Скоринг: выехать на кредитной машине. Что такое скоринг и как он работает
Средний размер ипотечного займа за март 2014 составил порядка 1.5 млн рублей . Средний размер автокредита составляет
не менее 0.5 млн рублей . Спасибо за предоставленные ссылки.
Исходя из вышеприведенных цифр, можно предположить, что банк умудрился за месяц выдать кредит около двумстам тысячам человек.
Конечно, в этом банке используют скоринговые системы.
Я узнал про скоринговые системы пару лет назад и был потрясен. Сама идея, что бездушная машина может принимать решение о выдаче кредита на основе статистических данных, не выходила из головы. Я захотел поиграть в банк и проверить, выдаст ли компьютер кредиты моим друзьям, just for fun. Настоящие скоринговые системы я никогда не видел, но решил, что это и неважно, напишу сам.
Сказано - сделано.
Осторожно, много изображений!
Вступление
Конечно, это лишь модель, на которой можно обучать студентов-экономистов младших курсов,зато все мои друзья теперь знают что дифференцированные платежи выгоднее аннуитетных.
Программа написана 2 года назад, за 2 недели, на C# + MSSQL.
Сейчас случайно откопал ее и решил показать хабрасообществу. А вдруг какой-нибудь мелкий банк купит?
Открыл код, испугался, добавил немножко многопоточности и закрыл.
SQL-запросы прямо в обработчиках - это ужасно, я знаю. Но доделывать неинтересно, уже наигрался.
Разработка
Алгоритм с точки зрения клиента примерно такой:- Клиент заполняет анкету с вариантами ответов.
- Далее выбирает сумму кредита, в базе данных создается заявка.
- Система считает баллы за выбранные ответы и определяет, выдать кредит или нет.
- Если кредит одобрен, в базе данных создается договор и таблица платежей.
- Клиент выполняет платежи.
- Когда накопится статистика, можно посмотреть, какие критерии клиента влияют на его платежеспособность.
- ???????
- PROFIT!
Значит, для начала нужна анкета, которая по-умному называется «скоринговая карта».
На сайтах 3 крупнейших российских банков были найдены анкеты для получения потребительских кредитов. Собираем из трех одну, распечатываем и создаем экспертную комиссию. Были пойманы 15 человек, этого оказалось достаточно. Эксперт оценивает каждый критерий скоринговой карты в диапазоне от 0 до 100 баллов. Также есть следующие варианты:
- -1 балл - ответ нестандартный и оценивается кредитным специалистом.
- -10 - отказ в кредите.
Затем находится средний балл за каждый критерий и получается итоговая анкета.
| Показатель | Значение показателя | Балл |
| Фамилия | -1 | |
| Имя | -1 | |
| Отчество | -1 | |
| Дата рождения | -1 | |
| Место рождения | -1 | |
| Пол | -1 | |
| -1 | ||
| Серия, номер | -1 | |
| Кем выдан | -1 | |
| Дата выдачи | -1 | |
| Телефон | -1 | |
| Адрес | -1 | |
| Возраст | Менее 20 лет | 8 |
| 20-25 лет | 21 | |
| 25-30 лет | 36 | |
| 30-35 лет | 53 | |
| 35-50 лет | 60 | |
| 50-60 лет | 37 | |
| 60-65 лет | 15 | |
| Больше 65 лет | -10 | |
| Проживание | Собственное жилье | 47 |
| Аренда жилья | 13 | |
| Общежитие | 8 | |
| У родственников | 10 | |
| Воинская часть | 9 | |
| Другое (уточните) | -1 | |
| Гражданство | РФ | 43 |
| Другое (являюсь резидентом РФ) (уточните) | 5 | |
| Не являюсь резидентом РФ | -10 | |
| Семейное положение | Холост (не замужем) | 40 |
| Женат (замужем) | 65 | |
| Женат (замужем) но живет раздельно | 26 | |
| В разводе | 29 | |
| Вдовец (вдова) | 34 | |
| Наличие детей | Нет детей | 66 |
| Один | 57 | |
| Два | 48 | |
| Три | 36 | |
| Более трех | 24 | |
| Наличие иждивенцев | Нет | 66 |
| Один | 57 | |
| Два | 48 | |
| Три | 36 | |
| Более трех | 24 | |
| Уровень образования | Ниже среднего | 11 |
| Среднее | 21 | |
| Среднее специальное | 33 | |
| Незаконченное высшее | 39 | |
| Высшее | 58 | |
| Несколько высших | 77 | |
| Ученая степень | 84 | |
| Занимаемая должность (позиция) | Руководитель (дир., зам.дир., гл. бух.) | 94 |
| ИП | 92 | |
| Госслужащий | 47 | |
| Военнослужащий | 56 | |
| Специалист | 46 | |
| Спортсмен | 30 | |
| Рабочий | 32 | |
| Студент (неработающий) | 9 | |
| Пенсионер (неработающий) | 8 | |
| Безработный | 0 | |
| Количество мест работы за последние 3 года | Одно | 52 |
| Два | 38 | |
| Три | 21 | |
| Более трех | 9 | |
| Стаж на данном месте работы | Менее 1 года | 7 |
| До 3 лет | 24 | |
| До 5 лет | 40 | |
| Более 5 лет | 56 | |
| Общий стаж работы | Менее 1 года | 10 |
| До 3 лет | 20 | |
| До 10 лет | 37 | |
| Более 10 лет | 62 | |
| Вид деятельности организации | Финансы, банки, страхование | 37 |
| Консалтинговые услуги | 32 | |
| Строительство | 39 | |
| Органы власти и управления | 42 | |
| Промышленность и машиностроение | 37 | |
| Инофрмационные технологии/телекоммуникации | 38 | |
| Оптовая и розничная торговля | 35 | |
| Транспорт | 30 | |
| Туризм | 36 | |
| Охранная деятельность | 34 | |
| Образование | 32 | |
| Медицина | 30 | |
| Наука | 33 | |
| Вооруженные силы | 31 | |
| Социальная сфера | 21 | |
| Другие отрасли (уточните) | -1 | |
| Среднемесячные доходы | -1 | |
| Среднемесячные расходы | -1 | |
| Собственность недвижимого имущества | Гараж | 38 |
| Квартира | 58 | |
| Дом | 65 | |
| Дача | 51 | |
| Земельный участок | 63 | |
| Другое (уточните) | -1 | |
| Наличие транспортного средства | Наименование, марка, год выпуска (уточните) | -1 |
| Нет транспортного средства | 0 |
Эта анкета заносится в систему.
