Цель использования заявочной модели в розничном кредитовании

Кредитный скоринг является задачей классификации с целью провести различение между «хорошими» и «плохими» клиентами. Банки должны предоставлять кредит «хорошим» клиентам, чтобы увеличить прибыль, и отказывать «плохим», чтобы избежать потерь.

Персональный кредитный скоринг – приложение методов финансового прогноза к потребительскому кредитованию. Он включает кредитный скоринг вновь подаваемых заявок (application скоринг) и поведенческий скоринг [1].

Кредитный скоринг определяет возможность предоставления кредита физическим лицам, поведенческий скоринг определяет, что делать с существующими клиентами: следует ли банку увеличить лимит кредитования клиенту или какие действия следует предпринять, если клиент задерживает либо прекращает платежи.

Дэвид Дюран в 1941 году первым предложил различать «плохих» клиентов от «хороших» на основе измерений клиентских характеристик. Были описаны правила, по которым кредитные аналитики принимают решения предоставить кредит или отказать в кредите. Данные правила затем использовались неэкспертами как подсказка при принятии решений о кредите – это был первый пример экспертной системы, экспертного кредитного скоринга.

С появлением кредитных карт в конце 1960-х годах банки и другие эмитенты кредитных карт стали использовать кредитный скоринг для оценки кредитоспособности физических лиц. Использование кредитного скоринга улучшило точность финансового прогноза и снизило уровень дефолтности на 50% и более. В 1970 — 80-х годы повсеместное применение кредитного скоринга привело к существенному повышению качества кредитных решений банков. Кредитный скоринг начали использовать в потребительском кредитовании, ипотеке, малом бизнесе и других областях кредитования.

В настоящее время для принятия кредитного решения используются три базовые техники: экспертные кредитные модели, статистические модели и методы искусственного интеллекта (ИИ). Экспертный скоринговый метод был первым подходом, примененным для решения проблем кредитного скоринга. Аналитики говорили «да» или «нет» в соответствии с характеристиками заявителя. Такие системы дают качественный анализ главных факторов кредитного риска, таких как социодемографические характеристики, кредитоспособность, обеспечение и срок кредита.

Однако экспертный кредитный рейтинг сильно зависит от таких субъективных факторов, как опытность экспертов и уровень их знаний; процедура оценки занимает продолжительное время, что вызывает усталость и увеличивает вероятность ошибки.

Системы кредитного скоринга на основе статистических методов и методов ИИ, которые пришли на смену экспертным системам кредитного скоринга, позволили сократить влияние субъективных факторов на принимаемые решения и повысить эффективность кредитования за счет снижения процента неправильных решений.

В последнее время в связи с усилением конкуренции банков в борьбе за клиента на фоне продолжающегося экономического кризиса появилось большое количество научных результатов и примеров практического использования комбинированных методов оценки кредитного риска с применением агрегированных моделей. Агрегированные модели систем кредитного скоринга представляют собой дальнейшее развитие статистических и ИИ-моделей скоринга путем перехода от использования отдельных моделей к системам моделей, включающим в себя в качестве элементов статистические и ИИ-модели кредитного скоринга, и механизм комбинирования решений этих моделей в решение агрегированной системы кредитного скоринга. Такие агрегаты в зависимости от комбинации используемых элементов и механизма принятия агрегированного решения могут давать, как показывает практика применения, снижение ошибок классификации от одного до нескольких процентов, что в результате приводит к значительному выигрышу в доходности и сокращению потерь. Есть примеры комбинированных систем кредитного скоринга на основе агрегирования экспертных, статистических и ИИ-моделей кредитного скоринга.

Сегодня данное направление находится в начале своего развития. Терминология и классификация комбинированных методов кредитного скоринга еще не устоялись, приводимая в статье классификация комбинированных систем является по сути нечеткой (fuzzy), поэтому приводимые ниже примеры могут соответствовать разным классам комбинированных моделей. Основой для классификации являются следующие четыре характеристики комбинированных моделей:

  1. способ отбора характеристик клиента, используемых в системе кредитного скоринга;
  2. процедура предпроцессинговой обработки данных с целью достижения их однородности по отношению к уровню кредитного риска;
  3. порядок соединения отдельных моделей в единый агрегат;
  4. порядок выработки решения агрегата моделей на основе решений отдельных моделей, входящих в агрегат.

Рассмотрим виды моделей кредитного скоринга в зависимости от используемых методов (статистические методы, методы искусственного интеллекта, гибридные методы и методы агрегирования моделей), приведены примеры построения комбинированных моделей оценки кредитного риска.

