Серый скоринг в сбербанке что такое
Скоринг «серой зоны»
«Банковское обозрение. Приложение «BEST PRACTICE», 2015, N 2
Сейчас, когда уменьшаются как кредитные портфели банков, так и уровень платежеспособности клиентов, скоринговые системы особенно нуждаются в инновациях. Доля просроченных кредитов в апреле 2015 г. составила 17,43% от общего количества активных кредитов, а следовательно, заемщиков с неоднозначной кредитной историей, ухудшенной информацией о просроченных долговых обязательствах также стало больше. Как кредитной организации разобраться в нюансах «серой зоны» заемщиков? Какие данные необходимы для усовершенствования скоринговых систем? Попробуем разобраться.
Кого банкиры называют клиентами «серой зоны»?
Для принятия решения по клиентам «белой» и «черной» зон кредиторам обычно хватает стандартного объема проверяемой скоринговыми системами информации: данных кредитных бюро, государственных информационных систем, сведений, получаемых от работодателя и из социальных сетей. Заемщики «белой зоны» любимы банками: они вносят платежи по кредитам согласно графику и срокам, за ними длинной вереницей ходят кредиторы, но не с претензиями, а с предложениями взять еще один кредит по более низкой ставке.
Где начинается «серая зона»?
Как провести границы зон?
Какая дополнительная информация необходима банкам при анализе истории клиента?
В последнее время большую роль играет человеческий фактор, кредитная организация ищет ответы на следующие вопросы:
Эти вопросы относятся к анализу поведенческой активности заемщика с просроченной задолженностью и имеют огромное значение при оценке его возможности и дальше брать на себя кредитные обязательства. Демографические данные (пол, возраст, семейное положение, место работы и должность) и сведения о регулярном доходе клиента также играют не последнюю роль, но зачастую дать представление о репутации заемщика может только анализ его поведения и личных качеств.
Как информация такого рода может изменить методы скоринга?
Объем «серой зоны» до и после применения технологии анализа поведенческой активности заемщика
Также скоринг «серой зоны» с учетом анализа поведения заемщиков позволит банку вести более умелую кредитную политику. «Серая зона» будет сужаться: выделив сегменты заемщиков с различным уровнем риска, банк может кредитовать условно почти всех, но на разных условиях (чем выше риск, тем больше процентная ставка).
Могут ли данные о поведении заемщика во время просрочки вывести его из «серой зоны» обратно в «белую» и позволить дальше свободно получать кредиты?
Технология отказа
18 Время прочтения: 7 минут
Вопрос, выдаст банк вам кредит или откажет, очень непрост. За его решением стоит кропотливая дорогостоящая работа. Все больше банков стремятся удешевить и ускорить свой скоринг, автоматизировав его. О том, как проводится такой скоринг, порталу Банки.ру рассказали специалисты компании Experian.
Компьютер не позвонит
Анализ кредитных заявок – процесс, который можно и нужно автоматизировать. Классический, ручной скоринг крайне затратен, так как требует тщательной проверки и обучения сотрудников, и времени на каждую заявку тратится достаточно много. В то же время автоматическая система способна за секунды обработать большой объем данных, не подвержена предубеждениям и переменам настроения.
Скоринговые системы, построенные на таких платформах как PowerCurve компании Experian, призваны не заменить живого работника, а помочь ему быстро и правильно принимать решения на всех этапах жизненного цикла клиента банка. Принципы, в соответствии с которыми работают автоматические системы, по сути, не отличаются от принципов ручного скоринга.
Упрощенно процесс можно описать как применение скоринговой модели к собранным данным. Цель проведения скоринга – предсказать, как заемщик будет выплачивать кредит. Это дает возможность применить к скоринговым оценкам заявителя рисковую стратегию и принять ряд решений по его заявке: дать ли кредит, в каком объеме, на какой срок, под какую ставку.
«Процент решений, принимаемых банками полностью автоматически, пока не очень велик. Проблема в том, что банки не вполне доверяют автоматическим системам. Кроме того, не все данные можно проверить без привлечения человека. Например, компьютер не позвонит на работу заявителю. Поэтому полностью автоматические решения принимаются обычно по заявкам на небольшие кредиты», – рассказала порталу Банки.ру глобальный консультант компании Experian Анна Уштей.