Вообще, обязательных вопросов всего 2 - «Среднемесячные доходы» и «Среднемесячные расходы». Без них нет смысла в кредитовании вообще. Остальные вопросы можно изменять, удалять, или добавлять свои.
Кнопка «Сортировать» определит максимальный и минимальный балл скоринговой карты, а также определит тип вопроса.
При прохождении анкеты элементы создаются автоматически. Если у вопроса один ответ, он будет отображаться как поле, если больше 1 ответа, он превращается в выпадающий список. Так выглядит анкета с точки зрения клиента.
А это клиент указал наличие транспортного средства, и описал его. Кредитный специалист оценил в баллах данный критерий.
Оценка системой анкеты.
Чистый среднемесячный доход - это разница между доходами и расходами. Для повышения гарантии платежа, в программе учитывается понижающий коэффициент платежа от чистой прибыли, например 0.7. Это значит, если клиент указывает 100 рублей чистой прибыли в месяц, банк рассчитывает до 70 рублей ежемесячного платежа. Чистый доход умножается на данный коэффициент. Коэффициент можно изменять в настройках.
У анкеты существует верхний и нижний предел прохождения. Нижний предел уменьшает количество одобренных кредитов, но повышает платежеспособность клиентов. Верхний предел отсекает мошенников, которые создают идеальные анкеты для максимально выгодного кредита. Верхний и нижний пределы задаются в процентах, их можно изменять в настройках. Если анкета клиента, а точнее, сумма баллов за анкету проходит в окно между верхним и нижним пределами, кредит считается одобренным. Теперь клиент может выбрать одно из кредитных предложений, сумму и продолжительность выплат. Выплаты можно посчитать аннуитетными или дифференцированными платежами.
Клиент хочет получить 230 000 рублей со сроком выплаты 24 месяца дифференцированными платежами под 22,5 процента. За 24 месяца клиент выплатит 283 906 рублей.
Вот график платежей.
Потными от волнения руками нажимается кнопка «Оформить». Первый платеж клиента самый большой, он составляет 13 896 рублей. Месячная платежеспособность клиента определена в 14 611 рублей, поэтому банк согласен выдать кредит.
Ура! Если кредит одобрен, создаются заявка, договор и таблица платежей.
Обратите внимание на статус - клиент плохой. Статусов всего 2 - хороший и плохой. Почему плохой, клиент же только что взял кредит? Дело в том, что первый платеж должен поступить уже сегодня.
Система определяет статус клиента по таблице платежей. Для каждого платежа указана дата. Определяются платежи, которые на сегодняшний день уже должны быть оплачены. Клиент признается плохим, если количество невыплат:
- ≥ 1/3 от всех платежей по договору, или
- ≥ 4 (задается в настройках).
Платеж оплачен, транзакция прошла!
Если честно, то номера счетов, договоров, заявок и транзакции платежей генерируются случайным образом, и для работы системы не нужны вообще. Но я же солидный банк!
Зато клиент стал хорошим.
Грязный хак - можно хорошего клиента сделать плохим, отменив его платежи.
Статистика
И наконец-то добрались до самого интересного - статистики!Список вопросов формируется из анкет клиентов, которым одобрен кредит.
Можно выбрать любой вопрос и смотреть соотношение хороших/плохих клиентов.
Кредитное предложение «Добрый кредит»
Можно создавать свои кредитные предложения. Редактор позволяет задать максимальную сумму и длительность выплат, выставить процентную ставку в зависимости от размера кредита.
А теперь я хочу взять 140 000 рублей на год под «Добрый кредит».
Переплата 303 рубля - мечта!
Но вот все друзья получили кредит, статистика идеальна, рынок насытился. Банк в стагнации. Что делать? НУЖНО БОЛЬШЕ КЛИЕНТОВ! Где их взять? Сгенерировать!
Генерация клиентов
Были найдены текстовые файлы:- список населенных пунктов РФ
- список мужских имен
- список женских имен
- список фамилий
Итак, генератор для стандартной анкеты:
| Вопрос | Ответ |
| Пол | Случайно |
| Имя | Из списка |
| Фамилия | Из списка |
| Отчество | Имя из списка плюс «ович» или «овна» |
| Место рождения | Из списка |
| Дата рождения | От 1940 г. до 1997 г. |
| Документ, подтверждающий личность | Паспорт |
| Номер паспорта | От 0000 000000 до 9999 999999 |
| Дата выдачи | Любой момент, с тех пор как клиенту исполнилось 14 лет |
| Место выдачи | Из списка |
| Среднемесячные доходы | От 4 тыс. до 60 тыс. руб. |
| Среднемесячные расходы | От 2 тыс. до 30 тыс. руб. |
| Остальные вопросы | Случайно |
| Кредитное предложение | Случайно |
| Сумма кредита | От 1 тыс. руб. до максимальной суммы кредитного предложения |
| Количество месяцев выплат | От минимального до максимального для данного кредитного предложения |
Хотя доходы в 2 раза превышают расходы, все равно иногда попадается, что чистый доход отрицателен.
Если выбран ответ с уточнением, заявка аннулируется, а в строке состояния появляется подпись «Невозможно сгенерировать заявку с уточнением».
Если кредит одобрен, то генерируются выплаты. Вероятность неплатежа равна 1/20, но некоторым клиентам не везет и они пропускают по 4 платежа подряд.
Генератор был вынесен в главное меню, можно создать 1 или сразу 200 заявок.
Также генератор есть при прохождении анкеты.
Баллы сгенерированных клиентов подчиняются нормальному распределению. Крайний левый столбец - это те, кому отказано в кредите.
В анкетах конечно получаются глупости, зато статистика сразу стала повеселее!
Вывод - худшим клиентом является холостой (незамужняя) индивидуальный предприниматель, с несколькими высшими образованиями.
Могут понадобиться
Повышение доходности кредитного портфеля банка напрямую зависит от грамотного управления кредитными рисками. И именно скоринговые системы позволяют снизить риски без потери доходности, предложив ответ на ключевые вопросы: насколько проблематичной будет работа банка с конкретным заемщиком, какое значение кредитного лимита установить, и вернет клиент кредит или нет.
