Скорость и точность принимаемых решений — наиболее важные характеристики, когда речь идет о кредитном скоринге, то есть оценке платежеспособности лица, желающего получить кредит. Ошибка в оценке может стоить бизнесу миллионных потерь, а долгие сроки рассмотрения заявок уменьшают конкурентоспособность банка. Поэтому финансовые организации ищут все новые способы повысить эффективность скоринга. Расширенное число источников информации о потенциальном клиенте — один из них. Подобные услуги предлагают, например, скоринг-платформы.
Фото: Александр Коряков, Коммерсантъ
Фото: Александр Коряков, Коммерсантъ
Интеллект в банках
В условиях ужесточающейся конкуренции необходимо максимально быстро выводить на рынок новые продукты, считают более чем в трети банков, следует из опроса «ЛАНИТ-Би Пи Эм» (входит в группу «Ланит»), проведенного в 2021 году. По мнению банков—участников опроса, для повышения качества и скорости принимаемых решений наиболее приоритетными технологиями являются Big Data и продукты на базе искусственного интеллекта (ИИ). В ближайшие два года треть крупных организаций будет использовать ИИ для принятия решений ради конкурентных преимуществ, прогнозировали аналитики Gartner.
ИИ в финансовых организациях используется, например, в работе с большими данными. Их анализ позволяет банкам делать персонифицированные предложения, что повышает продажи и увеличивает лояльность клиентов. Big Data используется для противодействия мошенникам: антифрод-решения фиксируют сомнительные трансакции, отличающиеся от обычного поведения пользователей. Аналитика применяется банками и для скоринга, то есть системы оценки платежеспособности лица, подающего заявку на кредит. Данные потенциального заемщика вводятся в компьютерную программу, после чего система оценивает характеристики клиента в баллах и в зависимости от их количества принимает решение об одобрении или отказе в выдаче кредита.
Клиенты традиционных банков могут ждать одобрения заявки на кредит до недели, тогда как банки, использующие технологию ИИ, анализируют данные в режиме реального времени и могут принимать решения по кредитам гораздо быстрее, отмечали в McKinsey. В Сбербанке, например, еще в 2019 году ИИ принимал решение о выдаче 100% кредитных карт, более 90% потребкредитов и свыше 50% ипотечных кредитов, говорил зампред правления Сбербанка Александр Ведяхин.
Балльные танцы
Когда в начале прошлого века методика прогнозирования рисков только появилась, сотрудники банков определяли надежность заемщиков по внешнему виду. Сегодня арсенал источников данных о потенциальном кредиторе существенно расширился: для расчета скорингового балла используются в том числе данные Бюро кредитных историй и сайта госзакупок, если речь идет о кредите для юрлица, или социальных сетей и истории покупок в случае с физлицами. Так, например, American Еxpress повышала стоимость кредита для заемщиков, которые часто посещали дисконт-центры: по мнению американской финансовой компании, обеспеченный человек может позволить себе не гоняться за скидками. Источником информации о потенциальном заемщике может быть и собственный опыт банка во взаимодействии с ним: некоторые банки с помощью нейросетей анализируют тематики и тональности коммуникаций с клиентами.
Вес имеет практически вся известная информация о заемщике, которую по закону может хранить кредитное бюро, поэтому полный алгоритм расчета кредитного скорингового балла никто из игроков на рынке не раскрывает, отметили в АО «Банк "Русский стандарт"». По их словам, ключевым показателем при расчете скорингового балла является платежная дисциплина заемщика, то есть насколько он аккуратно вносил платежи по предыдущему или текущему кредиту.
Однако скоринговый балл рассчитывают и для клиентов, которые никогда не брали кредит, на основании таких показателей, как доход, пол, возраст, количество детей, наличие семьи, город проживания и других характеристик клиента, которые отнесут его к конкретной сегментной группе. Далее анализируется платежная дисциплина подобной группы: «Например, женщины статистически лучше платят, чем мужчины, с возрастом возрастает ответственность заемщиков при погашении кредитов»,— продолжают в банке «Русский стандарт».
На скоринговый балл также влияют доход человека и информация о том, как часто человек меняет места работы, как долго он работает на своем месте, добавляют в банке. Для принятия решения банки используют кредитный скоринговый балл, который получили от бюро, а также свою информацию о заемщике, поэтому скоринговый балл у каждого банка может отличаться от скорингового балла любого бюро, добавляют в банке.