Все, что вы хотели знать о клиенте
Банки стараются собрать о клиенте как можно больше информации, используя различные источники. Помимо данных, предоставляемых самим заявителем, используются информация кредитных бюро (в первую очередь, кредитная история), государственные информационные системы, открытая информация из соцсетей, внешние проверки (например, звонок работодателю). Анализируемые в процессе скоринга данные можно условно разделить на несколько категорий.
Идентификационные данные. Набор информации, позволяющий идентифицировать заемщика: паспортные данные, место жительства, фотография, подпись, рабочий и домашний телефоны. Именно с обработки этих данных начинается скоринг. Это позволяет на самом раннем этапе отсеять возможных мошенников и явно неперспективных клиентов. При этом, если клиент уже является клиентом банка, проверка и обработка этих данных обойдется банку крайне дешево и может быть практически полностью автоматизирована. Идентификационные данные практически не меняются со временем. Заметим, что даже непреднамеренная ошибка при указании идентификационных данных, скорее всего, приведет к отказу в кредите.
Демографические данные. Возраст, пол, образование, семейное положение, место проживания, место работы и должность. В отличие от идентификационных данных демографические со временем меняются: увеличивается возраст, человек учится, переезжает, меняет работу, женится, разводится и т. д. Может измениться даже пол.
Финансовые положение. Наличие и размер регулярного дохода, объем трат, наличие иждивенцев. Тут для заявителей имеется широкое поле для разного рода хитростей: траты можно скрыть и доход преувеличить. Эти данные меняются постоянно, в связи с чем банки вынуждены уделять их сбору и проверке самое пристальное внимание.
Кредитная история. Возможно, самые ценные для скоринга данные – наличие отданных и текущих кредитов, случаи попадания в просрочку и ее продолжительность. Если человек многие годы аккуратно выплачивал кредиты, можно с большой долей вероятности предположить, что он и продолжит в том же духе. Обратное тоже верно.
Трансакционное поведение. Такого рода данные доступны банку, если речь идет о выдаче кредита не человеку «с улицы», а держателю платежной карты банка. Имеют значение регулярность и характер операций по карте – как часто, где, в каком объеме заявитель оплачивает товары и услуги. Заметим, что банк оперирует не конкретными товарами и услугами, и даже не названиями магазинов, а суммами и категорией торговой точки.
Данные, предоставляемые самим заемщиком, подвергаются верификации. Для этого применяются как внешние источники, так и проверки на внутренние противоречия. Есть четкие, поддающиеся проверке связи между местом проживания и работы, профессией, должностью и уровнем дохода и т. д. Непротиворечивость этих данных можно проверить автоматически, не тратя дорогое рабочее время кредитного специалиста.
Моделируем будущее
Скоринговая модель – ценнейший актив банка. Именно она определяет, какую оценку (скоринговый балл) получит клиент на всех этапах скоринга. В простейшем случае скоринговую модель можно «набросать» и вручную. Но значительно более эффективным путем будет построение модели на основе собранной статистики по заявкам и выданным кредитам.
При анализе статистики могут выявиться самые различные, зачастую неожиданные связи между просрочкой и данными о заемщиках. К примеру, работники, занятые в какой-либо одной отрасли, могут оказаться более склонны к просрочкам, нежели занятые в другой сфере. Или многодетные матери окажутся более качественными заемщиками, чем холостые мужчины. Такие связи и выводы из них зависят от профиля банка, от экономической, демографической и политической обстановки, они могут сильно изменяться во времени, в связи с чем скоринговая модель должна регулярно пересчитываться. Обычно это делается не реже чем раз в полгода.
Если кредитная организация только выходит на рынок или радикально меняет профиль, наработанной статистики у нее нет. В этом случае она может приобрести готовую модель или заказать сторонней компании разработку модели для своего профиля. В большинстве случаев такие модели работают не слишком эффективно, и через какое-то время их необходимо обновить, основываясь на собранной статистике.