В 1941 г. Дэвид Дюран впервые применил методику классификации кредитов на «хорошие» и «плохие». Он определил не только группы факторов, позволяющие максимально определить степень кредитного риска, но и коэффициенты, характеризующие кредитоспособность частного клиента. Таким образом, заемщик, который преодолел пороговое значение, набрав достаточное количество баллов, потенциально мог получить запрашиваемую сумму. Идея Дюрана получила продолжение - вскоре в Сан-Франциско образовалась первая консалтинговая фирма в области скоринга Fair Issac, а несколько позже, с появлением новых массовых кредитных продуктов (кредитных карт), к идее скоринга обратились все финансовые учреждения США.
По сути, скоринг является методом классификации совокупности заемщиков на различные группы, когда необходимая характеристика не известна, однако, известны другие характеристики, которые каким-либо образом коррелируют с интересующей. На практике, в зависимости от задач анализа заемщика, кредитный скоринг включает application-скоринг - оценку кредитоспособности претендентов на получение кредита (скоринг по анкетным данным используется в первую очередь), behavioral-скоринг - оценка вероятности возврата выданных кредитов (поведенческий анализ), а также collection-ско-ринг - оценка возможности полного либо частичного возврата кредита при нарушении сроков погашения задолженности (расчет рисков по портфелю).
Известные сегодня разработки SAS, KXEN, Experian, SPSS, EGAR - это не специализированные программные средства для скоринга, а универсальные аналитические инструменты (Data Mining), так называемое «интеллектуальное ядро», которое можно в том числе использовать и для построения собственных скоринговых моделей. Поэтому, в более полном понимании, скоринговая система изнутри представляет собой сложную систему автоматизации выдачи потребительских кредитов в банковских отделениях, торговых точках, через интернет, которая в качестве аналитического ядра использует решение одной из известных компаний-разработчиков.
Сам по себе скоринг - это не только работа с определенными скоринго-выми моделями, но и построение скоринговой инфраструктуры. Так, во многих Data mining продуктах результат анализа статистических данных (матмо-дель) можно сохранить в виде программного кода, а его вставить в банковское программное обеспечение. То есть, под скоринговой системой подразумевают специальное программное обеспечение, с помощью которого можно рассчитать необходимый показатель на основе исходных данных (рисунок). Скоринговая карта - это набор утвержденных банком определенных характеристик и соответствующих весовых коэффициентов (в баллах).
Скоринговых карт в банках обычно несколько, поскольку они сильно зависят от кредитных продуктов. К примеру, под недвижимость необходима одна карта, а на покупку автомобиля уже совершенно другая. По мнению экспертов, можно использовать и одну общую карту, однако это неудобно для пользователей. Моделей также почти всегда несколько. Обычно заявка на кредит проходит через большое количество моделей, причем для разных категорий лиц могут применяться различные модели даже на одной скоринговой карте.
В процессе эксплуатации скоринговой системы важен мониторинг качества и эффективности работы скоринговой модели. Обычно именно здесь специалисты видят одну из основных проблем кредитного скоринга
Упрощенная модель работы скоринговой системы
ОГРАНИЧЕНИЯ СКОРИНГА И ДЕРЕВО РЕШЕНИЙ
Одной из основных трудностей известных скоринговых систем, как и всех технологических решений в сфере core banking, является плохая адаптируемость. Дело в том, что с течением времени могут меняться условия, в которых функционирует заемщик. А значит, скоринговые модели необходимо актуализировать на наиболее «свежих» клиентах, периодически перепроверяя и, при необходимости, разрабатывая новую модель, как для различных периодов времени, так и для различных регионов. В Западной Европе новая модель разрабатывается в среднем раз в полтора года. В условиях Украины максимальным периодом будет полгода-год. Период между заменой модели может изменяться в зависимости от конъюнктуры рынков и стабильности экономики в это время.
Для адаптации скоринговой модели специалисту финансового учреждения необходимо определить коэффициенты для различных факторов, характеризующих кредитоспособность частного клиента. А значит, аналитик должен быть в состоянии оценить текущую ситуацию на рынке. Результатом работы будет набор факторов с весовыми коэффициентами и пороговое значение (балл отсечения), которые являются весьма субъективным мнением и зачастую являются статистически необоснованными.
Преодоление таких ограничений скоринга решается с помощью инструментов Data minig. Наиболее распространенным методом автоматического анализа данных является построение дерева решений. Поставщики решений уверены: для того чтобы получить обоснованные выводы, не обязательно быть статистиком. К примеру, AnswerTree (продукт SPSS) автоматически строит дерево, позволяя на базе диалоговых окон даже неподготовленному пользователю начать работу с программой. Сам AnswerTree автоматически просеивает данные и находит статистически значимые группы.
С помощью интуитивно понятных древовидных диаграмм, графиков и таблиц программа самостоятельно сегментирует данные, при этом аналитику необходимо лишь указать целевую переменную, переменные-предикаторы и выбрать алгоритм построения дерева решений. Удобно, что древовидная диаграмма, которая похожа на блок-схему, позволяет визуализировать выделенные сегменты и закономерности в данных.
Для получения максимально достоверных результатов обычно рекомендуется обучить модель на подвыборке, а затем протестировать надежность на оставшихся данных. Насколько хорошо модель описывает данные, можно увидеть, переключаясь с обучающей модели на контрольную. Представить результаты анализа можно в любом формате, к примеру, вывести информацию по каждому узлу в виде таблицы или графика.
Правильно построенное на данных прошлых периодов дерево решения обладает еще одной очень важной особенностью, а именно, «способностью к обобщению». Это означает, что если возникает новая ситуация, можно с достаточно большой долей уверенности сказать, что вновь обратившийся заемщик поведет себя так же, как и те заемщики, характеристики которых схожи с характеристиками новых клиентов.
КРИТЕРИИ ВЫБОРА
Критерии выбора скоринговой системы напрямую зависят от задач. Большинство украинских банков воспринимают скоринг довольно узко, как процесс математического расчета скорингового балла на основе введенных данных. При этом часто роль скорин-говых систем нивелируется до уровня «скорингового калькулятора». А ведь скоринговый комплекс можно использовать не только для полной автоматизации работы инспекторов, но и для решения других важных задач - работы с «плохими кредитами», оптимизации маркетинговых кампаний и сегментации клиентской базы, борьбы с мошенничеством, анализа технических сбоев и управления ликвидностью.
Помимо определенности в том, нужен ли кредитной организации просто «скоринговый калькулятор» или автоматизация всего бизнес-процесса скоринга, важную роль играют также:
- известность бренда (для банков, делающих ставку на рост капитализации);
- гибкость системы (возможность сохранения формата карты при корректировке методики расчета балла, и в более широком смысле слова «гибкость» - при интеграции в информационную среду банка, учета украинской специфики и другое);
- способность системы работать на малом объеме кредитных историй с возможностью получения удовлетворительного результата;
- применяемые статистические/математические методы;
- скорость внедрения системы;
- наличие поддержки.
