Отчет по практике в ЗАО «Банк Русский Стандарт»

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.

 

Рисунок 11 - Генерация кредитных историй

 

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.

Использование подхода с искусственной кредитной  историей в кейсе имеет как  плюсы, так и минусы.

Плюсы:

1) Возможность быстрого  построения полноценной скоринговой модели с использованием технологий Data Mining;

2) Экспертные оценки по  искусственной кредитной истории  аккумулируют в себе меру риска,  на который готов пойти банк  при выдаче кредита;

3) Формат искусственной  кредитной истории совпадает  с форматом реальной кредитной  истории, поэтому никаких перенастроек  при запуске кредитной программы  в действие не требуется.

Недостатком является субъективность оценок при  классификации заемщиков экспертами банка. По мере появления реальных данных по выдаваемым кредитам скоринговые модели будут перестраиваться, и субъективность снизится.

После формирования кредитной истории  начинается построение скоринг - моделей. Этот процесс носит итеративный характер, в ходе которого устраняются противоречия, корректируются правила (в случае модели в виде дерева решений), в результате чего скоринговая модель утверждается.

Для построения скоринговых моделей используются самообучающиеся методы на основе технологии извлечения знаний Data Mining. Эти технологии используют последние мировые достижения в области интеллектуальной обработки информации, что в несколько раз эффективнее использования классических балльных скоринговых методик.

Рисунок 12 - Процесс построения скоринговых моделей

 

Нейронные сети являются мощным инструментом для  выявления нелинейных зависимостей между входными и выходными факторами  и позволяют дополнить скоринг моделью оценки вероятности возврата кредита тем или иным заемщиком.

В конечном итоге это позволяет:

1) Отделить  работу эксперта от массового  использования построенных моделей; 

2) Снизить требования  к персоналу; 

3) Формализовать работу  при принятии решений; 

4) Уменьшить зависимость  от персонала; 

5) Повысить качество работы.

Как было отмечено выше, система позволяет  изменить или расширить базовую  схему прохождения анкеты. Рассмотрим несколько стандартных вариантов  схем прохождения анкет.

В первой, наиболее простой схеме, анкета последовательно  проходит через все службы банка: служба безопасности, скоринговая модель, кредитный отдел, как показано на рисунке 13.

Рисунок 13 - Схема работы – последовательная обработка анкет

 

Из  плюсов у данной схемы можно отметить простоту. Однако простота влечет за собой  определенные недостатки:

1) Служба безопасности  выполняет лишнюю работу, проверяя  потенциальных заемщиков, которые  изначально не "проходят" по  скорингу.

2) Кредитный отдел всегда  подтверждает скоринг-модель, поэтому автоматическая оценка риска как таковая отсутствует. Как правило, это делается, когда доверие к скоринг-модели невысокое.

Второй  вариант схемы избавлен от вышеназванных  недостатков. Во-первых, служба 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.

 

 

Рисунок 14 - Схема работы – улучшенный вариант обработки анкет

 

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 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.

 

Рисунок 15 - Значимость правил

 

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, что показано на рисунках 16,17,18.

 

Рисунок 16 - Аналитическая отчетность

 

Рисунок 17 - Распределение по времени (рисунок переделать в ексель)

 

Рисунок 18 - Распределение по дням недели

 

Рисунок 19 - Причины отказа в выдаче (переделать в ексель)

 

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, как и показано на рисунке 20.

 

Рисунок 20 - Распределение по размеру кредита

Отчеты  "Анализ длительности рассмотрения анкет" позволяют осуществлять мониторинг эффективности работы подразделений банка, участвующих в принятии решений о выдаче кредитов, находить "узкие" места в цепочке прохождения заявок.

Ретроспективный анализ погашений кредитов необходим для регулярной перенастройки скоринговых моделей. Для этой цели по определенной шкале заемщики делятся на несколько классов, как правило 2-3 класса, в зависимости от того, выплачен ли кредит и не было ли просрочек. Отчет по ретроспективному анализу может представлять собой динамику изменения некоторого показателя, выражающего агрегированную величину уровня просрочек на заданную дату. Ретроспективный анализ не заменяет, а дополняет оперативный анализ погашений кредитов, доступный в АБС.