Отметим, что скоринговую модель нередко дополняют настраиваемыми вручную условиями и фильтрами. Хорошо известно, что банки с предубеждением относятся к журналистам и юристам, даже если статистика не выявляет повышенного процента просрочки у представителей этих профессий. Первые способны попортить репутацию банка, а вторые могут доставить проблем в суде. Что интересно, сами сотрудники финансового сектора также нередко попадают в эти фильтры.
Стратегия серой зоны
Как именно скоринговые баллы влияют на решения, принимаемые на всех этапах обработки заявки на кредит, определяет рисковая стратегия. Шкала скорингового балла условно делится на три зоны: белую, черную, серую. Попадание оценки в белую зону гарантирует положительное решение, черную – отрицательное, а вот серая зона дает определенный простор для маневра.
Стратегия определяет, какой процент заявок в серой зоне получит положительное решение, причем стратегия должна учитывать самые разные факторы. Скажем, в ней можно прописать, что замужние учительницы младших классов, чей балл попал в серую зону, должны получать одобрение заявки в 50% случаев, объем кредита не должен превышать 100 тыс. рублей в 80% случаев, а срок кредит не должен быть менее пяти лет в 100% случаев.
Такие тонкие настройки позволяют кредитной организации формировать свой портфель очень точно и аккуратно. И средства автоматизации могут здорово облегчить формирование корректной стратегии.
«В системе PoweCurve я могу разобрать стратегию по нескольким сегментам клиентов, похожих друг на друга по каким-либо критериям, – рассказал порталу Банки.ру глава представительства Experian в России и странах СНГ Сергей Горащенко. – Одним, к примеру, задаем увеличение лимита, другим – поднять ставку, но не менять лимит, третьим – снизить лимит, и установим запуск этой стратегии по определенной части портфеля или по всему портфелю. Применяем стратегию в PowerCurve, система все просчитывает и выдает сотрудникам банка данные, что с каким клиентом нужно делать, что поменять, какие действия предпринять».
Такие системы, как PowerCurve от Experian, позволяют риск-менеджеру сформировать желаемую стратегию в считаные минуты и проверить ее на статистике по кредитному портфелю. После расчетов система покажет тот уровень просрочки, на который вышел бы кредитный портфель, если бы тестируемая стратегия была применена в заданный период. Можно подойти и с другой стороны: задать желаемый уровень просрочки, и система предложит стратегию, основываясь на статистике за заданный период.
Увы, полностью положиться на автоматику тут не выйдет: если новая стратегия существенно отличается от действующей, нужной информации просто может не оказаться. К примеру, если банк практически не давал кредитов престарелым индивидуальным предпринимателям, а в новой стратегии им должно найтись место в кредитном портфеле, PowerCurve не сможет предсказать просрочку с достаточным уровнем точности. Ведь статистики по таким заемщикам у банка нет.
Заметим, что стратегия может включать в себя выдачу кредитов в черной зоне – то есть заявителям, для которых скоринговая модель показывает высокую вероятность попадания в просрочку. Небольшой процент одобрений «черных» заявок позволяет составить статистику по маргинальным заявителям, что помогает уточнять как скоринговую модель, так и стратегию.
Михаил ДЬЯКОВ, Banki.ru
\n \n\t\t\t \n\t\t\t \n\t\t \n\t»,»content»:»\t\t
Технология отказа
Вопрос, выдаст банк вам кредит или откажет, очень непрост. За его решением стоит кропотливая дорогостоящая работа. Все больше банков стремятся удешевить и ускорить свой скоринг, автоматизировав его. О том, как проводится такой скоринг, порталу Банки.ру рассказали специалисты компании Experian.
Компьютер не позвонит
Скоринговые системы, построенные на таких платформах как PowerCurve компании Experian, призваны не заменить живого работника, а помочь ему быстро и правильно принимать решения на всех этапах жизненного цикла клиента банка. Принципы, в соответствии с которыми работают автоматические системы, по сути, не отличаются от принципов ручного скоринга.