Главным препятствием на пути внедрения каких-либо скоринговых систем, по мнению Яны Нидельской, начальника управления кредитных операций «Агрокомбанка», все-таки остается отсутствие накопленной информации. Лишь при этом условии можно говорить о высокой степени достоверности получаемых в результате данных. Использование же комплексных скоринговых систем на банковском рынке Украины целесообразно лишь для крупных системных банков, которые делают основной упор на розничное кредитование - когда оно поставлено на поток (в особенности ипотека и автокредитование).
ТИПЫ СКОРИНГОВЫХ СИСТЕМ
Скоринговая система традиционно состоит из модуля подготовки исходных данных, аналитического модуля и модуля отчетности.
Данные системы скоринга, могут быть трех типов. Первый тип - знания персонала кредитных отделов банков о конкретных типах кредитных продуктов (потребительских, авто и ипотечного кредитования) и своих клиентах. Второй тип данных - статистика по уже выданным кредитам, учитывающая «хороших» и «плохих» заемщиков. И, если банк не обладает ни одним из типов указанных данных - ни экспертными знаниями, ни статистикой выданных кредитов, модель, лежащая в основе системы скоринга, преимущественно строится на основе региональных и отраслевых данных.
Все фронт-офисные решения для автоматизации процесса потребительского кредитования в большинстве случаев представляют собой Web-приложения, что обеспечивает хорошую масштабируемость системы и простоту подключения к процессу выдачи кредитов новых отделений банка и представительств в торговых точках.
Есть предложения разработчиков скоринга для Украины, которые обеспечивают автоматизацию всего процесса (одновременно создание скоринговой карты и автоматизацию подачи заявки и процесса принятия решения). На рынке есть предложения западных поставщиков (часто дорогие брендовые решения, ориентированные на крупные банки) и украинских компаний-представителей (простые и дешевые расчетные системы-«калькуляторы», где учтена специфика отечественного рынка).
Наиболее известными западными скоринговыми системами сегодня являются SAS Credit Scoring, EGAR Scoring, Transact SM (Experian-Scorex), K4Loans (KXEN), Clementine (SPSS). Среди разработчиков из СНГ - BNS, Basegroup Labs. Наиболее серъезными и дорогими являются решения SAS (около 200 тыс. дол.), достойными также считаются разработки KXEN (около 30 тыс. дол.).
Практически посередине ценового диапазона стоит предложение по скорингу компании EGAR Technology, которая, с одной стороны, является западным вендором, предлагающим скоринговую систему, использующую классические западные модели, с другой стороны,- это решение (EGAR Scoring) максимально адаптировано к украинским условиям и дополнено специальными подходами - например, макроэкономическим подходом к оценке кредитоспособности заемщика, учетом особенностей самих кредитных продуктов и другими возможностями.
Рассматривая различные скоринговые решения, корректно говорить о системах для западного рынка и о системах для украинского (российского) рынка, так как есть и западные поставщики, например, EGAR, которые предлагают версию скоринга, полноценно учитывающую украинскую (российскую) специфику.
Безусловно, системы для западного рынка значительно более функциональны, чем разработки для Украины или СНГ, но заставить их работать в отечественных условиях трудно: необходимо пройти сложный процесс внедрения, интеграции и адаптации.
Сравнивая западные и отечественные системы, необходимо заметить следующее:
1. Западные системы появились намного раньше, у них большой срок эксплуатации, соответственно большой объем кредитных историй, но эти истории не подходят для украинского рынка;
2. В западных системах нет инструментов (возможностей) для работы с малыми объемами кредитных историй (что необходимо для украинского рынка). Разработки в области классического скоринга позволяют работать с ограниченными объемами кредитных историй.
Еще одна особенность - большая разница между скоринговыми картами в зависимости от локальных рынков и для разных банковских продуктов. Соответственно, западные системы недостаточно гибки для отечественного рынка.
ИНТУИТИВНЫЙ СКОРИНГ
При реализации системы скоринга в Украине традиционно работает два подхода. Первый - классический (ретроспективный) скоринг на основе анализа исторических данных с применением современных математических методов, когда такой анализ позволяет выбрать самые значимые поля для анкеты заемщика и другие показатели.
Второй - это скоринг «по правилам», когда просто, например, экспертом, задаются правила оценки кредитоспособности, и программа автоматизирует этот алгоритм без применения каких-либо статистических методов анализа исторических данных.
Сегодня именно второй вариант чаще всего работает не только в средних и малых банках, но и во многих крупных. За последний год, однако, заметно активизировался спрос и на первый вариант, так как появились небольшие, но все-таки значимые объемы кредитных историй по некоторым рынкам.
К примеру, в «Агрокомбанке», как и в большинстве малых и средних банков, используется скоринговая система собственной разработки (с учетом опыта других банков). Это своего рода комплексная оценка, включающая ряд объективных и субъективных показателей. К объективным показателям относятся финансовые показатели деятельности предприятия, а основные направления в оценке по объективным показателям традиционно регламентируются 279 Постановлением Национального банка («
о порядке формирования и использования резерва для возмещения возможных потерь по кредитным операциями банков»). Что касается субъективных показателей - здесь гораздо больше свободы выбора, и банки обычно используют такие факторы, как кредитная история, репутация, территориальное размещение, объем и качество обеспечения.
В крупном банке «Надра» также используют скоринг «по правилам». По словам Андрея Шутова, и. о. директора департамента риск-менеджмента банка «Надра», скоринго-вая система, используемая «Надра»,- это авторская разработка собственных специалистов, которая была создана при участии финансовых консультантов из других стран. Система проста: клиент предоставляет банку минимальный пакет документов - информация заносится в систему - система суммирует данные и дает ответ, указывая степень банковского риска в каждом конкретном случае.
В качестве фактора, который обозначает доминирование скоринга «по правилам», в Украине можно отметить и малое распространение в банковской среде статистических пакетов типа SPSS и SAS. Ведь, не так уж много требуется, чтобы начать анализировать своих клиентов,- ретроспектива прошлых клиентов и статистический пакет.
Ожидается, что в ближайшие несколько лет именно на системы статистического скоринга («скоринг по правилам», «макроэкономический скоринг») будет расти спрос по мере накопления достаточного количества кредитных историй («скоринг по правилам», скорее всего, будет применяться для ипотеки).
