Журнал «Компьютерра» № 4 за 31 января 2006 года - Компьютерра (читать книги без txt) 📗
В то же время оперативность не должна отражаться на качестве принимаемых решений. Если выдавать кредиты всем без разбору, то лидирующее положение на рынке обернется финансовой катастрофой, подобной той, которая постигла в конце 2003 года Южную Корею. Объем просроченных потребительских кредитов к тому времени составлял 57,47 млрд. долларов, или 13,5% от общего числа выданных кредитов (аналогичные показатели 1999 года – 10,95 млрд. и 2,6% соответственно[Доля невозвратов в России, по разным оценкам, колеблется от 3 до 4%]). С одной стороны, это привело к возрастанию числа самоубийств и преступлений на долговой почве, а с другой – к серьезному банковскому кризису. Причиной столь безрадостной картины послужило отсутствие у банков отработанных систем управления рисками на фоне жесткой борьбы за рынок.
Впрочем, эта проблема гораздо старше и, по сути, родилась вместе с розничным кредитованием. Первый алгоритм для оценки потенциального кредитозаемщика был предложен еще в 1941 году Дэвидом Дюраном. К тому же времени можно отнести появление термина «кредитный скоринг», означающего сложную математическую систему определения степени платежеспособности заемщика, основанную на анализе нескольких характеристик клиента. Между прочим, модель Дюрана (см. врезку) широко применяется в финансовых организациях по сей день. Разумеется, в середине XX века речь шла не об использовании специализированного ПО, а о схеме работы кредитных инспекторов.
Задача скоринга – не только выявить потенциально неплатежеспособного клиента, но и пресечь деятельность мошенников, изначально не планирующих возвращать кредит. Если в первом случае шанс получения от клиента правдивых данных достаточно велик, то злоумышленники пытаются вводить специально составленный набор данных, для того чтобы найти и использовать «слабые места» в системе скоринга. Эта криминальная практика является довольно распространенной. Множество фирм, формально консультирующих заемщиков при заполнении документов на получение кредита, на деле за определенную сумму подсказывают своим клиентам «правильные» ответы на вопросы банковской анкеты. Иногда злоумышленникам удается обманывать систему до тех пор, пока схема мошенничества не будет обнаружена соответствующей службой банка.
«Обороноспособность» системы зависит прежде всего от модели оценки клиента. Обычный анализ вопросов анкеты наиболее уязвим для «взлома», так как обойти все «ловушки», которые банк может поставить для проверки достоверности предоставляемых данных, сравнительно просто. Обычно для этого формируются специальные группы «заемщиков», формально соответствующих требованиям банка по проверяемым характеристикам и «правильно» отвечающим на те вопросы анкеты, которые затруднительно проверить.
Более эффективным подходом в обеспечении кредитной безопасности является составление психологического портрета заемщика путем сбора максимально детализированной информации. Вкупе со средствами, вроде data mining, это дает неплохие результаты.
По мере развития ИТ банки стали заказывать разработчикам и скоринг-системы. В результате к настоящему времени даже сформировался рынок таких ИТ-решений, хотя большинство банков предпочитают уникальные разработки. Дело в том, что алгоритмы работы скоринг-системы должны оставаться конфиденциальной информацией, поскольку при получении таких данных злоумышленники, теоретически, могут указать «правильные» данные при оформлении заявки и «обмануть» систему. Подобное ПО дало новые возможности для обслуживания клиентов. Помимо уже упоминаемого сокращения срока обработки клиентских данных (если верить представителям «Хоум Кредит энд Финанс Банк» [ХКФБ], их система принимает решение о выдаче кредита до 50 тысяч рублей в течение нескольких минут), стало возможным, например, отказать клиенту в том или ином кредитном продукте и сразу же предложить альтернативный вариант (с меньшей суммой или на более жестких условиях), соответствующей рассчитанному показателю платежеспособности. По этому принципу с 2005 года работают ХКФБ и «Русский стандарт». Вместо отказа в предоставлении кредита клиенту предлагают, например, увеличить первоначальный взнос до указанной суммы.
Кстати, развитие скоринга в отечественной банковской практике может несколько притормозиться в результате принятого в 2005 году закона о кредитных историях. По этому документу к 1 сентября 2005 года все российские банки заключили договор с одним из бюро кредитных историй (пока можно выделить четыре крупных учреждения) на передачу данных о «своих» заемщиках и запрос данных о «чужих». Одновременно с этим Центробанк разработал интернет-сервис для доступа к Центральному каталогу кредитных историй, благодаря которому пользователь может ознакомиться с местонахождением своей собственной финансовой биографии. Появление общей базы кредитных историй дает отечественным банкам новые возможности для проверки платежеспособности клиентов, и ряд кредитных учреждений может отказаться в этом случае от автоматизированной оценки.
Скоринговые системы используют статистические методы работы, а значит, нуждаются в массивах исходных данных о ранее выданных кредитах (выборке) для выявления зависимостей. Например, для выявления степени влияния семейного положения на возврат кредита. Появляется вопрос, где это исходное информационное «сырье» взять. Можно, конечно, собирать характеристики клиентов, выдавать кредиты всем подряд и потом фиксировать случаи невозврата или несвоевременного возврата. Ну а тем, кто не хочет применять столь радикальный способ обучения на собственных ошибках, приходится искать альтернативные пути решения проблемы. На самом деле, таких путей всего два. Можно воспользоваться уже собранной кем-то другим базой данных или использовать методы, требующие для корректного применения меньших по объему массивов опытных данных. Первый способ свойствен в первую очередь при разработке банками собственных решений. Второй используется вендорами «серийных» систем скоринга. Однако ни один из этих вариантов нельзя назвать идеальным.
Очевидно, что данные о клиентах, например, американского банка мало подойдут для адекватной оценки российских заемщиков. Совершенно другие доходы, уровень жизни, менталитет делают невозможным использование такой БД даже с сильной коррекцией результатов. Классический подход к скорингу[Регрессионный анализ остается самым распространенным методом, использующимся в скоринге] предусматривает принятие положительного решения о выдаче кредита в том случае, если выходной показатель превышает некий критический порог. А выходной показатель вычисляется как сумма численных характеристик параметров (возраст, количество иждивенцев, доход, наличие кредитной карты и т. д.), помноженных на соответствующий «вес» (значимость показателя в общей оценке). Да и само слово «scoring» можно перевести как «подсчет очков». Обучение системы сводится к подгонке «весов». Так вот «веса» одного и того же параметра для США и РФ будут существенно различаться. Кроме того, очевидно, что кредитоспособность заемщика зависит не только от его собственных характеристик, но и от общей макроэкономической ситуации в стране – например, от уровня инфляции. Кстати, бескрайние просторы нашей Родины накладывают дополнительные трудности. Настраивать систему многофилиальному банку приходится для каждого региона отдельно, так как в разных уголках России люди отличаются как доходами, так и менталитетом.
В компании «Франклин & Грант», специалисты которой занимаются созданием математических моделей и их программной реализацией для решения финансовых задач, утверждают, что в России вообще не существует кредитных историй достаточной длины для обучения системы. Что уж говорить о новых типах кредитных продуктов, появляющихся в стране. Например, об ипотеке, собирать данные по которой для настройки системы нужно еще лет десять.