Статистические методы и методы искусственного интеллекта являются наиболее важными в области кредитного скоринга. В настоящее время интерес исследований в этой области смещается от кредитного скоринга, основанного на одной модели, к кредитному скорингу на основе агрегирования нескольких моделей.

Можно классифицировать (с учетом сделанного выше замечания) имеющиеся технологии построения моделей кредитного скоринга на статистические технологии, технологии ИИ, гибридные и технологии агрегации.

Применение комбинированных моделей кредитного скоринга со сложной внутренней архитектурой, в которой методы и подходы искусственного интеллекта используются в симбиозе с процедурами согласования результатов оценки кредитного риска по ансамблям моделей, позволяет улучшить качество кредитных портфелей банка, формируемых в автоматизированных прикладных программных системах, при минимально необходимом участии кредитных инспекторов и сокращении доли субъективных решений. В то же время не существует универсальных комбинированных моделей, решающих любые задачи оценки кредитного риска. Выбор наиболее эффективных комбинированных моделей во многом зависит от свойств той популяции, для которой они создаются, и представляет собой нетривиальную задачу методического обеспечения кредитного конвейера.

  1. Thomas L.C. A Servey of Credit and Behavioral Scoring: Forecasting Financial Risk of Lending to Consumers // International Journal of Forecasting. 2000. Vol. 16. №2. с. 149-172.
  2. Durand D. Risk Elements in Consumer Instatement Financing / National Bureau of Economic Research. New York, 1941.
  3. Fisher R.A. The Use of Multiple Measurement in Taxonomic Problems // Annals of Eugenices. 1936. Vol. 2. №7. с. 179-188.
  4. Lin S.L. A New Two-Stage Hybrid Approach of Credit Risk in Banking Industry // Expert Systems with Applications. 2009. Vol. 6. №4. с. 8333-8341.
  5. Fridman J.H. Multivariate Adaptive Regression Splines // Annals of Statistics. 1991. Vol. 19. №1. с. 1-141.
  6. Sarkar S., Sriram R.S. Bayesian Models for Early Warning of Bank Failures // Management Science. 2001. Vol. 47. №11. с. 1457-1475.
  7. Wang S.C., Leng C.P., Zhang P.Q. Conditional Markov Network Hybrid Classifiers on Client Credit Scoring. International Symposium on Computer Science and Computational Technology, Shanghai, December 2008. с. 549-553.
  8. Постарнак Д.В. Критический анализ моделей нейронных сетей // Вестник Тюменского государственного университета. 2012. №4. с. 162-167
  9. Abdou H., Pointon J., Masry F.E. Neural Nets Versus Conventional Techniques in Credit Scoring in Egyptian Banking // Expert Systems with Applications. 2008. Vol. 35. №2. с. 1275-1292.
  10. Huang Z. et al. Credit Rating Analysis with Support Vector Machines and Neural Networks. A Market Comparative Study // Decision Support System. 2004. Vol. 37. №4. с. 543-558.
  11. Yang Y.X. Adaptive Credit Scoring with Kernel Learning Methods // European Journal of Operation Research. 2007. Vol. 183. №3. с. 1521-1536.
  12. Abdou H. Genetic Programming for Credit Scoring: The Case of Egyptian Public Sector Banks // Expert Systems with Applications. 2009. Vol. 36. №9. с. 11402-11407.
  13. Ong C.S., Huang J.J., Tzengb C.H. Building Credit Scoring Models Using Genetic Programming // Expert Systems with Applications. 2005. Vol. 29. №1. с. 41-47.
  14. Ghodselahi A., Amirmadhi A. Application of Artificial Intelligence Techniques for Credit Risk Evaluation // International Journal of Modeling and Optimization. August 2011. Vol. 1. №3. с. 243-249.
  15. Ensemble learning.
  16. Siami M., Gholamian M.R., Nasiri R. A hybrid mining model based on Artificial Neural Networks, Support Vector Machine and Bayesian for credit scoring. SAS Tech 5th Symposium on Advances in Science & Technology, May 12 — 17, 2011.
  17. Hamadani A.Z., Shalbafzadeh A., Rezvan Т., Moghadam A.S. An Integrated Genetic-Based Model of Naive Bayes Networks for Credit Scoring // International Journal of Artificial Intelligence & Applications (IJAIA). January 2013. Vol. 4. №1. с. 85-103.
  18. Pawlak Z. Rough sets // International Journal of Computer and Information Science. 1982. Vol. 11. с. 341-356.
  19. Pawlak Z. Rough Sets — Theoretical Aspects of Reasoning about Data. Netherlands: Kluwer Academic Publisher, 1991.
  20. Chi B.-W., Hsu Ch.-Ch., Ho M.-H. Enhancing Credit Scoring Model Performance by a Hybrid Scoring Matrix // African Journal of Business Management. May 2013. Vol. 7. с. 1791-1805.
  21. Kotsiantis S., Kanellopoulos B.D., Pintelas P. Data Preprocessing for Supervised Leaning // International Journal of Computer Science. 2006. Vol. 2. №2. с. 111-117.
  22. Holland J. Adaptation in Natural and Artificial Systems. The University of Michigan Press, reissued by The MIT Press, 1975.
  23. Chi L.C., Tang T.C. Impact of Reorganization Announcements on Distressed-Stock Returns // Economic Modelling. 2007. Vol. 24. №5. с. 749-767.
  24. Mays E. Handbook of Credit Scoring. Global Professional Publishing, 2001. с. 23-56.
  25. Ouyang J., Patel N., Sethi I.K. From Centralized to Distributed Decision Tree Induction Using CHAID and Fisher’s Linear Discriminant Function Algorithms // Intelligent Decision Technologies. 2011. Vol. 5. №2. с. 133-149.
  26. Charitou A., Neophytou E., Charalambous C. Predicting Corporate Failure: Empirical Evidence for the UK // European Accounting Review. 2004. Vol. 13. №3. с. 465-497.
  27. Kočenda E., Vojtek M. Default Predictors and Credit Scoring Models for Retail Banking. CESifo Working Paper Series, 2009.
Читайте также:  Сколько дней сбербанк рассматривает документы на квартиру