В «Дельта-банке», по информации Андрея Ладановского, начальника управления рисками, используются скоринговые карты, разработанные экспертами банка. Работа происходит следующим образом: берутся существующие кредиты с негативной и позитивной кредитной историей, статистическими методами выделяются показатели, которые влияют на кредитную историю, каждому показателю присваивается определенный вес в общей оценке. Соответственно, анкета клиента проходит через систему автоматических проверок на целостность заявки. В результате заемщику автоматически присваивается определенный внутренний рейтинг, что определяет условия кредитного договора.
На текущий момент наиболее эффективным является сочетание нескольких методов скоринга статистического и скоринга «по правилам». Тот факт, что в системе реализованы инструменты, которые позволяют совместить статистический подход и «скоринг по правилам», а также учесть региональную специфику рынка и кредитных продуктов, позволяет говорить о том, что ее можно эффективно использовать в странах с развивающейся экономикой - в России, Украине и Казахстане.
По данным экспертов, у «Райффайзенбанк Украина» (теперь ОТР) также была система, разработанная внутренними ресурсами. Банк «Ренессанс» использует разработку на базе Fair Isaak. Среди отечественных банков, занятых в рознице, уже намечается тенденция к переходу на именитых поставщиков.
УПРАВЛЕНИЕ ПРОБЛЕМНЫМИ АКТИВАМИ
Одна из интересных возможностей, которая открывается перед кредитной организацией с внедрением эффективной системы кредитного скоринга - это участие в торговле портфелями проблемных активов. 2004 год в Европе ознаменовался бумом продаж сомнительных кредитов иностранным инвесторам. Так, Morgan Stanley приобрел портфель сомнительных кредитов итальянского Banca Nazionale del Lavoro на сумму 430 миллионов евро. Чуть позже Dresdner и Hypo Real Estate также провели реструктуризацию портфелей и реализовали их иностранным покупателям.
В качестве причин активности на рынке NPL (проблемных кредитов) аналитики сходны рассматривать высокую конкуренцию и насыщение кредитных рынков Европы, более жесткие требования рейтинговых агентств и новых нормативов Базель 2, а также давление со стороны собственников. Во многом из-за этого продажа части, а то и всего портфеля NPL считается рациональным выходом для банковских учреждений, так как позволяет улучшить способность к возврату средств без ухудшения возможностей генерирования будущих денежных потоков.
Иными словами, когда показатель проблемных кредитов превышает некий допустимый уровень, их уже весьма невыгодно держать на балансе банка, даже если они гипотетически способны возвращать позитивный результат.
Управление проблемными активами потенциально может рассматриваться как выгодный бизнес также и на уровне украинских кредитных организаций. Средний показатель сомнительной задолженности по потребительским кредитам сегодня находится на уровне 7-12% от кредитного портфеля украинских банков. Однако, по мнению экспертов, это далеко не «мертвые» кредиты, ведь некоторые заемщики просто забывают или не успевают вовремя сделать погашение. По словам Андрея Ладановского, «плохой кредит» не всегда однозначно отрицательное явление, так как теоретически самым выгодным клиентом является тот, который платит весь долг с просрочкой, погашая еще и штрафные начисления. Кроме того, важно учитывать диверсификацию по типам кредитования - задолженность по потребительским кредитам и по ипотеке отличается в разы, впрочем, как и средняя доходность по данным видам продуктов.
Единственная проблема, которая сегодня является весомой преградой в деле секью-ритизации и торговле банковскими активами - это отсутствие в украинских банках опыта реструктуризации кредитной задолженности. Согласно доступной статистике, профессиональных мошенников в общей структуре задолженности отечественных банков пока около 1,5-2%, но реального положения дел не знает никто. Таким образом, создание фондов, которые могли бы управлять сомнительной и безнадежной задолженностью украинских заемщиков, может оказаться бизнесом с большой долей риска.
В этих условиях наиболее вероятными покупателями «плохих кредитов» могут выступить скорее коллекторские компании, чем специальные фонды. Так, недавно на рынке появилась киевская «Credit Collection Group» (ССG), которая основывает свою деятельность на работе с просроченной задолженностью.
ПЕРСПЕКТИВЫ И РАЗВИТИЕ СКОРИНГА
Сейчас, за некоторыми исключениями, ни у одного украинского банка нет действующей классической системы скоринга, а кредитоспособность заемщиков обеспечивается преимущественно собственными программными продуктами.
Такая ситуация объективна - намерение внедрить достойное скоринговое решение зачастую наталкивается на отсутствие необходимых исторических данных и возможности применить какой-либо статпакет. Поскольку вся доступная статистика содержится на бумаге и в кредитных делах экспертов, то для создания необходимого «кредитного кладбища» из 10-20 тысяч заемщиков может понадобиться мобилизация значительных ресурсов, на что сегодня готово далеко не каждое финансовое учреждение.
В ближайшее время развитие рынка кредитных продуктов для частных лиц в Украине по прогнозам будет определяться такими тенденциями:
- рост интереса к «классическому» скорингу будет происходить по мере накопления кредитных историй;
- крайне актуальной будет становиться задача улучшения качества кредитного портфеля;
- все более важным станет вопрос управления бизнес-процессом скоринга, а не просто «калькулятор»;
- в столице некоторые сегменты рынка прогнозируемо исчерпают себя (потребительское кредитование будет постепенно вытесняться кредитными картами);
- стоимость входа на рынок розничного кредитования резко увеличится, а значит, выйти на рынок новым игрокам станет сложнее.
При обращении за кредитом потенциальные заемщики часто слышат от сотрудников банка такие понятия как: скоринг, скоринговая система, кредитный рейтинг, кредитная история. Но при этом не все достаточно хорошо понимают, что означают эти термины. Попробуем разобраться, что это такое, зачем нужно и как это работает. А главное — как скоринг влияет на получение кредита и вообще на жизнь заемщика. В том числе, даже спустя несколько лет после обращения в кредитную организацию.
Что такое скоринговая система?
Скоринг или скоринговая система — это система оперативной оценки клиента (потенциального заемщика), которой преимущественно пользуются розничные банки и микрофинансовые компании. Название происходит от английского слова “score”- что означает зарабатывание/ подсчет очков, например, в игре.
Так за возраст менее 28 и более 35 лет клиент скорее всего будет получать снижающие баллы, аналогично — за проживание в более криминальных районах города и за работу, где не требуется высокой квалификации (например, официант). Как ни странно, съемная квартира и дети – могут оказаться фактором, прибавляющим баллы (клиент умеет планировать финансы, уверен в будущем).