В заключение подчеркнем основные преимущества описанного решения:

1) Возможность комбинировать  любые механизмы анализа от  простых бальных коэффициентов  до самых современных алгоритмов  оценки рисков.

2) Возможность построения  различных сценариев обработки  для разных категорий клиентов.

3) Гибкость. Система включает  в себя специальный конструктор  анкет, позволяющий на базе  единой системы создавать различные  кредитные продукты: потребительское  кредитование, автокретитование, ипотечное кредитование и прочее.

Серьезная методическая поддержка. C кейсом поставляется большой набор  методических материалов, руководств, учебных курсов. В методических материалах даются подробные описания всех аспектов работ, связанных с анализом данных, от сбора и подготовки данных и  используемого математического  аппарата до способов тиражирования  полученных знаний.

Быстрый запуск. "Пилотный" проект с возможностью реального  использования выполняется в  течение нескольких (5-7) недель. Первые результаты демонстрируются через 3-4 недели после начала работ.

Возможность запуска системы  при отсутствии реальной кредитной  истории. Предлагается методика, позволяющая  строить модели на сгенерированных  данных с последующей автоматической адаптацией моделей при получении  реальных данных по выданным кредитам.

Доступная цена. Никакие  ежегодные отчисления не предусмотрены.

Для адаптации скоринговой модели оценки кредитоспособности физических лиц специалисту необходимо проделывать путь, подобный тому, что проделал Дюран, т. е. специалисты, которые будут заниматься такой адаптацией, должны быть высоко квалифицированными, а значит и очень высокооплачиваемые, быть в состоянии оценить текущую ситуацию на рынке.

Итак, основные недостатки скоринговой системы оценки кредитоспособности физических лиц – это:

1. Высокая стоимость адаптации используемой модели под текущее положение дел;
2. Большая вероятность ошибки модели при определении кредитоспособности потенциального заемщика, обусловленная субъективным мнением специалиста.

Для решения проблем скоринговой системы предлагаю дальше рассмотреть деревья решений, которые помогут устранить некоторые недостатки скоринговой системы.

 

2.2 Меры по решению проблем  не возврата кредитов при применении  скоринговой системы в ЗАО «Банк Русский Стандарт»

 

Потребительское кредитование на так называемых «точках» действительно становится все менее  привлекательным не только с точки  зрения рисков, но и с точки зрения отдачи на капитал. Никаких сверхприбылей  при предоставлении «товарных» займов ЗАО «Банк Русский Стандарт»  больше не получает и более того, его прибыли в этом бизнесе  «стремятся к нулю» и составляют незначительную величину.

Следовательно, первой мерой  по уменьшению не возврата кредита  является прекращение выдачи кредита  в торговых точках, а осуществлять выдачу непосредственно в банке.

Подавляющее большинство «положительных» заемщиков, нуждающихся в денежных средствах  на сумму больше 50–70 тыс. рублей, предпочитает теперь подождать два-три дня, необходимые  для принятия решения по классическим программам нецелевого кредитования, и получить заем по значительно более  низким процентным ставкам и без  комиссии за пользование кредитом.

Значит  второй мерой по уменьшению не возврата кредитов в ЗАО «Банк Русский  Стандарт»- это расширение программ нецелевых займов под поручительство юридических лиц, т.к. по ним наиболее меньший кредитный риск, чем по экспресс-кредитам. А это — большой плюс в ситуации, когда объемы не возвратов продолжают расти, а проблемы с привлечением средств становятся все более острыми (во всяком случае, для банков, занимающих не самые высокие позиции во всевозможных рейтингах). Кстати, нецелевые кредиты хороши и потому, что найти под них источники рефинансирования не является неразрешимой задачей, подобное кредитование даже на крупные суммы предполагает сроки обслуживания кредитов максимум в пять-семь лет. Найти источники фондирования для таких займов намного проще, чем для ипотечных кредитов, выдаваемых на сроки до 15–25 и даже 30 лет.