Методика оцінки кредитоспроможності позичальників

Взагалі кажучи, вплив макроекономіки рідко враховується при оцінці кредитного ризику. Дослідження впливу макроекономічних показників на ризик неплатежу за допомогою засобів Data Mining показало, що, наприклад, збільшення ВВП на 1% зменшує на 1% кредитний ризик, збільшення рівня безробіття на 1% збільшує на 0.7% кредитний ризик. Тим або іншим чином кредитний ризик залежить і від інших економічних показників (індекси ділової активності, курс гривні, рівень продажів товарів тривалого користування…).

Таким чином, на даний момент банки знаходяться в невигідному положенні. З одного боку, необхідно освоювати ринок споживчого кредитування, а з другого боку, з цим процесом пов'язані дуже високі ризики, які часто перекладаються на позичальників, що явно не сприяє стимулюванню попиту на кредити. Також не відомо, коли освітлені тут проблеми будуть належним чином врегульовані з правової точки зору.

У такій ситуації банки, ті, що зважилися на освоєння даного ринку повинні мати декілька речей:

1. Консолідовану інформацію про клієнтів, представлену в уніфікованому вигляді. Інформація повинна періодично поповнюватися даними зі всіх філіалів банку. Таке сховище виконуватиме функцію кредитного бюро.

2. Достовірний спосіб класифікації (достовірність повинна бути більше 90%) потенційних позичальників і відсікання 'неблагонадійних'. Цей спосіб дозволить понизити ризики неповернення до мінімуму, що дозволить видавати дешевші кредити і, відповідно, приверне більше позичальників. При цьому значно збільшиться прибуток від кредитування фізичних осіб.

3. Модель класифікації позичальників повинна мати властивості тиражування і адаптації до стану рику, до кожного філіалу банку, тобто побудована модель, ґрунтуючись на загальних закономірностях, повинна коректуватися під приватні, властиві кожному філіалу особливості. Це дозволить врахувати місцеві особливості, що ще більше сприятиме зниженню ризику.

4. Модель класифікації повинна періодично перебудовуватися, враховуючи нові тенденції ринку. Цим досягається її актуальність. Адже не може ж використовуватися один і той же підхід протягом 5 років по сьогоднішній день.

На даний момент банки в тому або іншому ступені мають напрацювання по кожному з цих пунктів, але методики, закладені в їх основі або дуже інертні, щоб адекватно реагувати на динаміку ринку, або дуже дорогі (пропоновані зарубіжні рішення зпівставлені з доходами від споживчого кредитування в сьогоднішньому вигляді). Саме тому такі дорогі кредити і не так великий попит на них. Збільшення ж достовірності і зниження вартості дозволять відмовитися від практики перенесення ризиків і витрат на позичальників. Тоді у виграші опиняться всі: банки, зберігаючи питому прибутковість на колишньому рівні, і позичальники, привернуті вигіднішими умовами. Все це стає актуальнішим з причини майбутнього бурхливого зростання ринку споживчого кредитування і майбутньої конкуренції.

Для досягнення цих цілей банки привертають високооплачуваних експертів. Але їх мало і їм інколи фізично не вистачає часу встигати скрізь. Тому також актуальним є питання формалізації знань експертів і їх тиражування. Це дозволить 'віртуальному експерту' працювати одночасно у всіх філіалах банку.

Задачі подібного роду легко розв'язуються на базі платформи Deductor. Механізми Deductor дозволяють як створити консолідоване сховище інформації про позичальників, забезпечуючи до того ж і несуперечність інформації, що зберігається, так і формалізувати знання експертів, створивши моделі класифікації позичальників з достовірністю більше 90%, причому модель дозволить ухвалити рішення про видачу кредиту або відмову практично миттєво. Так можна поставити споживче кредитування на потік. Це тим більше актуально зважаючи на майбутній он-лайн кредитування і масового використовування кредитних карт.

Більшість банків вже має досить статистики по кредитуванню фізичних осіб. Для побудови достовірної моделі досить інформації за 3 - 4 роки. Тим більше, моделі мають нагоду періодично перебудовуватися, враховуючи динаміку ринку (нові дані).

Підсумовуючи все сказане вище, можна з упевненістю говорити про готовність банків до використовування передових методик оцінки кредитоспроможності фізичних осіб. Залишилося лише консолідувати накопичені дані і формалізувати досвід експертів в рамках єдиної архітектури. Це з успіхом дозволяє зробити аналітична платформа Deductor.

Зважаючи на це цікаво буде розглянути основні принципи формування такої системи на одному з прикладів оцінки кредитоспроможності фізичних осіб. У ньому будуть видні переваги закладених в платформі методик щодо використовуваних зараз (скорінг, експертні оцінки і т.п.).

Перш ніж приступити до опису рішення необхідно освітити деякі аспекти методики аналізу з використанням механізмів Data Mining.

Каменем спотикання методики є якість початкових даних. Від нього напряму залежить якість побудованої моделі. Щоб забезпечити його, необхідно дотримуватися наступного алгоритму:

1. Висунення гіпотези - припущенні про вплив тих або інших чинників на досліджувану задачу. Дану задачу вирішують експерти, покладаючись на свій досвід і знання. Результатом на даному етапі є список всіх чинників.

