Скоринг переходит на Big Data

Согласно данным ОКБ, доля плохих кредитов от общего количества в первом квартале 2017 года сохранилась на уровне 17,5%, и такой показатель держится уже три квартала. О том, какие технологии скоринга применяют игроки рынка, чтобы переломить ситуацию – в этой статье.
Кредитные организации активно развивают свои скоринг-системы. Сейчас для оценки платежеспособности заемщика банки смотрят на его возраст, социальный статус, наличие образования, проверяют заработок через ПФР и обращаются к Big Data. «Например, это могут быть данные от мобильных операторов (траты на связь или использование роуминга). Также используются данные различных сервисов, например, Яндекс Такси, Uber или сервисов доставки. Мы смотрим, как часто человек пользуется ими, какая средняя сумма покупки и какая у клиента банковская карта», – рассказывает руководитель по управлению рисками сервиса онлайн-кредитования MoneyMan Ирина Хорошко.

Мобильные операторы также могут поделиться геоданными. «Мы направляем запрос в телеком с адресом заемщика, который он назвал. Если оператор подтверждает, что по данному адресу клиент в среднем находится 8 часов в день, соответственно, мы можем сделать вывод, что адрес проживания или, например, адрес работодателя указан верно», –  приводит пример главный исполнительный директор МФК «Домашние деньги» Андрей Бахвалов. При оценке заемщика проверяются адресаты SMS-сообщений. «В ходе такой проверки мы можем выявить, что заемщик постоянно получает сообщения от коллекторских агентств. Это свидетельствует о том что, просрочка не является технической», – добавляет Андрей Бахвалов.



Кредиторы обращают внимание на активы заемщика. «Мы используем собственные ноу-хау по оценке доходов на основании косвенной информации о благосостоянии клиента. Это наличие автомобиля, квартиры, крупных покупок, совершенных за собственные средства», – рассказывает директор департамента риск-менеджмента Росгосстрах Банка Александр Чернов. В некоторых случаях оцениваются совсем не очевидные исходные данные: «Например, проводится анализ того, как пользователь передвигает ползунки при выборе суммы и срока займа на нашем сайте», – поясняет генеральный директор сервиса онлайн-займов «робот Займер» Сергей Седов.

Инвестиции в скоринг окупаются
Новые методы оценки помогают не только сократить уровень просрочки, но и значительно сэкономить. Например, ВТБ24 в 2016 году за счет правильного анализа данных своих заемщиков заработал 19 млрд рублей чистого процентного дохода по МСФО. Рост процентной маржи по сравнению с 2015 годом составил 16%. Созданное ВТБ24 корпоративное хранилище данных (КХД) позволяет банку детально анализировать клиентское поведение. При этом затраты на КХД за три года составили всего 2 млрд рублей. Это средства потраченные на железо, софт, запуск и обслуживание системы.

Ежедневно через хранилище проходит более 40 тысяч заявок. В КХД 60% всей имеющейся в IT-системах банка информации о заемщиках. В переводе на кластеры – это 130 терабайт данных. «Банку удалось снизить потери при кредитовании более рискованных клиентов и увеличить доходность по этой категории», – комментирует член правления ВТБ24 Александр Соколов. Точность оценки платежеспособности клиентов зависит от того, насколько тесные взаимоотношения у последнего с банком. Если заемщик на протяжении, хотя бы двух лет пользуется тремя банковскими продуктами, у него есть кредитная история, и в качестве основного платежного средства используется банковская карта – в таком случае точность оценки очень высокая. «Говоря о цифрах, в таких клиентах мы ошибаемся в 1 случае из 100. Если это первый банковский продукт, то погрешность оценки, конечно, существенно выше и может доходить до 10%. Для банков монолайнеров, которые работают с нижнемассовым сегментом, погрешность оценки достигает 30%, для микрофинансовых организаций 50-70%», – приводит пример Соколов.

Кредитной истории и поведенческого анализа уже недостаточно

Новые методы оценки заемщика особенно полезны в микрокредитовании. Тем более, что МФИ не могут использовать данные ПФР. Несколько лет назад трендами были кредитная история и поведенческий анализ заемщика в соцсетях. «Сейчас достоверность таких данных снизилась, так как есть случаи формирования фейковых историй и аккаунтов в социальных сетях. Мы придаем большое значение комплексному анализу Big Data, в котором нет заранее определенной ценности какого-то одного показателя, важнее целостная картина, которая создается на основе всей информации», – анализирует Сергей Седов. Другой возможности, кроме как тратить большие средства на большие данные, у МФИ, по сути, нет. Без этой информации принятие решения о выдаче займа теряет связь с действительностью. «Игра в такую “рулетку” – по крайней мере, сегодня, – приведет к неминуемому краху микрофинансового бизнеса любого уровня», – уверен Сергей Седов.

Сейчас компания «Займер» использует скоринговые модели с коэффициентом Gini=0,63 и выше. Повышение качества Gini идет за счет совершенствования программного комплекса, которое основано на самообучении системы. До внедрения технологий – в 3 квартале 2014 года – данный показатель не превышал 0,42».

МФИ внедряют методы глубинного анализа данных (data mining) и глубинного анализа текста (text mining), которые позволяют находить в больших массивах информации скрытые закономерности, взаимосвязи и тенденции, а также другие нетривиальные и полезные знания. Специфика такой технологии в том, что система постоянно обогащается новыми переменными, а скоринговый комплекс анализирует их, встраивает в модель оценки заемщика и проводит тестирование, а затем оценивает результаты. И так, по кругу, робот постоянно отслеживает показатели эффективности и стабильность прогнозируемых результатов.

«Новые инструменты позволяют компании оценить платежеспособность клиентов и снизить уровень просроченной задолженности NPL90+ до 8-9%, что в разы ниже, чем на рынке в целом. Как правило, очень хороший источник данных позволяет повысить уровень Gini на 5-8%», – утверждает Ирина Хорошко из MoneyMan.