Компании, которые продают скоринговые системы по всему миру имеют возможность глобально отслеживать взаимосвязь тех или иных факторов и поведения заемщика. Оказалось, что в независимости от страны — женщины аккуратнее гасят кредиты, аналогично поступают и более старшие по-возрасту клиенты, аналогично – семейные пары с детьми (у них у всех выше ответственность). А вот за уровень образования- баллов в российском банке скорее всего почти не добавят, скорее — за опыт работы более 3-5 лет.
Кроме того, в ряде случаев, когда сотрудник банка имел возможность лично пообщаться с клиентом, он дополняет его профиль своими субъективными впечатлениями – о его адекватном поведении, внешнем виде, одежде, классе мобильного телефона, часов, наличии дорогостоящей электроники при себе, грамотной речи, явных признаках, что клиент говорит неправду и т.п. В результате система каждому пункту анкеты присваивает оценку, и выдает в конце оценки – итоговый балл. Отдельно проверяется достоверность данных клиента — легальность паспорта, существование адреса и т.п.
Как cкоринг работает, откуда берет данные?
Есть несколько видов скоринга. Один из них был описан выше – то есть кредитоспособность клиента оценивается в момент его обращения. По тем данным, которые он сам и предоставляет (application scoring – заявочный скоринг). Сам, как правило, заполняет и анкету. В случае с микрофинансовыми компаниями – это происходит зачастую прямо онлайн в интернете.
Еще один вид скоринга – поведенческий (behavioral scoring). В зависимости о того, как клиент ведет себя с течением времени (за определенный период) банк выставляет ему более высокий кредитный рейтинг или более низкий. И в зависимости от этого уменьшает/увеличивает ему лимиты по кредитам, предлагает какие-то дополнительные услуги.
Также существует оценка потенциального мошенничества (fraud scoring).
Одно дело, когда человек получил кредит, но не рассчитал свои финансовые возможности, или внезапно заболел, потерял в доходе и т.п. И другое дело –когда имеет место заранее планируемый невозврат кредита –то есть мошенничество. Эксперты говорят, что таких случаев — порядка 10% всех невозвратов. Любой кредитор (особенно хорошо процесс отлажен в МФО) пытается еще до выдачи кредита оценить риск мошенничества со стороны заемщика.
Следует отметить, что современные системы скоринга зачастую являются самообучающимися, т.е. учитывают модели поведения клиентов, которые ранее были приняты на обслуживание. Система пытается вычислить какие-то общие черты у тех, кто впоследствии оказался мошенником, стал допускать просрочки (ретро-скоринг).
Очевидно, что скоринговые системы имеют и недостатки – большую часть данных для оценки предоставляет клиент. Перепроверка этих данных вручную при мелких суммах кредита – слишком дорогое занятие. Кроме того, даже обучающиеся системы не могут быстро перестроиться при резком изменении экономической ситуации в рамках страны. Поэтому их приходится все время дорабатывать и поддерживать.
Пользуются ли скорингом банки и МФО?
В кредитовании, пожалуй, самая дорогостоящая часть – это время на первоначальную оценку заемщика. Это и скоринг, и служба безопасности, и запрос кредитной истории в Бюро (что не бесплатно для банка), ее изучение, оценка и принятие решение на кредитном комитете банка. Для выдачи каждого кредита задействуется несколько сотрудников, как правило, с высокой оплатой труда.
Хотя у каждого банка своя кредитная политика и свои схемы одобрения кредитных заявок (более или менее бюрократические), но общий подход – минимизировать затраты времени и издержки на обслуживание каждого клиента. Кроме того, банки с более консервативной политикой оказались в более выигрышном положении во время кризиса 2008 года, чем те, кто выдавал кредиты всем подряд.
Поэтому МФО – это сейчас основные пользователи и разработчики скоринговых систем, где они пытаются оптимальным образом соединить все виды скоринга – и заявочный, и поведенческий, и оценку мошенничества. Кроме того, скоринг позволяет уменьшить и время принятия решения о выдачи кредита. В современных условиях – это значит быть более конкурентоспособным.
Поскольку обороты МФО по кредитованию населения в последний год значительно увеличились, в декабре 2013 года были также приняты поправки в закон 218-ФЗ, которые обязали МФО также подавать данные о своих заемщиках в Бюро кредитных историй.
Следует также отметить, что сегодня более, чем 30 млн. человек в России имеют кредиты. Новых, хороших, высоко-рейтинговых, клиентов – осталось немного. Это вынуждает банки предоставлять кредиты клиентам с более низкими рейтингами. Это влечет за собой удорожание их проверки и банки ищут пути снижения таких издержек. Появляются новые комбинированные системы, где большую роль начинают играть кредитные истории.
Скоринг и кредитная история
С учетом того, что треть граждан уже имела опыт по получению займов хотя бы 1 раз — на первый план выходит изучение того, насколько заемщик фактически закредитован, и насколько добросовестно он погашал кредиты в прошлом. Так по-данным банка “Связной” доля заемщиков, у которых обнаружилось 5 и более кредитов – выросла за последний год в три раза.
В связи с тем, что в Бюро кредитных историй (БКИ) теперь добавились заемщики микрофинансовых организаций и кредитных кооперативов, многие Бюро стали предлагать банкам и МФО скоринговые модели, дополненные данными, которые содержаться в БКИ. Эти скоринговые модели ранжируют заемщиков по вероятности дефолта (невозврата) займа, вероятности просрочек и т.п. Системы обрабатывают сведения о клиенте в Бюро и выставляют ему рейтинг. Добросовестные — получают наивысший балл, недобросовестные – низший. При этом результат (балл) указывается вместе с несколькими основными причинами, которые оказали наибольшее влияние на его снижение (4-5 факторов, а всего их может быть более 100).
В частности модель скоринга по кредитным историям, которую разработало НБКИ – это семь скор-карт, которые обновляются ежеквартально, чтобы учитывать изменения условий на рынке. Таким образом, Банки постепенно переходят от заявительного скоринга — на матричный (состоящий из нескольких моделей и источников). Это в 1,5 раза повышает эффективность оценки, улучшает выставление лимитов по каждому клиенту, помогает собирать просроченную задолженность.
Кроме того, кредитные бюро стали предлагать услугу – автоматически информирующую банк (без специального запроса от банка, ежедневно):
- об открытии его клиентом новых счетов в других банках
- о новых кредитах клиента
- о новых просрочках этого клиента
- об изменениях его лимитов по кредитам, овердрафтам,
- о его новых паспортных данных и т.п.