Упрощенно процесс можно описать как применение скоринговой модели к собранным данным. Цель проведения скоринга – предсказать, как заемщик будет выплачивать кредит. Это дает возможность применить к скоринговым оценкам заявителя рисковую стратегию и принять ряд решений по его заявке: дать ли кредит, в каком объеме, на какой срок, под какую ставку.
«Процент решений, принимаемых банками полностью автоматически, пока не очень велик. Проблема в том, что банки не вполне доверяют автоматическим системам. Кроме того, не все данные можно проверить без привлечения человека. Например, компьютер не позвонит на работу заявителю. Поэтому полностью автоматические решения принимаются обычно по заявкам на небольшие кредиты», – рассказала порталу Банки.ру глобальный консультант компании Experian Анна Уштей.
Все, что вы хотели знать о клиенте
Идентификационные данные. Набор информации, позволяющий идентифицировать заемщика: паспортные данные, место жительства, фотография, подпись, рабочий и домашний телефоны. Именно с обработки этих данных начинается скоринг. Это позволяет на самом раннем этапе отсеять возможных мошенников и явно неперспективных клиентов. При этом, если клиент уже является клиентом банка, проверка и обработка этих данных обойдется банку крайне дешево и может быть практически полностью автоматизирована. Идентификационные данные практически не меняются со временем. Заметим, что даже непреднамеренная ошибка при указании идентификационных данных, скорее всего, приведет к отказу в кредите.
Демографические данные. Возраст, пол, образование, семейное положение, место проживания, место работы и должность. В отличие от идентификационных данных демографические со временем меняются: увеличивается возраст, человек учится, переезжает, меняет работу, женится, разводится и т. д. Может измениться даже пол.
Финансовые положение. Наличие и размер регулярного дохода, объем трат, наличие иждивенцев. Тут для заявителей имеется широкое поле для разного рода хитростей: траты можно скрыть и доход преувеличить. Эти данные меняются постоянно, в связи с чем банки вынуждены уделять их сбору и проверке самое пристальное внимание.
Кредитная история. Возможно, самые ценные для скоринга данные – наличие отданных и текущих кредитов, случаи попадания в просрочку и ее продолжительность. Если человек многие годы аккуратно выплачивал кредиты, можно с большой долей вероятности предположить, что он и продолжит в том же духе. Обратное тоже верно.
Трансакционное поведение. Такого рода данные доступны банку, если речь идет о выдаче кредита не человеку «с улицы», а держателю платежной карты банка. Имеют значение регулярность и характер операций по карте – как часто, где, в каком объеме заявитель оплачивает товары и услуги. Заметим, что банк оперирует не конкретными товарами и услугами, и даже не названиями магазинов, а суммами и категорией торговой точки.
Данные, предоставляемые самим заемщиком, подвергаются верификации. Для этого применяются как внешние источники, так и проверки на внутренние противоречия. Есть четкие, поддающиеся проверке связи между местом проживания и работы, профессией, должностью и уровнем дохода и т. д. Непротиворечивость этих данных можно проверить автоматически, не тратя дорогое рабочее время кредитного специалиста.
Моделируем будущее
При анализе статистики могут выявиться самые различные, зачастую неожиданные связи между просрочкой и данными о заемщиках. К примеру, работники, занятые в какой-либо одной отрасли, могут оказаться более склонны к просрочкам, нежели занятые в другой сфере. Или многодетные матери окажутся более качественными заемщиками, чем холостые мужчины. Такие связи и выводы из них зависят от профиля банка, от экономической, демографической и политической обстановки, они могут сильно изменяться во времени, в связи с чем скоринговая модель должна регулярно пересчитываться. Обычно это делается не реже чем раз в полгода.
Если кредитная организация только выходит на рынок или радикально меняет профиль, наработанной статистики у нее нет. В этом случае она может приобрести готовую модель или заказать сторонней компании разработку модели для своего профиля. В большинстве случаев такие модели работают не слишком эффективно, и через какое-то время их необходимо обновить, основываясь на собранной статистике.