Автор:
Д.Н. Козлов, к. т. н., доцент, начальник управления операционных рисков и контроля департамент рисков ОАО «Банк ЗЕНИТ»
В.В. Левин, к. ф.-м. н., доцент, начальник отдела скоринга ОАО «Банк ЗЕНИТ»

Источник: Банковский ритейл, 2013, №3-4

Стремительное развитие финансового рынка, возникновение новых институтов влечет к развитию угроз стабильности. Предупредить возникновение кризиса можно при помощи выявления риска и управления ним. Базельское соглашение о норме собственного капитала является примером внедрения в международную практику различных методов оценки кредитного риска.

Полностью предупредить все кризисы невозможно, поэтому механизмы их предупреждения должны быть направлены не только на информирование, надзор и применение практики по укреплению стабильности, но и на изучение различных вариантов развития кризисных ситуаций. Это необходимо для оценки возможных потерь и выявление путей для их предотвращения.

Построение эффективной и стабильной работы банковской системы является актуальной задачей, которую можно разрешить путем повышения внутреннего контроля банка и уровня капитализации. С ростом объемов кредитования растут и возможные риски, которые принимает на себя банковская структура. С целью повышения эффективности банковского контроля и деятельности самого банковского учреждения возникает потребность в более точной оценке кредитных рисков.

Попробуй обратиться за помощью к преподавателям

Для оценки достаточности капитала банковской системы в международной практике используются нормативы, которые разработаны Базельским комитетом по банковскому надзору, и получили соглашение по капиталу. Эти соглашения представляют собой «международные правила игры», отказ от которых ведет к снижению доверия к банковской структуре.

Подходы к моделям оценки кредитного риска

Стандартный подход разработан специально для тех банковских учреждений, которые осуществляют менее сложные ссудные операции, формы кредитного андеррайтинга, а также имеют простые структуры внутреннего контроля. Такие банки используют внешние источники для осуществления кредитного риска с целью выявления финансового качества заемщика и поддержания своего капитала на том уровне, который затребован органами надзора.

Суть базового подхода на основе внутренних рейтингов заключается в том, что банки самостоятельно производят расчеты возможного дефолта своих заемщиков, после чего используют цифры, которые предоставлены органами надзора по возможным убыткам из-за дефолта, риску потенциальных потерь и срок погашения для расчета требований по капиталу.

Задай вопрос специалистам и получи
ответ уже через 15 минут!

Метод усовершенствованного подхода на основе внутренних рейтингов основан на том, что банки используют свои же оценки. Банковское учреждение собирает данные за несколько предыдущих лет о состоянии своих заемщиков и предоставляет контролирующим органам стабильность и надежность своих рейтинговых оценок. Только лишь небольшой процент крупных банков может использовать усовершенствованный подход, опираясь при этом на внутренний рейтинг.

Основной задачей нового механизма оценки кредитных рисков является уменьшение срока реализации процесса кредитования, снижение издержек, а также более рациональное использование ценных бумаг с целью привлечения ликвидности с внешних рынков.