2. Збір і систематизація даних - н даних у формалізованому вигляді, підготовка даних в певному вигляді (наприклад, дотримання впорядкованості за часом).

3. Підбір моделі і тестування - комбінування різних механізмів аналізу, оцінка експертами адекватності одержаної моделі. Повернення на попередні кроки при неможливості отримання прийнятних результатів (наприклад, перевірка чергової гіпотези).

4. Використовування прийнятної моделі і її вдосконалення.

Саме за допомогою такого підходу складені анкети - заявки на отримання кредиту. Експертами в даній області були виявлені чинники, що впливають на результат. Цю інформацію і заповнюють в анкетах потенційні позичальники.

Помітимо, що допомога в перевірці гіпотез може надати реалізований в Deductor аналіз чинника. Даний інструмент виявляє значущість тих або інших чинників.

Отже, задача полягає в побудові моделі оцінки (класифікації) потенційних позичальників. Рішення задачі також повинне володіти великою достовірністю класифікації, можливістю адаптації до будь-яких умов, простотою використовування моделі.

Користуючись приведеною вище методикою, була запропонована гіпотеза про те, які чинники впливають на кредитоспроможність людини. На думку експертів по цих чинниках можна врахувати сумарний ризик. Тим самим повинне досягатися і віднесення потенційного позичальника до здатних повернути кредит або не здатним.

Запропоновані чинники представлені в таблиці 1.

Табл..3.1. Чинники, що впливають на кредитоспроможність.

Згідно запропонованій гіпотезі дані чинники були зібрані і консолідовані в сховищі даних Deductor Warehouse. Методологія сховища така, що інформація зберігається в процесах, кожен процес має певний набір вимірювань і фактів, тобто процес реалізований по стандартній схемі “Зірка”, в центрі якої зберігаються факти, а вимірювання є промінями.
В даному випадку процес відображає видачу кредиту позичальнику. Найціннішою інформацією процесу є статус кредиту. Хороший кредит - той, який позичальник повернув в строк і в повному об'ємі, поганий - зворотна ситуація.

При побудові моделі оцінки кредитоспроможності величезну допомоги експерту надасть різноманітна аналітична звітність. Оскільки дані в сховищі представлені в багатовимірному вигляді, то, поза сумнівом, найбільш зручно одержувати звітність у вигляді набору зрізів даних - крос - таблиць.

Наприклад, на рис. 3.1 видно розподіл сум кредитів по віку позичальників. Також інформація відображається в розрізі як 'хороших', так і 'поганих' кредитів.

Рис.3.1. Суми, які одержали позичальники (або вимагали потенційні позичальники).

На малюнку наочно видно, що в основному беруть кредит особи до 30 років, від 30 до 50 менш активно, від 50 до 70 практично не беруть. Мабуть, умови кредитування не влаштовує осіб старше 30 років в більшості випадків. Банку для залучення даної категорії осіб доведеться змінювати умови кредитування (наприклад, зменшити платню за кредит).
Якщо аналізувати причину такої кількості відмов у видачі кредитів, то з'ясується, що потенційні позичальники неадекватно оцінювали свої можливості по погашенню кредиту .

У першій частині розділу зачіпалися питання популярності тих або інших послуг кредитування, питання динаміки попиту на послуги. Покажемо, що можна сказати із цього приводу, виходячи з наявних даних.

На рис.3.2. добре видно, що кількість звернулися за кредитом на покупку товарів тривалого користування складає більше 40% від загальної кількості позичальників.

Рис.3.2. Переваги позичальників.

Подивившися динаміку попиту на даний вид послуги (рис.3.3), можна побачити певні періоди активності і спаду (позначається вплив загальної економічної ситуації в регіоні). Це також необхідно враховувати при формуванні кредитного портфеля.

Рис.3.3. Динаміка попиту на окремий вид кредиту.

Кожен позичальник володіє певним набором атрибутів (чинників). Для аналізу ринку необхідно в першу чергу зрозуміти загальну картину: хто бере кредити, навіщо, які існують причини відмов у видачі кредитів або причини неспроможності.
Для цього необхідне наочне представлення всіх наявних даних. Таку задачу можна вирішити за допомогою побудови карт, що самоорганізовуються. На рис. 3.4 представлені деякі з таких карт, показуючі розподіл позичальників по характеристиках 'Сума кредиту', 'Термін кредиту', 'Мета кредитування', 'Середньомісячний дохід', 'Кількість утриманців' і 'Вік'. Проведемо аналіз представлених даних.

Рис.3.4. Карти Кохонена.

Спочатку дамо аналіз по кожній характеристиці окремо, а потім вже оцінимо їх загальний зв'язок.