Отметим, что скоринговую модель нередко дополняют настраиваемыми вручную условиями и фильтрами. Хорошо известно, что банки с предубеждением относятся к журналистам и юристам, даже если статистика не выявляет повышенного процента просрочки у представителей этих профессий. Первые способны попортить репутацию банка, а вторые могут доставить проблем в суде. Что интересно, сами сотрудники финансового сектора также нередко попадают в эти фильтры.
Стратегия серой зоны
Стратегия определяет, какой процент заявок в серой зоне получит положительное решение, причем стратегия должна учитывать самые разные факторы. Скажем, в ней можно прописать, что замужние учительницы младших классов, чей балл попал в серую зону, должны получать одобрение заявки в 50% случаев, объем кредита не должен превышать 100 тыс. рублей в 80% случаев, а срок кредит не должен быть менее пяти лет в 100% случаев.
Такие тонкие настройки позволяют кредитной организации формировать свой портфель очень точно и аккуратно. И средства автоматизации могут здорово облегчить формирование корректной стратегии.
«В системе PoweCurve я могу разобрать стратегию по нескольким сегментам клиентов, похожих друг на друга по каким-либо критериям, – рассказал порталу Банки.ру глава представительства Experian в России и странах СНГ Сергей Горащенко. – Одним, к примеру, задаем увеличение лимита, другим – поднять ставку, но не менять лимит, третьим – снизить лимит, и установим запуск этой стратегии по определенной части портфеля или по всему портфелю. Применяем стратегию в PowerCurve, система все просчитывает и выдает сотрудникам банка данные, что с каким клиентом нужно делать, что поменять, какие действия предпринять».
Такие системы, как PowerCurve от Experian, позволяют риск-менеджеру сформировать желаемую стратегию в считаные минуты и проверить ее на статистике по кредитному портфелю. После расчетов система покажет тот уровень просрочки, на который вышел бы кредитный портфель, если бы тестируемая стратегия была применена в заданный период. Можно подойти и с другой стороны: задать желаемый уровень просрочки, и система предложит стратегию, основываясь на статистике за заданный период.
Увы, полностью положиться на автоматику тут не выйдет: если новая стратегия существенно отличается от действующей, нужной информации просто может не оказаться. К примеру, если банк практически не давал кредитов престарелым индивидуальным предпринимателям, а в новой стратегии им должно найтись место в кредитном портфеле, PowerCurve не сможет предсказать просрочку с достаточным уровнем точности. Ведь статистики по таким заемщикам у банка нет.
Заметим, что стратегия может включать в себя выдачу кредитов в черной зоне – то есть заявителям, для которых скоринговая модель показывает высокую вероятность попадания в просрочку. Небольшой процент одобрений «черных» заявок позволяет составить статистику по маргинальным заявителям, что помогает уточнять как скоринговую модель, так и стратегию.
Редакция «Клерка» получила информацию от источников в ФНС о том, что в 2022 году налоговики начнут массово снимать расходы компаний.
Чтобы подготовить вас к непростому 2022 году, «Клерк» оперативно разработал уникальный курс по защите при налоговых проверках. Записаться и получить подарок тут.
Скоринг на расправу
Как банки решают, что вам не надо давать кредит
25 Время прочтения: 7 минут
Банки часто оправдывают отказы по кредитам скоринговой системой. По каким критериям банки оценивают скоринговые системы, способные разрушить ваши планы на жизнь? Можно ли обмануть «кредитный детектор»? Корреспондент Банки.ру попыталась проникнуть в некоторые тайны скоринга.
Скоринг — дитя войны
Для скоринговых систем портрет добросовестного заемщика примерно один, и никаких сюрпризов здесь нет: женщины, семейные, люди старше 40 лет, клиенты с высшим образованием, а также с хорошим стажем работы платят лучше остальных заемщиков. На основании анализа статистических данных было установлено, что семейные люди более ответственно подходят к выполнению своих кредитных обязательств и реже допускают просрочки.
В Сбербанке отмечают, что скоринг работает не только с социальными данными. Для оценки могут быть использованы любые данные, характеризующие заемщика: кредитная история, информация о движении по счетам, вкладам и картам, данные из социальных сетей…
Как правило, скоринг используется для расчета лимита кредитования, определения размера процентной ставки, вероятности мошенничества и вероятности социального дефолта по кредиту.