Обзор моделей оценки кредитного риска

Кредитный риск – это возникновение у организации, что выдает кредитные средства, риска убытков вследствие несвоевременного исполнения должником своих договорных обязательств.

Кредитный риск в балансе банка присутствует в составе активов по многим позициям:

  • ссуды;
  • остатки на корреспондентских счетах;
  • краткосрочные кредиты для коммерческих банков;
  • ценные бумаг, которые приобретены с целью перепродажи или инвестирования.

Также кредитный риск может возникнуть в связи с широким спектром банковской деятельности, что включает также выбор инвестиционных портфелей и контрагентов по сделкам с иностранной валютой. Кредитный риск оказывает прямое влияние на состояние капитала банка. В результате чего высокий риск может уменьшить рыночную стоимость банковских акций и снижает возможность кредитного учреждения воспользоваться облигационными кредитами с целью увеличения дохода.

Методики для количественной оценки кредитных рисков нуждаются в выполнении требований по прозрачности, которая включает количественные оценки робастности и точности.

Прозрачность методики кредитного риска – это строгость соблюдения математических методов, сглаживание необъективности экспертных оценок, полное понимание результатов оценки и анализа риска работниками банка, а также открытость методик для заемщиков и контролирующих органов.

Прозрачность – это важнейшая характеристика методов оценки кредитных рисков в силу потребности в полной идентификации, как самого кредитного риска, так и его модели. Прозрачность методики достигается за счет вычисления вкладов инициирующих событий в кредитный риск.

Банковская организация должна количественно определять названные характеристики, анализировать риск и производить регулярный мониторинг компонентов риска с целью прогнозирования, анализа и управления кредитным риском.

Точность прогнозирования является решающим фактором в выдаче или отказе кредита, от нее зависит цена за риск и уровень резервирования на случай дефолта.

Основным видом деятельности любой банковской организации является кредитование физических и юридических лиц. Каждое банковское учреждение индивидуально, поскольку работает по своим методикам и технологиям, обслуживает различные сегменты клиентов и регионы страны.

Любой кредитный бизнес связан с риском. Поскольку изменяются условия кредитной деятельности, меняется и допустимый уровень риска. Кредитная деятельность постоянно адаптируется к государственной экономике и жизненному уровню населения страны.

Для обеспечения стабильного функционирования банка большое значение имеет метод количественной оценки и анализа кредитного риска. Величина риска каждого кредита должна учитываться ценой за риск. Каждый банк разрабатывает индивидуальную модель кредитного риска для его анализа и проведения количественной оценки, учитывая при этом все рекомендации Базельского комитета по банковскому надзору.

Чем точнее оценка кредитного риска, тем меньше будут банковские потери и процент за кредит, и выше конкурентоспособность банковского учреждения. Только на основе регулярного количественного анализа статистической информации об успешности кредитов возможно создание эффективной модели риска и оптимальное управление им.

Для построения модели кредитного риска осуществляется выборка клиентов, о которых уже давно известно кредитной организации, хорошие они заемщики или нет. Такая выборка может варьироваться от нескольких сотен до сотен тысяч. Она содержит информацию по «хорошим» и «плохим» видам кредитов.

Рисунок 1. Виды кредитных рисков. Автор24 — интернет-биржа студенческих работ

Эконометрические и статистические методы оценки риска

В банковских учреждениях используются следующие методики оценки кредитных рисков:

  1. Скоринговые методики. Скоринг представляет собой статистическую или математическую модель, которая позволяет на основании кредитной истории клиентов определить насколько велика вероятность возвращения кредитного долга заемщиком. Скоринг – это метод классификации интересующей популяции на группы. Преимуществами данной модели кредитного риска является снижение уровня невозврата кредита, скорость в принятии решений, возможность продуктивного управления кредитным портфелем, выявление оптимального соотношения между уровнем риска и прибыльностью кредитных операций.
  2. Кластерный анализ. Данный метод позволяет классифицировать изучаемую совокупность объектов на группы однородных объектов, называемых кластерами или классами. Решение задач с большим числом наблюдений осуществляется с кластер-процедурами (алгоритмы, на каждом этапе которых применяется одно наблюдение и результаты разбиения на предыдущем этапе).
  3. Дискриминантный анализ. С помощью данного метода контрагент может причислить себя к одной или нескольким группам на основании некоторых признаков. Основание дискриминантного анализа – это построение дискриминантной функции.
  4. Дерево классификаций. Данный метод является алгоритмом сегментации обучающей выборки прецедентов. Сегментация в таком случае задается путем последовательного дробления пространства на вложенные прямоугольные области, а не с помощью n-мерной сетки.
  5. Нейронные сети. Данный метод применяется для оценки кредитоспособности юридических лиц. В таком случае анализу подлежат выборки меньшего размера, нежели в потребительском кредите. Самая успешная область применения данного метода – это выявление мошенничества с помощью пластиковых карт. Нелинейные связи между переменными, что приводят к ошибке в линейных моделях, выявляют именно нейронные сети.
  6. Технологии Data mining. В основе данного метода лежит поиск закономерностей между различными факторами в данных с большими объемами.
  7. Линейная вероятностная регрессионная модель. Задача метода заключается в построении модели, которая с помощью независимых показателей позволяет получать оценку значений переменной.
Читайте также:  Узнать задолженность перед банками по фамилии бесплатно