Пока эта услуга работает с оплатой по-клиентно и в рамках конкретного БКИ, что снижает возможности банка масштабно отслеживать жизнедеятельность всех клиентов. Однако вероятнее всего, в какой-то перспективе, БКИ начнут объединяться, обмениваться информацией между собой.
Вы не применяете скоринговые карты в рекрутинге? Это плохо!
После моего семинара Аналитика для HR один из участников (из кредитной организации) подошел к риск – менеджеру компании, и они (HR и риск – менеджер) заговорили на одном языке.
Что такое скоринговые карты
Скоринговые карты придут в HR из риск-менеджмента. В риск –менеджментеСкоринговые карты - Набор характеристик (возраст, доход, профессия, стаж работы, наличие имущества и т.д.) заемщика и соответствующих весовых коэффициентов, выраженных в баллах. Соискатель кредита сообщает о себе необходимые сведения и ему начисляется определенное количество баллов. В зависимости от числа набранных скоринг-баллов рассчитывается максимальная сумма кредита, которую банк готов был предоставить заемщику.
Вот на днях взял книгу издательства Манн, Иванов и Фербер Скоринговые карты для оценки кредитных рисков
Пример
Все мы получали кредит (или почти все). И помним, что размер выплат, первоначального взноса и сама возможность выдачи кредита зависит от нескольких параметров:- Возраст
- Доход
- Доход со-заемщика
- Количество членов семьи (ну или типа такого).
- Наличие кредитов в других банках
- И т.п…
- Возраст 35-40 лет – 94 бала
- Доход 1 500 – 2000 долларов – 75 балов
- И т.п..
Как это можно использовать в HR
Как принимается в компании решение о приеме на работу?
- Чаще на глазок.
- Иногда есть профиль требований к должности
- Иногда модель компетенций…
- Возраст
- Образование
- Опыт работы
- Компетенции
И вообще: важно ли образование? И кто в компании принимает решение: важно образование для данной должности или нет? Непосредственный руководитель? А если посмотреть бекгрануд данного руководителя и увидеть, что у него самая высокая текучесть, можно после этого дать ему полную свободу в выборе? Ну и т.п..
Скоринговые карты в HR
В идее скоринговых карт для HR зашито две (на мой взгляд) здравые идеи:- Определение веса каждого параметра кандидата
- Объективация оценки факторов
- Нелюбовь рекрутеров к excel;
- Отсутствие общей информационной культуры;
- Отсутствие соответствующей информационной инфраструктуры в виде программного обеспечения;
- Недостаточная квалификация аналитиков;
- Сопротивление менеджмента.
Светлое будущее
В результате рекрутер может по таблицам определять общий сводный бал кандидата и принимать решение о приеме / не приеме и прогнозировать успешность / неуспешность кандидата в работе.Представляете картину, когда кандидат приходит на получасовую беседу с рекрутером, а последний как тот же кредитный менеджер оценивает вас через призму анкеты.
В итоге компания выиграет на оптимизации рекрутинга, что мелочи в сравнении с тем, что компания выиграет на оптимизации работы с персоналом, повысив эффективность, выбирая только лучших, снизив текучесть персонала.
Почему это утопия?
Куда денутся все тренинги по подбору персонала? Возьмите нормального рекрутера и проведите эксперимент. Предложите на выбор изучить практику скоринговых карт или пойти на тренинг по подбору персонала к ….Потом еще 100 рекрутеров возьмите и спросите их про тоже самое…
Потом вы придете к знакомому HR-директору, который скажет: это все замечательно, но у меня вчера один отдел всем составом заявление об увольнении написал, а ты ко мне со своими планами пристаешь.
И пойдете вы к знакомому риск менеджеру чай пить…
Если все -таки вы хотите начать нелегкий путь к использованию скоринговых карт в рекрутинге для оценки кандидата при приеме на работу, то начните со сбора информации. ну хотя бы как здесь
Банки сегодня активно оптимизируют свой бизнес: заменяют дорогостоящую филиальную сеть дистанционным обслуживанием, аккуратно сокращают персонал, нанимая многофункциональных специалистов в режиме «три по цене одного», автоматизируют все, что автоматизируется. Одним из инструментов оптимизации бизнеса, а именно кредитного процесса, является скоринг.
С развитием кредитования в России размеры кредитных департаментов банков разрослись до невозможности. Оценка заемщиков, представление их на кредитный комитет - это тонны бумаги и отчетов. И вот тут на помощь российским банкам пришел . Этот умный помощник способен быстро и без эмоций оценить любого заемщика. Ну или почти любого. Все-таки, сколько бы ни инвестировал банк в автоматизацию кредитного процесса, без человеческого участия по-прежнему не обойтись. К тому же каким бы волшебным и умным ни был автомат, но мошенника от честного клиента он отличит не всегда.
Как это работает
Скоринг работает довольно просто. Сразу после внесения данных заявки в систему она анализирует массу параметров заемщика - от экономических (размер дохода, закредитованность и пр.) до социально-демографических (возраст, пол, семейное положение, наличие детей, профессия и т. д.). Кредитный специалист получает на выходе скоринговый балл, после чего проводит дополнительную собственную оценку адекватности и психического здоровья потенциального заемщика - то есть выполняет работу, которую автоматическая система сделать не может.
Скоринг так или иначе используется во всех видах розничного кредитования. Но в зависимости от продукта меняется вес скоринговой оценки в кредитном процессе. Например, в экспресс-кредитовании скоринг оказывает значительное влияние на итоговое решение, а в ипотеке, где важен индивидуальный подход, ему уделяется меньшее внимание. Чем сложнее параметры кредитной сделки, такие как наличие предмета залога, поручителя, различных источников получения дохода, нестандартная схема выплат по кредиту, тем менее важна скоринговая модель. К тому же для того, чтобы накопить достаточное количество статистики для построения скоринговых моделей в жилищном кредитовании, требуется больше времени, чем вся история ипотеки в России. «Кредиты выдаются на 15 лет и более, а история обслуживания насчитывает 5-7 лет максимум», - объясняет вице-президент банка ВТБ 24 Ольга Балаева.