«До того как началась Вторая мировая война, скоринговых систем не было, были андеррайтеры. Эти люди сидели и принимали решения. Обычно в старые времена в банках люди работали всю жизнь. Они обладали опытом — знали, как принимать решения, кому давать, кому не давать кредиты. Классически они смотрели на состав семьи, возраст, пол клиента, его репутацию и принимали решения», — рассказал Банки.ру председатель правления банка «Восточный» Алексей Кордичев.
Потом случилась война. Многие «ушли на фронт и уже не вернулись после войны на работу андеррайтерами. И людей для принятия банковских решений не хватало. Тех, кто раньше работал андеррайтерами и вернулся работать в банки, начали опрашивать, как они принимали решения, записывать. Когда новых людей набирали, их учили, чтобы они смотрели на все эти факторы и по ним начисляли баллы. Так появилась идея скоринга.(Первые системы скоринга появились в американских банках как раз во время Второй мировой войны.)
Интересно, что принцип использования логистической регрессии для кредитного скоринга был позаимствован из медицины — во время войны в английской армии пользовались чем-то подобным для определения вероятности заражения вирусными болезнями, определяя корреляцию между симптомами и фактом заболевания.
Это уже потом баллы научились начислять статистически — наблюдая за корреляцией дефолтов с теми или иными факторами, характеризующими заемщика.
Как отличить хороший скоринг от плохого
Довольно сложно определить, по каким критериям нужно оценивать скоринговые системы. Грубо говоря, как понять, где хорошая, а где плохая?
По мнению заместителя председателя правления АО «РНКО «Фидбэк» Константина Соклакова, качество работы скоринговой системы оценивается в первую очередь по тем параметрам, которые проверяет система: начиная от паспортных данных, ИНН, СНИЛС, дохода, водительского удостоверения и т. д. и заканчивая составом семьи, образованием, наличием непогашенных кредитов и просрочек по ним, а также отслеживанием судимостей и административных правонарушений.
Помимо качественной проработки данных, необходимо обращать внимание на их актуальность.
«Классические критерии оценки скоринга — это процент так называемых ошибок первого и второго рода, то есть число ложноположительных и ложноотрицательных срабатываний. Для кредитного скоринга это процент одобренных кредитов, выданных недобросовестным заемщикам, и процент ошибочных отказов в выдаче ссуды. В обоих случаях банк теряет деньги», — объясняет руководитель направления противодействия мошенничеству центра информационной безопасности компании «Инфосистемы Джет» Алексей Сизов.
Разработчики алгоритмов для скоринговых систем бьются над тем, как сбалансировать эти два параметра.
К другим критериям оценки скоринговых систем специалистами можно отнести скорость работы, количество используемых источников данных, способность системы к самообучению. Но для бизнеса важен только один параметр — сколько денег экономит такая система.
«Скоринг может работать, как магический шар»
Основной способ обхода банковского скоринга стар как мир — это предоставление ложных данных. Чем больше источников данных у скоринговой системы, чем совершеннее алгоритмы, тем сложнее это сделать. «Знание алгоритмов скоринга, конечно, упрощает работу для мошенников», — отмечает Алексей Сизов.
«Однако этих алгоритмов зачастую могут не знать и сами сотрудники банка, потому что часть производителей держат их в секрете. Скоринг может работать, как магический шар. Ему задают вопрос, а затем он выдает ответ — но как именно он это сделал, точно не известно. В одном из банков, занимающихся розничным кредитованием, в рамках расследования массового невозврата ссуд выяснилось, что скоринг из-за сбоя несколько месяцев выдавал только положительные решения. Злоумышленникам не требовалось прилагать особых усилий для обхода системы», — рассказывает Сизов.
Считается, что чем тщательнее настроена система, тем сложнее ее обойти. Некоторые эксперты считают, что в большинстве случаев сделать это просто невозможно.