Так и не нашли ответ
на свой вопрос?

Просто напиши с чем тебе
нужна помощь

Специфика банковской деятельности такова, что риск осуществления кредитных операций относится к основным банковским рискам (учитывая объем вложений и степень неопределенности результата). Розничное кредитование — одно из самых перспективных направлений деятельности, однако оно сопряжено со значительными рисками. Поэтому эффективное управление риском потребительского кредитования является одним из главных условий стабильной и успешной работы банка на этом рынке. В западных странах этот процесс уже давно рассматривают как неотъемлемую часть банковского бизнеса. Однако в России даже крупные кредитные учреждения зачастую не имеют развитых механизмов, обеспечивающих эффективное управление рисками потребительского кредитования, и решения по кредитам принимаются ими децентрализовано.

А между тем, управление риском потребительского кредитования оказывает огромное влияние не только на уровень просроченной задолженности, но и на конкурентное предложение. Поэтому на современном этапе российское банковское сообщество должно рассматривать эффективное управление рисками потребительского кредитования в качестве основной стратегической цели для повышения качества размещаемых активов.

По данным участников рынка, сегодня уровень невозврата по потребительским кредитам в РФ составляет 4-10% от объема кредитования, хотя неофициально называются цифры до 25%. Причем многие опасаются, что в ближайшее время может наступить период массового невозврата ссуд. Причина — раздача денег с закрытыми глазами.

Управление кредитными рисками в розничном кредитовании в первую очередь требует высококвалифицированной работы кредитных инспекторов и аналитиков, а также использования профессиональных скоринговых решений. Эти шаги необходимы, но недостаточны для достижения конкурентного преимущества (фактически именно управление рисками во многом определяет размер кредитных ставок банка, а следовательно, и уровень его конкурентоспособности). Ведь по причине массового характера операций и охвата банком значительной территории риски возникают и в результате неправильной оценки платежеспособности заемщика, и в результате некорректной работы кредитных инспекторов (например, ненамеренной подсказки «хороших» параметров для скоринговой карты), и, наконец, при неправильной организации действий на этапе сбора кредитов.

Согласованное управление кредитными рисками включает в себя целый ряд специализированных компонент [22]:

корректное целеполагание. Эффективное управление кредитными рисками осуществляется только в том случае, если оно в целом согласуется со стратегией банка. Например, банк может рассматривать кредиты как высокодоходный и высокорисковый бизнес, риски которого хеджируются другими направлениями деятельности. Естественно, управление рисками существенно отличается от того случая, когда розничное кредитование — основная специализация банка. Если же банк ставит перед собой цели по «захвату» определенных сегментов розничного рынка — кредитная политика будет иной;

управление рисками невозвратов. Безусловно, это одна из ключевых составляющих управления кредитными рисками. При построении скорингового решения (скоринговой карты) необходимо учитывать как опыт возврата кредитов конкретного банка, так и общую статистику по различным кредитным продуктам для конкретного региона (города) и по определенным рыночным сегментам розничного рынка, в которых позиционируется банк. Преимуществом скорингового решения является возможность инкапсулировать в карту экспертизу кредитных аналитиков, особенно в том случае, когда в банке недостаточно информации по возвратам кредитов (более чем характерная ситуация для большинства российских банков);

управление операционными рисками. Этот аспект, как правило, упускается из виду или ему не придается должного значения. По сути, речь идет о фиксации бизнес-правил, которые определяют технологию утверждения выдачи кредитов в зависимости от суммы и срока кредита, кредитного продукта, данных заемщика (в том числе и скорингового балла) и др. Это оптимизирует процесс принятия решений и фиксирует ответственность за определенным лицом или группой лиц. Кроме этого, современное решение позволяет жестко зафиксировать те или иные действия операционистов (например, запретить им корректировку формируемых документов по кредитам) и тем самым избежать части рисков, связанных с их недостаточной квалификацией или злоупотреблениями

