Оценка кредитоспособности заемщика. Технология Data mining

Калдарова А.Т.

Международная Академия Бизнеса,

«Финансы», магистрант

г. Алматы

Научный руководитель: Баишев Б.Т.

Оценка кредитоспособности заемщика. Технология Data mining

Мы живем в ХХI веке, век- информационных технологий. В мире бизнеса информационные технологий играют очень большую роль, являясь важнейшим источником и средством развития. Руководство финансовых структур хорошо понимают, что использование в бизнесе последних достижений в мире ИТ могут вывести бизнес на новый уровень. Поэтому, успех в предпринимательской деятельности будет сопутствовать тем руководителям, кто лучше всех будет знать и владеть современными методами управления. На сегодняшний день, в связи с бурным развитием современных технологий все больше финансовых институтов делают ставку на информационные технологии и на профессионализм сотрудника. Оптимизация и автоматизация процессов присутствует практически во всех сферах, в том числе и в банковской сфере. Без автоматизаций банковская деятельность в Республике Казахстан была бы не конкурентоспособна. Так как для принятия управленческих решений один из ключевых моментов является информация. На основе обработки и хранения данных, метода сбора, передачи и происходит преобразования банковской информации. В финансово-кредитной системе технологии помогают качественному и эффективному выполнению разнообразных банковских функций. Но сама технология без необходимой системы именно для этого бизнеса в рыночных условия будет неэффективно и нежизнеспособна.

Информационные системы в банковской сфере, так же как и ERP system-ы состоят из разнообразных модулей, которые отвечают за тот или иной процесс. Например, модуль в котором автоматизирован процесс расчет –кассового обслуживания, учет клиентских операций, модуль где отслеживает, контролируется работа с пластиковыми картами, модуль депозитарного, вексельного учета итд. Все модули взаимосвязаны между собой. В том случае, если в одном модуле ввели не корректную информацию, то она отражается во всех остальных модулях. Особо хочется отметить «Модуль отчетности» , где система выгружает отчет, который необходим руководителю для принятие решений. Ведь одной из основных задач руководителей казахстанких банков  является эффективно управлять информационными, финансовыми и другими ресурсами для достижения целей поставленных перед ними. С каждым годом растут потребности в информаций – в достоверной информаций.  И со временем стало ясно, существующие системы не дают ту картину, которая необходимо для всех сотрудников банковской сферы. Поэтому для совершенствования управления были разработаны силами разных IT компаний информационно – аналитические системы. Требование к этой системе намного жестче, чем к существующим управленческим системам, скажем так, имеет фокус на более интеллектуальную направленность. На данный момент аналитических систем для банковских сфер много, но к сожалению в нашей республике не все банки ощущают потребность в нем. Ведь всегда переход к новому сопровождается консерватизмом, противостоянием и со стороны руководство и со стороны сотрудников.

С каждым годом применения технологии интеллектуального анализа  данных в финансовой сфере становится актуальнее. Интеллектуальный анализ данных (Datamining)- собирательное название, используемое для обозначения совокупности методов обнаружения в данных ранее неизвестных, нетривиальных, практически полезных и доступных интерпретации знаний, необходимых для принятия решений в различных сферах человеческой деятельности [1]. Более короткое определение будет звучать как обнаружение знаний в базах данных.

Цель – выявление скрытых  закономерностей и правил в наборах  данных. Человеческий разум не способен воспринимать большие массивы разнородной  информациии улавливать более двух – трех взаимосвязи в выборках. Но нельзя забывать что, математическая статистика долгое время являлась основным инструментом. Этот метод использует усредненными характеристиками выборки, поэтому полезен только для проверки заранее подготовленных / сформулированных гипотез.  Технология Data mining обрабатывает, распознает, анализирует информацию с целью автоматического поиска шаблонов, так называемых паттернов. Отличие от обычной оперативной аналитической обработки, является то, что формулировка гипотез и выявления необычных шаблонов переложили с человека на компьютеры. Data mining можно использовать в любой сфере, где есть данные. Многие коммерческие предприятия где развернут этот инструмент, отзываются что отдача достигает 1000%. Деловым людям, руководителям, аналитикам Data mining представляет большую ценность. Ведь в перспективе для эффективных управленческих решений использование таких аналитических систем  с интеллектуальным анализом данных хорошо помогут  . Необходимость в обработке данных подтверждается рядом факторов, имеющихся в Казахстане: невозврат кредитов, увеличение  случаев мошенничества, жесткая конкурентная борьба, большие объемы информации финансовых институтов в частности банки. Процветание и успешное развитие  банка зависит от его способности адекватно и оперативно реагировать на изменения внешней среды, так же возможность прогнозирования результатов тех или иных воздействий. Основные задачи, решаемые с использованием инструментов Dataminig: полный анализ кредитного риска, привлечение и удержание клиентов, оценка изменений клиентуры бизнеса, прогнозирование остатка на счетах клиентов, управление ценными бумагами, выявление случаев мошенничества с кредитными карточками, оценка прибыльности инвестиционных проектов, оценка интенсивности конкуренции и ближайших конкурентов, профилирование наилучших достижений, улучшение качества архивной финансовой информации, верификация данных по значениям.