Банки очень аккуратны в выборе скоринговой системы и, как правило, не берут уже готовую программу, а создают свою собственную. Их опасения можно понять. Например, в объединенных банках «Восточный Экспресс» и «Юниаструм», теперь работающих под брендом «Восточного», доля розничных заявок, проходящих через скоринг, составляет 100%. В ближайшее время кредиты для малого бизнеса там также планируют выдавать с использованием скоринговых оценок. В банке ВТБ тоже все кредитные заявки проходят через скоринговую систему. Скоринговые модели, как внутренние, так и внешние, используются и в процессе принятия решения по всем розничным кредитным продуктам Абсолют Банка.
В Сбербанке используют скоринг для оценки рисков и принятия кредитных решений при рассмотрении всех заявок физических лиц, включая ипотеку. При этом нужно отметить, что скоринговые технологии не исключают экспертную оценку данных. Сбербанк комбинирует скоринговые и экспертные методы оценки заемщика, применяя различные стратегии принятия решений. В целом для оценки кредитного риска Сбербанк использует сотни различных стратегий сбора и анализа данных.
Скоринг — не только для кредитов
Спектр применения скоринговых систем достаточно широк и не ограничивается только кредитными решениями. Скоринговые технологии используются для расчета предодобренных лимитов, изменения лимитов по кредитным картам, истребования проблемной задолженности, обеспечения кибербезопасности, оценки рисков сформированного кредитного портфеля.
В Росэнергобанке используется несколько систем проверки заявок на кредит, включая и статистический скоринг. Безусловно, система помогает выявить сомнительные параметры в заявках, но основной акцент делается на жестких правилах как кредитной истории, так и различных систем предотвращения мошенничества. Процент отказа по статистическому социально-демографическому скорингу составляет не более 2%.
«В настоящее время мы заинтересованы в официальных источниках информации о месте работы клиентов и их уровне дохода (ФНС и пенсионный фонд), а также обязательном для всех участников рынка кредитования механизме ограничения кредитной нагрузки на клиентов с целью снижения кредитных рисков», — рассказал директор департамента розничных кредитных рисков Росэнергбанка Рустам Идрисов.
Росэнегобанк, разумеется, не единственная финансовая организация, которая, помимо скоринга, использует другие системы проверки заявок на кредит.
Например, в Абсолют Банке социально-демографическая, кредитная либо поведенческая оценка заемщика с использованием скоринговых моделей является лишь частью процесса анализа данных по заемщику и принятия решения по его кредитованию.
«Поскольку такие модели определяет лишь вероятность возникновения дефолта на основании ограниченного набора параметров, окончательное решение по заявке (особенно в ипотечном кредитовании) принимается исходя из экспертной оценки всех негативных и компенсирующих факторов, выявленных в ходе андеррайтинга. К числу таких факторов относятся в том числе общий стаж работы и стаж работы на текущем месте работы, размер организации — работодателя заемщика», — комментирует директор департамента кредитования розничного бизнеса Абсолют Банка Елена Ковырзина.
По словам Алексея Сизова из центра информационной безопасности компании «Инфосистемы Джет», основное направление развития скоринга сегодня — алгоритмы самообучения и поведенческого анализа, позволяющие пресекать даже неизвестные до этого момента типы мошенничества. Другое направление развития — подключение к скорингам все новых источников данных, работа с Big Data. Крупные банки для нужд скоринга индексируют не только традиционные базы с информацией по физическим и юридическим лицам, решениям судов, но и социальные сети, форумы. Автоматизированная оценка благонадежности клиента по его интересам во «ВКонтакте» — уже не фантазии, а реальность сегодняшнего дня.
«Будущее банков — автоматизированные комплексы с минимальным участием сотрудников. Это будущее, которое «рисуют» нам ведущие игроки рынка. Дистанционное обслуживание клиентов (интернет-банкинг, мобильный банкинг) развивается наиболее быстро в банковской отрасли — это служит дополнительным толчком для развития и скоринговых систем, адаптации их к новым условиям работы организаций», — заключает заместитель председателя правления АО «РНКО «Фидбэк» Константин Соклаков.
Наталья СТРЕЛЬЦОВА, Banki.ru
\n \n\t\t\t \n\t\t\t \n\t\t \n\t»,»content»:»\t\t