мониторинг процесса продаж кредитов. Мониторинг процесса продаж кредитов дает возможность выявить нетипичные процессы, связанные с обработкой заявок или прохождением договоров. Например, он позволяет немедленно сообщать вышестоящему руководителю о выставлении нестандартных условий по кредитам (если по бизнес-технологиям банка это в принципе допустимо). Благодаря такому подходу можно выявлять рискованные точки в режиме online и не только определять сотрудников и этапы бизнес-процессов, критичные с точки зрения рисков, но и блокировать выдачу слишком рискованных кредитов;

управление процессом возврата кредитов. Отдельным элементом управления рисками является технология поддержки возврата кредитов (debtcollection). Она включает весь цикл работ по возврату кредита — от «упреждающего контроля», то есть анализа факторов, вызывающих невозврат кредита (например, непродление договора страхования на купленный в кредит автомобиль), до фиксации всех шагов, связанных с возвратом кредита (для обеспечения поддержки принятия решений о дальнейшей работе с кредитом), — обращения в суд, передачи кредита в коллекторское агентство и др.

Часть из указанных выше компонентов реализуется только с помощью специализированных IT-решений, другие поддерживаются «ручными» или «полуручными» технологиями банка. Это зависит от объема операций банка, сложности его структуры (в частности, территориальной распределенности банка), спектра банковских продуктов. Однако без утвержденных технологий («правил» принятия решений, правил операций) IT-решение не будет иметь практически никаких шансов на эффективное устранение проблем управления рисками.

Основная задача в повышении эффективности процесса управления рисками — это оптимизация соотношения прибыль — риск. То есть управление рисками потребительского кредитования должно осуществляться в условиях компромисса между кредитным процессом и риск-менеджментом. Находить такой компромисс банки должны еще на этапе выработки стратегии банка при определении приоритетов его работы.

Эффективное управление риском потребительского кредитования в большой степени зависит от квалификации кредитных инспекторов и аналитиков и их умения оценить платежеспособность клиента, так как при массовом характере операций и охвате банком значительной территории неправильная оценка платежеспособности заемщика может принести банку значительные убытки.

Одним из важных инструментов такого процесса, как управление риском потребительского кредитования, является создание резервов на возможные потери по кредитам. Подобный резерв создан и в ООО «Примтеркомбанк». Установление нормы этого резерва определяется таким показателем оценки кредитного риска ссудного портфеля банка, как доля просроченной задолженности, темпы роста которой по отношению к темпам роста ссудной задолженности банка являются важным показателем стабильной работы банковского учреждения. Однако в совокупности мер по снижению риском по потребительскому кредитованию для развития банка этого не достаточно. Требуются дополнительные мероприятия, результатам которых будет мониторинг текущей ситуации и возможность прогнозирования будущих. Для решения данных вопросов необходимы современные инструменты управления банковскими рисками, а именно специализированные компьютерные программы. Именно такое решение предлагается для ООО «Примтеркомбанк».

Когда речь идет об управлении розничными кредитными рисками, обычно в первую очередь имеется в виду скоринг, который представляет собой математическую или статистическую модель, с помощью которой на основе кредитной истории «прошлых» клиентов банк пытается определить, насколько велика вероятность, что конкретный потенциальный заемщик вернет кредит в срок [22].

В настоящее время в некоторых отделах исследуемого банка используются схемы кредитного скоринга, однако они разработаны непосредственно сотрудниками структурных подразделений и не имеют системности и взаимосвязи с другими отделами. Проведение расчетов вручную в 10% приводит к неправильным выводам, что увеличивает число «плохих» кредитов. Для совершенствования механизма кредитного скоринга ООО «Примтеркомбанк» с целью снижения кредитных рисков мы рекомендуем воспользоваться специализированной программой компании ScortoCorporation, которая предлагает российским банкам специализированное решение для потребительского кредитования, используя которое банк может вести активную работу по расширению своего присутствия на рынке потребительского кредитования, постоянно контролируя качество кредитного портфеля.

На сегодняшний день Scorto — один из лидеров мирового рынка систем кредитного скоринга. Построенные скоринговые системы позволяют банкам значительно сократить затраты на компенсацию рисков, а так же принимать объективные и точные решения при рассмотрении кредитных заявок.

При разработке системы поддержки потребительского кредитования учитывались особенности этого рынка, среди которых необходимость самостоятельной разработки и регулярной корректировки скоринговых моделей является одной из основных. Это позволяет банку оперативно реагировать на изменения в рыночной ситуации и предлагать те кредитные продукты, которые актуальны и востребованы на данный момент.