В данной статье речь пойдет об одном из методов оценки риска  при кредитовании физических лиц, основанном на применении технологии интеллектуального анализа данных (Data Mining). Можно привести давно всем известную цепочку связанных событий: чем меньше рискует банк при предоставлении кредита, тем меньше процентная ставка, предлагаемая этим банком; чем меньше процентная ставка, тем больше клиентов обратится именно в этот банк; чем больше клиентов обратится в банк, тем большую прибыль получит банк, а это одна из основных целей коммерческой деятельности. Риск, связанный с невозвратом суммы основного долга и процентов, можно значительно снизить, оценивая вероятность возврата заемщиком кредита. Данная статья посвящена одному из ключевых моментов в кредитовании физических лиц – определению кредитоспособности потенциального заемщика. Кредитование физических лиц является дорогостоящей процедурой с большим объемом обработки информации. Для того, чтобы банк мог определить кредитоспособность физического лица, ему в первую очередь необходимо оценить финансовое положение и личные качества. При этом кредитный риск складывается из риска невозврата основной суммы долга и процентов по этой сумме. Сейчас многих банки используют для оценки риска кредитования заемщика скоринг кредитование. Смысл этой методики, состоит в том что любой фактор, характеризующий заемщика определяется количественной оценкой. Далее, получив по всем пунктам оценку, суммируя баллы, мы получаем итог – на сколько кредитоспособен данный заемщик. Каждый параметр имеет максимально возможный порог, который выше для важных вопросов и ниже для второстепенных. На сегодняшний день известно достаточно много методик кредитного скоринга. Одной из самых известных является модель Дюрана [3]. Дюран выявил группы факторов, позволяющих максимально определить степень кредитного риска. Также он определил коэффициенты для различных факторов, характеризующих кредитоспособность физического лица:

1. Пол: женский (0.40), мужской (0)
2. Возраст: 0.1 балл за каждый год свыше 20 лет, но небольше, чем 0.30
3. Срок проживания в данной местности: 0.042 за каждый год, но небольше, чем 0.42
4. Профессия: 0.55 – за профессию с низким риском; 0 – за профессию с высоким риском; 0.16 – другие профессии
5. Финансовые показатели: наличие банковского счета – 0.45; наличие недвижимости – 0.35; наличие полиса по страхованию – 0.19
6. Работа: 0.21 – предприятия в общественной отрасли, 0 – другие
7. Занятость: 0.059 – за каждый год работы на данном предприятии

Также он определил порог, перейдя который, человек считался кредитоспособным. Этот порог равен 1.25, т. е. если набранная сумма баллов больше или равна 1.25, то потенциальному заемщику выдается испрашиваемая им сумма.

Главным  минусом скоринговой системы оценки кредитоспособности физических лиц является то, что она плохо адаптируема. А для того чтобы получить объективную оценку по кредитоспособности заемщика, необходимо отражение в системе реальности дел. Адаптировать модель просто крайне необходимо как для разных периодов времени, так для разных регионов страны. Потому как, возможность жителей в разных районах, регионах разнятся .Еще один метод интеллектуального анализа данных – деревья решений. Для того, чтобы решить  выше поставленную  задачу применим алгоритм, решающих задачи классификации. Задача классификации – это задача отнесения какого-либо объекта (потенциальный заемщик) к одному из заранее известных классов (Давать/Не давать кредит). Такого рода задачи с большим успехом решаются одним из методов Data Mining – при помощи деревьев решений. Деревья решений – один из методов автоматического анализа данных. Получаемая модель – это способ представления правил в иерархической, последовательной структуре, где каждому объекту соответствует единственный узел, дающий решение.

Как мы видим, в финансовой сфере, особенно на нынешний день очень  актуальной темой является кредитование. И для чтобы сэкономить материальные и временные ресурсы, на помощь идут автоматизированные системы. В данной статье рассматривали аналитические системы с возможностью интеллектуального анализа данных, технологии Data mining. При максимальном использовании данного инструмента, можно получить очень хороший результат при достижении поставленной задачи. как показывает практика, использование предобработки исходных данных позволяет значительно улучшить качество результата и является важным этапом при комплексном подходе к решению любой задачи анализа данных.

Источники:

1. www.wikipedia.org
2. www. bankmib.ru
3. «The Power to Know», SAS Institute
4. Вендров А.М. «Проектирование программного обеспечения экономических информационных систем»: учебник для вузов. –М.: Финансы и статистика. 2003г.