Внедрение скоринговой системы - это вопрос и структурный, и финансовый. Цена здесь сильно зависит от масштаба работ. По словам директора департамента розничных рисков ХКФ Банка Евгения Иванова, стоимость скоринговых карт по различным продуктам может достигать сотен тысяч долларов. Скоринговые карты - это набор утвержденных банком определенных характеристик и соответствующих весовых коэффициентов (баллов) по различным кредитным направлениям. Скоринговых карт в банке обычно несколько: к примеру, под ипотеку необходима одна карта, а под кредиты на покупку автомобиля уже совершенно другая. Если же банк хочет поставить весь кредитный процесс на поток (запустить так называемый кредитный конвейер), то затраты могут достигать нескольких миллионов долларов. Ведь это не только запуск отдельных скоринговых карт, но и построение глобальной скоринговой инфраструктуры, внедрение специального банковского оборудования на всех этапах кредитной оценки. Затраты на поддержание внедренной системы скоринга относительно небольшие, соизмеримые с месячной зарплатой бухгалтера.
Без рук и эмоций
Большинство банков стремятся перевести процедуры оценки заемщиков в автоматический режим. Это нормально, потому что покупка одной системы позволяет не то чтобы уволить «лишних» сотрудников, но избавиться от человеческих рук и эмоций. В зависимости от сложности процесса проверки заявки соотношение «человек - машина» может варьировать в пропорции 1:20 и выше. То есть пока человек проверяет одну заявку, машина успевает проверить до 20. По словам Ольги Балаевой, скоринг позволяет обрабатывать увеличивающийся поток клиентов с минимальным расширением штата. Причем скоринг работает не только на количество, но и на качество. «Внедрение новых скоринговых карт сопровождается снижением дефолта по вновь выданным кредитам», - говорит заместитель директора департамента контроля рисков банка «Петрокоммерц» Руслан Морозов.
Скоринг убивает сразу двух зайцев. С одной стороны, он «скор» на рассмотрение заявок благодаря технической составляющей. С другой - автомат свободен от предубеждений. Он не видит, в какой одежде пришел человек, как потенциальный клиент себя ведет. Скоринг просто быстро и бесстрастно выполняет свою работу.
По словам начальника управления риск-менеджмента физических лиц, малого и микробизнеса Райффайзенбанка Ольги Конюшковой, несомненный плюс скоринга заключается в том, что он не подвержен человеческому воздействию. Результат оценки конкретного заемщика основан на анализе десятков тысяч кредитов таких же клиентов и всегда будет более точным, чем применение любых экспертных правил или политик. Также плюсом является его низкая стоимость и высокая скорость работы, позволяющая принимать решения в режиме реального времени.
Человека не забыли
И все же отсутствие человеческого фактора в оценке заемщика может обернуться для банка финансовыми потерями. Беда в том, что скоринг не может зачастую вычленить выгодных для банка заемщиков из-за их нетипичности. «В качестве основного минуса скоринга можно назвать невозможность одобрения через систему скоринговой оценки нестандартных заявок, которые тем не менее могут быть интересны банку», - соглашается заместитель директора департамента развития бизнеса банка «Западный» Валерий Кретов.
Простой пример. Потенциальный клиент находится в социальной группе высокого риска (скажем, имеет пятерых детей на иждивении и стаж на последнем месте работы в районе полугода). Однако дополнительная информация, которой обладает андеррайтер, но которая не «зашита» в скоринговую модель, позволяет с уверенностью говорить о хорошей платежеспособности заемщика. Скажем, речь идет о заемщике, который берет на ремонт в новом доме. При этом он имеет достаточно высокий доход, собирается продавать имеющиеся активы, машину или квартиру и определенно намерен погасить раньше положенного времени. В скоринговую карту доход, конечно же, «зашит», но, учитывая остальные опции, такой клиент получит низкий скоринговый балл.
Другая история. Банк выходит в совершенно новый для себя сегмент кредитования, а значит, применение разработанных ранее скоринговых карт вообще может дать непредсказуемый результат. По словам Руслана Морозова из банка «Петрокоммерц», скоринг, применяемый на клиентах одного банка, не подойдет банку, работающему в другом сегменте кредитования и, следовательно, имеющему другой тип заемщиков. Скоринг, «обученный» на клиентах-россиянах, не будет работать на тех, кто не является гражданином РФ. «В некоторых сферах скоринг вообще не работает, например в корпоративном или инвестиционном кредитовании. В этих случаях каждую сделку нужно рассматривать индивидуально», - отмечает Евгений Иванов из ХКФ Банка.
Доверчивая машина
Скоринг отсекает неблагонадежных заемщиков, но не в состоянии справиться с обманом. Машина заведомо считает, что документы и другие сведения, поданные по заявке на кредит, - достоверные. Поэтому данный инструмент серьезный банк будет использовать только как вспомогательный. А с мошенниками и лгунами борются другими методами - например, с помощью внешних антимошеннических сервисов, дополнительного анализа кредитных специалистов и службы безопасности банка.
«Скоринг действительно считает, что данные из анкеты верны», - указывает начальник отдела скоринга розничных кредитных продуктов ОТП Банка Олег Ильин. «Наибольший риск представляют преднамеренное искажение клиентом информации о себе и подделка документов, мошеннические действия со стороны клиента, - поясняет директор департамента финансовых и розничных рисков Промсвязьбанка Александр Васютович. «Скоринг не всегда может выявить случаи, когда мошенник подает заявку с ложными данными или от имени другого лица - к примеру, имеющего хорошую кредитную историю», - подчеркивает советник председателя правления по рискам Алтайэнергобанка Павел Михайлов. Скоринговая модель, построенная для предотвращения одного из видов риска, может пропустить заявку с высоким уровнем риска другой категории. «Мошенник может предоставить ложные данные, которые обеспечат высокий скоринговый балл», - приводит пример директор по розничным рискам НОМОС-Банка Алексей Каликин.
Кроме того, в процессе скоринга возможны статистические ошибки. Конкретных примеров банкиры приводить не стали. Однако директор департамента розничного бизнеса СМП Банка Наталья Мишина указала, что возникновение ошибок влечет за собой потерю средств для банка: либо в случае возникновения «некачественного» кредита, либо при ошибочном отказе «хорошему» заемщику. Поэтому скоринг нужно постоянно совершенствовать и обучать: обновлять статистическую базу, вносить опциональные изменения в скоринговые карты.
И еще один момент, с которым скорингу никак не справиться. Это различные экономические изменения на рынке. В то время как банковский специалист, обладающий аналитическим складом ума, способен среагировать на обострение кризисных явлений практически моментально, машина окажется более неповоротливой - в нее еще нужно будет внести изменения и поправить настройки оценки.