Читайте также:  Оплата проезда банковской картой сбербанка в москве

Преимущества использования решений Scorto™ для потребительского кредитования [22]:

поддержка всех видов скоринга:

Applicationscoring (технология анализа кредитоспособности заемщиков, которая переводит в количественную плоскость оценку кредитного риска),

Сollectionscoring (определение приоритетных дел и направлений работы в отношении «плохих» заемщиков, состояние кредитного счета которых классифицировано как «неудовлетворительное». Технологии collection-скоринга успешно применяются при создании эффективной системы своевременного предотвращения просрочек и взыскания просроченной задолженности),

Behavioralscoring (поведенческий скоринг) — это оценка динамики состояния кредитного счета заемщика, которая позволяет спрогнозировать ухудшение платежеспособности заемщика на основании динамики погашения платежей, условий кредита, информации о самом заемщике, а также другой имеющейся информации);

наличие инструмента для построения скоринговых моделей (скоринговых карт), с помощью которого кредитные специалисты банка могут самостоятельно, без привлечения сотрудников IT-отдела, создавать новые и корректировать уже работающие скоринговые модели (скоринговые карты);

наличие инструмента для создания стратегий принятия решений позволяет риск-менеджменту банка без помощи IT-отдела задавать и изменять бизнес-процессы; этот инструмент предусматривает автоматический анализ ошибок и нелогичностей связей, что даст возможность значительно экономить время при создании и отладки новой стратегии;

централизованность решения позволяет ему работать одновременно во всех точках продажи кредитных продуктов, что дает возможность осуществлять эффективный контроль над всей кредитной политикой банка в режиме on-line;

возможность использовать данные о заемщике из различных источников: как из собственных баз данных, так и из других внешних источников, включая кредитные бюро;

возможность гибкой настройки степени участия кредитных специалистов различных уровней в процессе принятии решения по кредитной заявке;

наличие рабочих мест кредитных специалистов обеспечивает банку комплексный подход к организации взаимодействия с заемщиком и позволяет повысить оперативность и качество обслуживания клиентов;

наличие эффективного инструмента для проведения плановой работы по предотвращению перехода заемщика из разряда «просрочка по кредиту» в разряд «безнадежные должники»;

наличие компонента построения отчетности позволяет вести постоянный мониторинг скоринговой системы и даёт возможность отслеживать влияние внешних и внутренних факторов на адекватность и стабильность скоринговой модели и позволяет осуществлять контроль над субъективными решениями кредитных специалистов.

В процессе использования скоринговых моделей Scorto™ компания обеспечивает их сопровождение.

На первое место по важности выступает Application-скоринг, то есть оценка кредитоспособности заемщиков для получения кредита, то есть мы предлагаем управлять кредитными рисками на начальном этапе — стадии принятия решения о выдачи кредита потребителю. Поэтому для отдела кредитования физических лиц в ООО «Примтеркомбанк» рекомендуем решение для application-скоринга: Scorto™ LoanDecision.

Система Application-скорингаScorto™ LoanDecision — это комплексное решение для оценки кредитозаемщика и поддержки принятия решений в розничном кредитовании. Решение позволяет автоматизировать процесс рассмотрения кредитной заявки, оценки кредитоспособности клиента и принятия решений о предоставлении кредитных средств, для чего используются передовые технологии математической и интеллектуальной оценки клиентов и рисков, связанных с ними.

Сотрудники банка самостоятельно настраивают процесс обработки заявки и принятия решения по предоставлению кредита. Для каждого кредитного продукта или сегмента заемщиков стратегия рассмотрения может быть своя, как и скоринговые модели, которые в ней участвуют.

В результате внедрения системы Scorto™ LoanDecision кредитная организация осуществляет:

  • — создание автоматизированного цикла оценки заемщика и принятия решения;
  • — обслуживание и обработка запросов на оценку заемщика, с использованием удаленного доступа для точек предоставления кредита;
  • — самостоятельное управление неограниченным количеством скоринговых моделей и назначение их на кредитный продукт/программу;
  • — создание и управление стратегиями принятия решений индивидуально для каждого кредитного продукта, сегмента заемщиков;
  • — использование для полноценной оценки заемщика информации из БД.
  • — мониторинг эффективности и динамики работы системы и кредитных менеджеров;
  • — накопление информации о заемщиках с последующим анализом для разработки или корректировки кредитных продуктов;
  • — возможность быстрого изменения кредитной политики (новые кредитные правила, изменение существующих, допустимый уровень риска);
  • — улучшение качества кредитного портфеля.

