заемщики будут иметь название «Клиент банка» - физическое лицо, которое обладает кредитоспособностью, подходящей банку.
Если оценка кредитоспособности выше 1, но ниже 2,5, то следующие заемщики будут иметь название как «Сомнительный заемщик банка» - физическое лицо, которое обладает кредитоспособностью, частично подходящей банку. В этом случае банк может одобрить кредит, рискуя его возвратом.Если оценка кредитоспособности ниже 1, то данным заемщикам присваивается название «Не клиент банка» - результаты исследования крайне не рекомендуют одобрять кредит такому заемщику.Рассмотренная шкала является гибкой. Так, если банк не готов идти на риск при выдаче потребительского кредита, то он может повысить коэффициент изменения категории кредитоспособности заемщика. В ином случае, если целью банка является повышение количества одобренных кредитов, - на низкий уровень.
ПЛЮСЫ ИСПОЛЬЗОВАНИЯ DATA MINING В ПРОЦЕССЕ СКОРИНГА
В ходе решения изложенной выше задачи с применением технологии Data Mining банк получает следующие преимущества:
Объективность. Data Mining способна находить объективные закономерности между различными факторами, тем самым позволяя сократить влияние субъективного человеческого фактора в процессе принятия решений.
Автоматизация. Методика на основе Data Mining, в отличие от экспертных методик, способна быть эффективно автоматизирована и может обрабатывать значительные потоки заявок в режиме реального времени. Сначала на вход поступает анкета потенциального заемщика, а затем система незамедлительно выдает решение - лимит кредита, кредитный рейтинг и т. п.
Точность. По сравнению со статистическими методами анализа данных, технология Data Mining способна на более глубокий анализ, выявляя даже неочевидные зависимости. Следовательно, данная методика учитывает больше важных факторов и тем самым дает более точные рекомендации. Конкретно, это подтверждается успешным опытом использования технологии Data Mining ведущими банками запада.
Адаптируемость. Кредитная ситуация может меняться с течением времени, поэтому требуется постоянное отслеживание изменений в поведении заемщиков. Методика, которая основана на технологии Data Mining, способна учитывать все эти изменения, потому что периодически анализирует новые данные. Таким образом, она самостоятельно адаптируется под изменяющиеся условия. Это также помогает принимать более точные и обоснованные кредитные решения.
Гибкость. В случае, если необходимо изменить анкету заемщика, который хотел бы взять кредит, - например, включить или убрать дополнительные пункты, , поменять варианты ответа на вопросы и т.п. Хорошая методика при этом не должна нуждаться в привлечении квалифицированных экспертов для приспособления ее под иную структуру данных.
Объяснимость. Является так же важной характеристикой хорошей методики: способность объяснить, почему конкретный заемщик получил данный кредитный рейтинг (например, причину того, почему не следует одобрять кредит данному лицу) или почему ему необходимо установить определенный лимит по карточке и т.п.
Заключение
В процессе исследования был проведен анализ предметной области, было рассмотрено взаимодействие банка с заёмщиками, и то, какие данные банки требуют от клиента и анализируют для принятия верного решения о его платёжеспособности.
Также был рассмотрен один из методов оценки кредитоспособности клиентов, использующийся на практике, и проанализировали его недостатки и преимущества по некоторым критериям.
Предложенный в данной статье метод определения кредитоспособности клиента банка основывается на использовании системы бизнес-аналитики и объединенного использования средств Data Mining. Этот метод является не только действенным, но и гибким, так как его несложно настроить на конкретные требования, условия, которые предъявляются к клиентам банка для выявления необходимого результата.
Библиографический список
1. Буздалин А.В. Экспресс-оценка работы Гамидов Г. Н. Банковское и кредитное дело. - М.: ЮНИТИ ” Банки и биржи”, 2006.-365 с. банка // Банковское дело. - 2008. - №8. - с. 33-37.
2. Киселев М. Определение платежеспособности предприятий-заемщиков // Банковский аудитор.- 2008. - № 2. - с. 19-22.
3. Новикова Е.В. Об оценке кредитоспособности заемщиков//Деньги и кредит.-2007.-№10.-с.31-35.
4. Худякова Е.В. Об оценке кредитоспособности заемщиков // Деньги и кредит. - 2005. - №10. - с.31-35.
Аннотация
Данная статья посвящена оценке кредитоспособности заемщиков. С этой задачей сталкиваются банки каждый раз при одобрении кредита определенному лицу. Так как количество потенциальных заемщиков растет изо дня в день, то очень остро встала задача автоматизации данного процесса.
Ключевые слова: банк, заемщики, кредитоспособность, оценка эффективности классификации заемщиков, сбор данных, скоринг
This article is about assessing the creditworthiness of borrowers. Banks faced with this issue each time when approve loan to a certain person. Becouse number of potential borrowers is growing every day, it is very important to task of automating this process.