Отже, які суми кредитів хочуть брати позичальники? На карті видно рівну кількість як охочих узяти невеликі суми (до 2000 грн), так і достатньо вагомі (до 80000 грн). Причому, виходячи з даних карти середньомісячного доходу, практично всі позичальники мають однаковий дохід (2 - 3 тис. грн), з якого виходить схожість карт Суми кредиту і терміну кредиту (з одним і тим же дохом великі суми беруться на більший період). По карті “Вік” можна судити про популярність кредитів серед молоді (половина кредитів беруть позичальники молодше 30 років). По сукупності карт 'Кількість утриманців' і 'Середньомісячний дохід' можна судити про питому прибутковість на кожного члена сім'ї позичальника. Зрозуміло, що при однакових доходах до позичальників з меншою кількістю утриманців довіра більше.

Даний приклад показав, як можна легко аналізувати наявні дані, використовуючи карти Кохонена. Такий аналіз є всього лише частиною задачі, вирішуваної за допомогою карт, що самоорганізовуються. Карти Кохонена вирішують задачу кластеризації. Як видно на рис.3.5, всі позичальники розбиті на декілька сегментів. Опишемо кожний з представлених сегментів.

Рис.3.5. Виявлені сегменти позичальників.

Отже, 0 сегмент - найбільший, представляє всіх позичальників старше 30 років. Це найконсервативніша частина всіх позичальників, тому їм властиві схожі риси і, отже, необхідний однаковий підхід при наданні ним послуг кредитування, а також їх класифікації. Позичальники ж молодше 30 років діляться ще на 4 сегменти:

1 сегмент - спроможніші молоді сім'ї, охочі облаштувати своє житло. Причому верхня частина сегменту - проблемні позичальники, що неадекватно оцінюють свої можливості.

2 сегмент - працюючі студенти.

3 сегмент - Позичальники, що придбавають в кредит дешеві товари.

4 сегмент - група позичальників, що бере кредит на ремонт.

5 сегмент - Позичальники, одержуючі в кредит освіта і різні послуги.

Кластеризація показала, що на ринку кредитування фізичних осіб існують не тільки різні напрями (кредитування товарів, освітні кредити), але і різні сегменти позичальників, що користуються одним і тим же видом послуг. Отже, для кожної такої групи необхідний свій спосіб класифікації на 'гарних' і 'поганих' позичальників.

Очевидно, що, навіть аналізуючи окремий сегмент ринку, домінують ті або інші чинники залежно від ситуації. У моделі, що розглядається далі, буде показано, що за певних умов велику роль виконує наявність власності у кредитора, при інших його освіта або термін роботи на підприємстві, тобто модель класифікації виходить вельми гнучка. Проте, існують такі чинники, вплив яких на ухвалення рішення про видачу кредиту мало міняється від решти умов. Це сума кредиту, термін кредиту, середньомісячний дохід і середньомісячна витрата (що теж буде показане далі).

Виходячи з даних попереднього аналізу, можна виділити декілька груп позичальників, що беруть в кредит товари тривалого користування: кредити на невеликі суми, середні і значні, і проаналізувати деякі з них.

Виділимо з одержаних сегментів групу позичальників, що беруть невеликі кредити на придбання товарів. Побудуємо для цієї групи дерево рішень. Вхідними параметрами будуть чинники, що впливають на кредитоспроможність згідно висунутій гіпотезі. Виходом же дерева буде рішення про видачу кредиту або відмову.

Побудована модель класифікації представлена у вигляді дерева правил на рис.3.6.

Рис.3.6. Дерево рішень для невеликих кредитів.

Помітимо, що дерево саме відсікло незначущі і мало впливаючі на результат чинники, залишивши середньомісячний дохід, витрату і термін кредиту. Це можна врахувати при експрес кредитуванні найдешевших товарів.

У інших же групах позичальників для достовірного визначення кредитоспроможності модель враховує і ряд інших чинників. Так група позичальників, що беруть в кредит дорожчі товари тривалого користування, визначається великим рядом чинників (рис.3.7).

Рис.3.7. Дерево рішень для кредитування дорожчих товарів.

Для інших груп класифікація ще складніша.

Розглянуті раніше методи класифікації давали набір правил, згідно яким потенційний позичальник виявляється 'поганим' або 'гарними'. Для деяких груп потенційних позичальників необхідно дати нечітку оцінку його кредитоспроможності, наприклад, ввівши поняття вірогідності повернення кредиту повністю і в строк. Це необхідно, якщо керівництво банку висловить бажання пом'якшити або, навпаки, посилити вимоги до потенційних позичальників. Для побудови такої моделі необхідно уявити рішення про видачу кредиту в числовому вигляді: 0 - 'поганий кредит', 1 - 'хороший кредит'. Тоді після побудови моделі на виході якраз і вийде вірогідність повернення. Керівнику ж залишається лише задати порогове значення вірогідності, і якщо результат вищий за нього, то ухвалювати рішення про видачу кредиту, якщо нижче, то відмовляти. Одержана модель дає можливість напряму управляти рівнем ризику. Можна звести ризик до мінімуму, вказавши як поріг 1 або підвищити його при менших значеннях порогу (але і, згідно практиці, що застосовується в банках, перекласти його на позичальників). Це дозволить залишатися у виграшному положенні перед конкурентами: понизити вартість певних послуг до рівня конкурентів, але також при цьому збільшити поріг, понизивши ризик.

Страницы: 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13