Таким образом, кредитный отдел на основании полученной информации принимает решение о выдаче или отказе в выдаче кредита физическому лицу.

В целом, внедрение и использование в своей кредитной деятельности автоматизированной системы оценки кредитозаемщика и принятия решений Scorto LoanDecision позволит банку повысить качество кредитного портфеля за счет минимизации кредитных рисков, увеличить точность оценки заемщика, уменьшить уровень невозвратов, снизить формируемые резервы на возможные потери по кредитным обязательствам. Применение продукта позволяет кредитной организации привести собственную систему оценки рисков в соответствие с требованиями Базельского комитета(Basel II compliance).

Принимая решение об интеграции полноценной скоринговой системы, банк надеется получить определенные результаты. Проанализировав информацию, полученную в ходе интеграционных работ специалистами нашей компании, удалось сформулировать основные ожидания банка при внедрении системы кредитного скоринга. В первую очередь банк интересует снижение рисковости кредитных операций за счет правильного определения "хороших" и "плохих" кредитных заявок.

На втором месте стоит ускорение процесса принятия решения при большом количестве кредитных заявок без потери качества обработки.

Далее следует минимизация человеческого фактора в процессе принятия решения по кредитной заявке и стандартизация процесса оценки заемщика во всех точках продажи. Результатом чего должно стать увеличение кредитного портфеля без увеличения проблемной задолженности.

Оценить эффективность внедрения системы кредитного скоринга в отделе кредитования физических лиц ООО «Примтеркомбанк» можно посредством следующего сравнительного анализа.

В настоящее время специалисты кредитного отдела ООО «Примтеркомбанк» наиболее часто использую метод «дерево решений», в котором решается задача «Выдавать ли кредит клиенту?». Как видно из рисунка 4 основные критерии выдачи кредита — доходы клиента, его благосостояние, возраст и образовательный уровень. Наличие недвижимости является положительным факторов в принятии решения о предоставлении кредита.

Рисунок 4 — Дерево решений "Выдавать ли кредит?"

Рассмотрим на практическом примере принятие решение о выдачи кредита заемщику, подавшего заявку на выдачу кредита размере 200000 р.

12 апреля 2015г. Заемщиком в отдел кредитования физических лиц ООО «Примтеркомбанк» был предоставлен пакет документов, необходимых для изучения платежеспособности клиента. Через 10 дней в отношении заемщика было принято положительное решение, кредит в сумме 200000 р. был выдан сроком на 3 года под 25% годовых. Основными факторами в данном решении стали: возраст заемщика (32 года), стабильная работа с ежемесячным доходом в 40 тыс.р., а также наличие в собственности двухкомнатной квартиры во Владивостоке на ул. Окатовая, 18. Кроме того, было установлено, что у заемщика в настоящее время нет других кредитов и прочих задолженностей по погашению.

В результате проведенной специалистами кредитного отдела работы вся информация о заемщике сводится в общую базу данных «Заемщики — физические лица». При необходимости при вводе Ф.И.О. клиента информация из базы данных раскрывается.

В рекомендуемой нами автоматизированной системы кредитного скоринга вся информация по заемщикам будет группироваться по следующим блокам.

Как видно из схемы, информация о заемщике будет находиться во всех блоках, что позволит оперативно оценивать текущую ситуацию по клиенту, затрачивать меньше времени на получение информации в определённый период времени, избегая «ручной» работы специалиста кредитного отдела.

Кроме внедрения данной системы в головном офисе и филиалах банка, возможно заключение договоров сотрудничества с другими кредитными учреждениями об обмене информации о клиентах. Это позволит иметь в наличии оперативную информацию о «плохих» клиентах и выносить автоматический отказ, не затрачивая рабочее время специалистов кредитного отдела на получение необходимой подтверждённой информации о заемщике. Все это в совокупности позволит:

  • — сократить объемы «плохих» кредитов и снизить рост просроченной задолженности, рост процентных доходов — 10%;
  • — обеспечить банк прибылью по потребительским кредитам;
  • — повысить рентабельность розничного бизнеса.

Оценить эффективность внедрения скоринговой системы можно, рассчитав, как изменились бы финансовые результаты банка по итогам 2014 года, если бы системы была внедрена в 2014 году (таблица 15). Расчеты проводим с учетом стоимость программы (65 тыс.р., поставщик — ООО «Парус-Сервис», г.Владивосток):

Таблица 15 — Изменение отчетных данных ООО «Примтеркомбанк» за счет реализации мероприятий в тыс.р.

Добавить комментарий

Ваш e-mail не будет опубликован. Обязательные поля помечены *

Adblock detector