Газпромбанк в дополнение к классическому скорингу внедряет более сложные модели прогнозирования, построенные на большом наборе данных по историческим заявкам с помощью технологий искусственного интеллекта и аналитики Big Data, рассказали в банке. По их словам, количество параметров при обучении моделей ИИ по каждому клиенту на два порядка больше, чем в классических моделях, что позволяет моделям при обучении выявлять более сложные и нелинейные закономерности в данных. «Мы видим, что за счет использования более сложных и точных по качеству алгоритмов ИИ, которые обучаются на больших наборах данных, можно как увеличивать портфель выдач по кредитным продуктам, так и уменьшать риски по ним. Это дает значительный экономический эффект для банка»,— сообщили в Газпромбанке.
Цена ошибки
Однако доступных для оценки рисков данных не всегда бывает достаточно, чтобы банк мог принять правильное решение. Ошибки дорого обходятся финансовым организациям: объем просроченных кредитов физлиц в России в 2021 году превысил 1 трлн руб., проблемным оказался каждый десятый кредит.
Снизить вероятность ошибки позволяет концепция Data Fusion — подход, при котором объединяются данные из максимально возможного числа источников. Например, для оценки потенциального клиента можно привлечь данные в том числе мобильных операторов, ритейлеров, интернет-провайдеров. Подобный принцип лежит в основе скоринг-платформ, которые предлагают банкам свои базы для скоринга клиентов.
На основе данных интернет-трафика физлица можно выявить, например, интерес потенциального клиента к отелям в Южной Америке, дорогим шубам или конному спорту: «Наш опыт показывает, что это свидетельствует о низком риске просрочки по кредиту, тогда как посещение сайтов микрофинансовых организаций — о нестабильном финансовом положении»,— рассказывают в разработчике скоринг-сервиса Platforma. По опыту компании при составлении скоринг-портрета юридических лиц могут учитываться такие факторы, как то, что организация работает с клиентами, но на ее телефоне нет ни входящих, ни исходящих звонков: «Это может быть фирма-однодневка с формальным телефоном». Также важен трафик сайта компании: «Интернет-магазин с десятком уникальных посетителей в день вряд ли можно считать перспективным бизнес-партнером»,— добавляют в Platforma.
Использование данных из различных источников увеличивает точность скоринга как минимум на 10% и приносит миллионную прибыль, утверждают в Platforma.
Так, качество работы скоринг-моделей оценивается с помощью коэффициента Джини — он показывает, насколько точно модель определяет принадлежность клиента к одной из групп по степени риска. Чем ближе показатель к единице или к 100%, тем сильнее распределяющая способность модели. Когда банк—клиент компании начал использовать сервис для скоринга Platforma, агрегирующий данные множества партнеров, его коэффициент Джини достиг 0,41. Банк стал одобрять на 10% больше заявок на кредиты, хотя их совокупное количество осталось на уровне 20 тыс. заявлений в месяц. В результате за счет более точной классификации клиентов бизнес увеличил прибыль на десятки миллионов рублей в месяц.
Платформенный подход
Когда финансовая организация обращается к скоринг-сервису, он в первую очередь ищет соответствия между данными заказчика и собственными. Скоринг-сервис Platforma, например, содержит обезличенные данные более 90 млн физических и 5 млн корпоративных клиентов. В получившейся выборке формируются переменные, которые содержат кредитные данные, информацию о финансовом статусе и социальных характеристиках клиентов. На их основе сервис сможет классифицировать клиентов по уровню дохода и оценить, кто из них выплатит кредит. Для оценки строится математическая модель — это может быть как уравнение, так и алгоритмы машинного обучения, если речь идет о десятке различных характеристик. В результате создается скоринговая карта, в которой каждой характеристике присвоен балл — чем он выше, тем значимее характеристика.
Подобная методика подходит не только для банков, желающих оценить кредитоспособность потенциальных клиентов, но и для страховых компаний, которым нужен прогноз вероятности наступления страхового случая, для транспортных компаний и интернет-магазинов, которые хотят проверить надежность партнеров. Также скоринг применяется при проведении государственных тендеров: он позволяет отсечь фирмы-однодневки и неблагонадежных участников на этапе сбора заявок. Кроме того, скоринг-модели могут дать рекомендации по общению с клиентами, например вычислить, в какое время суток им лучше звонить.