Анализ кредитоспособности коомерческого банка

     Среди преимуществ скоринговых систем западные банкиры указывают снижение уровня не возврата кредита, быстроту и беспристрастность в принятии решений, возможность эффективного управления кредитным портфелем, отсутствие необходимости длительного обучения персонала.

     Сложность заключается только в выборе характеристик, т. е. какая информация является существенной, а какой можно пренебречь. Выборка  подразделяется на две группы: «хорошие» и «плохие» риски. В Западной Европе «плохим риском» считается клиент, задерживающийся с очередной выплатой на три месяца, либо клиент, слишком рано возвращающий кредит, банк не успевает ничего на нем заработать [20, c. 71].

     Комплексное решение проблем скоринговой системы оценки кредитоспособности заемщиков:

     С целью повышения эффективности  скоринговой системы и уменьшению не возврата кредитов был создан кейс который построен на базе аналитической  платформы Deductor и web-технологий, автоматизирующее всю последовательность действий от получения заявки на кредит в удаленной торговой точке до принятия решения о его выдаче и формировании необходимого пакета документов. При этом в процессе задействованы все звенья – оператор торговой точки, служба безопасности, кредитный инспектор банка, адаптируемая скоринговая модель, используемая автоматизируемая банковская система.

     Он  состоит из нескольких частей:

     1) Бэк- и фронт-офис удаленных  рабочих мест;

     2) Схема документооборота (последовательности прохождения анкет через службы банка);

     3) База данных, содержащая информацию  о заемщиках и истории принятия  решений по ним;

     4) LoansBase.Generator – генератор кредитных  историй;

     5) Система скоринга и аналитической отчетности;

     6) Модуль интеграции с АБС –  автоматизированной банковской системой.

     Рассмотрим  каждую часть кейса подробнее.

     Бэк-офис и фронт-офис представляют собой  автоматизированные рабочие места  операторов ввода заявок и лиц, участвующих  в принятии решений о выдаче кредита. Оперативная работа пользователей с системой происходит при помощи единого веб-интерфейса. Среди пользователей системы можно выделить три категории:

     1) Оператор торговой точки. Он  вводит данные из анкеты заемщика  в стандартную форму, которая  автоматически генерируется на  стороне сервера. Как вариант возможен ввод данных самим заемщиком (например, в случае Интернет-заявок).

     2) Сотрудник службы безопасности (СБ);

     3) Сотрудник кредитного отдела.

     Отличие веб-формы сотрудника СБ от сотрудника кредитного отдела заключается в  различии информации из анкеты заемщика, которая используется для принятия решения по заемщику. Так, для верификации заемщика службой безопасности необходима информация о номерах документов, регистрации, месте работы и пр. Кредитного инспектора интересует социальный портрет: уровень доходов, семейное положение, образование, и т.д., а также результат скоринговой модели [34, c. 21].

     Использование web-технологий позволяет добиться следующего:

     1) Централизация всех операций;

     2) Высокая степень безопасности;

     3) Легкость масштабирования системы и тиражирования ее на другие торговые точки;

     4) Исключение необходимости устанавливать  какое-либо дополнительное программное  обеспечение – все операции  выполняются при помощи стандартного  браузера.

     На  рисунке изображена последовательность прохождения анкеты заемщика через службы банка. Например, добавляется генерация пакета документов для подписи клиентом, автоматическое открытие счета и т.д.

     Данные  приложения 7 и диаграммы на рис.6 показывают, что основную долю в  ссудной задолженности занимают обесцененные кредиты.

 

 

     

     Рисунок 9 - Последовательность прохождения  анкеты заемщика через службы банка

 

     В ряде случаев предпочтительно создание хранилища данных, в котором содержатся консолидированная информация по заявкам  с анкетами заемщиков и истории принятия решений по выданным кредитам и погашениям кредитов. Это позволит сосредоточить информацию о потребительском кредитовании в едином источнике и снизить нагрузку на оперативную базу данных.

 

     

     Рисуно 10 - Схема работы с хранилищем данных

 

     Как вариант, в хранилище данных может накапливаться статистическая информация макроэкономического характера об уровне жизни в регионе, средней заработной плате, прожиточном минимуме и т.д. с целью повышения качества скоринговых моделей.

     Кейс  комплектуется встроенным хранилищем данных Deductor Warehouse на базе свободно распространяемой клиент-серверной СУБД Firebird. Таким образом, как показано на рисунке 11 минимальная структура хранилища данных будет состоять из трех процессов (кубов): Заявки, Статусы, Погашения.

 

     

     Рисунок 11 - Структура хранилища данных

 

     Базовый генератор представляет собой генератор кредитных историй – специальный модуль, формирующий набор примеров с различными анкетными портретами заемщиков. Генерация производится по специальным алгоритмам математической статистики с учетом заданных распределений случайных величин. В качестве распределений могут использоваться как статистические данные по стране, так и экспертные суждения о том, у какого типа заемщиков будет пользоваться популярностью кредитная программа [20, c. 89].

     Искусственная кредитная история необходима в  случае, когда реальной кредитной  истории не существует, либо ее объем  незначителен. Это возникает в  случаях, когда:

     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 12 - 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 [36, c. 11].

     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 [37, c. 15].

 

 

     

     Рисунок 13 - 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 14.

 

     

     Рисунок 14 - 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 [41].

 

 

     

     Рисунок 15 - 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.