Компьютерра - Журнал «Компьютерра» № 4 за 31 января 2006 года

Если в торговом центре есть средства связи, но нет выделенного канала, передача данных идет по модему (GPRS— или обычному — неважно). Поскольку терминалы сотрудников, работающих с RS-Loans, могут действовать и через удаленное соединение, схема работы в этом случае практически аналогична предыдущей. По-прежнему будет использоваться единая база данных. Но есть другой вариант. Сотрудник банка может переслать анкетные данные напрямую или через Интернет в режиме безопасного соединения на сервер с БД RS-Loans. Серверный обработчик событий автоматически загрузит базу и сформирует необходимые отчеты и документы для обратной пересылки в торговый центр. Дополнительные сложности появляются в том случае, если прямая связь между местом продажи и главной БД RS-Loans отсутствует. Тогда приходится вести локальную БД клиентов, синхронизировать ее с центральной базой, обновлять и согласовывать «черный список» клиентов.

В модели Дюрана фигурируют группы факторов для определения степени кредитного риска и указаны коэффициенты для различных факторов, характеризующих кредитоспособность клиента:

1) Пол: женский (0,4 балла), мужской (0).

2) Возраст: 20 лет и меньше (0), 21 год (0,1), 22 года (0,2), 23 года и выше (0,3).

3) Срок проживания на одном месте: по 0,042 балла за каждый год, но не больше чем 0,42 в сумме.

4) Профессия: 0,55 — за профессию с низким риском, 0 — за профессию с высоким риском, 0,16 — другие профессии.

5) Финансовые показатели: наличие банковского счета (0,45), наличие недвижимости (0,35), наличие страхового полиса (0,19).

6) Работа: предприятия в общественной отрасли (0,21), другие (0).

7) Занятость: по 0,059 балла за каждый год стажа на последнем месте работы.

Сам Дюран определял сумму в 1,25 балла как порог кредитоспособности.

Практически все системы розничного кредитования поддерживают интеграцию с отдельными скоринговыми приложениями. Наиболее известны на российском рынке продукты компаний BaseGroup Labs и EGAR. BaseGroup Labs предлагает заказчикам систему

Deductor:Loans, последняя версия которой, кстати, была презентована в нынешнем январе. ПО построено на базе аналитической платформы Deductor, включающей инструменты для решения задач многомерного анализа (OLAP), бизнес-аналитики (business intelligence), «раскопок данных» (data mining) и др.

В состав Deductor:Loans входит модуль LoansBase.Generator, позволяющий генерировать «образцы» кредитных историй. Этот программный инструмент формирует набор примеров с разными анкетными портретами заемщиков по статистическим алгоритмам с учетом заданных распределений случайных величин. В качестве распределений можно использовать статистические данные по региону или экспертные оценки типов заемщиков. Искусственная кредитная история, по мнению разработчиков, является оптимальным вариантом обучающей выборки в тех случаях, когда реальной кредитной истории не существует или ее объем недостаточен. А такие проблемы особенно часто проявляются при потребительском кредитовании, где постоянно появляются новые виды кредитных продуктов. Причем «новички» отличаются от прежних видов кредитных программ суммой кредита или требованиями поручительства. В такой ситуации появляются и исчезают некоторые входные данные, что делает уже построенную скоринговую модель неприемлемой.

LoansBase.Generator формирует таблицу, содержащую входные факторы из анкеты заемщика, которые влияют на принятие решения о выдаче денег. Гипотезы о влиянии отдельных факторов выдвигаются, как правило, экспертами банка. Субъективность последних и является главным недостатком подхода с искусственной кредитной историей.

После создания истории начинается итеративное построение скоринговых моделей. На каждой итерации устраняются противоречия и корректируются правила. В Deductor:Loans отсутствуют балльные скоринговые методики. Вместо «классики» используются деревья решений и нейронные сети. Эти методы, кстати, делают возможной работу с выборкой, содержащей от пятисот до тысячи элементов. Деревья решений строят модель в виде правил, видоизменяются при внесении в выборку новых примеров, игнорируют несущественные признаки. Нейронные сети предназначены для выявления нелинейных зависимостей между входными и выходными факторами, позволяя дополнить скоринг оценкой вероятности возврата кредита. То есть, грубо говоря, на выходе системы получается не бинарное решение: «отдаст/не отдаст» — «1/0», а «0,53», например. То есть 53 шанса из 100, что кредит будет возвращен.

У компании EGAR можно отметить три продукта, автоматизирующих кредитный скоринг. Первый — EGAR Application Scoring— сочетает анализ исторических данных с применением макроэкономических показателей, что реализуется в модулях ретроспективного скоринга и макроскоринга соответственно. Алгоритмы, используемые при анализе розничных заемщиков, в большинстве своем аналогичны вышеописанным, но есть и ряд других подходов — например, байесовские сети. Банк, внедривший EGAR Application Scoring, получает возможность рассчитывать риски невозврата и досрочного погашения и управления просроченными кредитами с помощью определения лимитов и сроков погашения задолженности. Также система анализирует кредитные сделки с созаемщиками и поручителями и учитывает залоговое качество обеспечения кредита, беря в расчет временной фактор. Кстати, EGAR не только продает систему, но и сдает ее в аренду.

EGAR Behavior & Collection Scoringпредназначен для оценки рисков уже выданных кредитов. ПО учитывает график погашения задолженности заемщиком и движение его средств на других счетах. В функциональность системы также включены средства оценки эффективности мер для ликвидации просроченной задолженности (скоринг взысканий).

Третья скоринговая разработка компании — EGAR Market Scoring— предназначена для оценки кредитоспособности юридических лиц. Этот вид скоринга относительно меньше востребован, и соответствующие ИТ-решения представлены на рынке в меньшей степени, нежели ПО, ориентированное на ритейл. И все же о скоринге компаний-заемщиков стоит упомянуть хотя бы на отдельном примере.

EGAR Market Scoring рассчитывает вероятность банкротства заемщика за период кредитной сделки. На основании этих расчетов кредитор может обосновать условия кредитования компании. В качестве входных параметров используются квартальные финансовые отчеты за год и дополнительная информация о бизнесе. На первой стадии оценки система вычисляет финансовые показатели и на их основе выводит базовую среднегодовую вероятность дефолта. Вторая стадия — дополнительная экспертная оценка с выводом поправочного коэффициента к базовой вероятности. Решение о выдаче кредита или предложении альтернативных условий сделки зависит от суммы предполагаемого кредита, залога, надежности обеспечения, длины сделки, кредитной маржи и общих параметров портфеля. Формула для базовой оценки получена из временных рядов котировок акций и облигаций российского рынка ценных бумаг и финансовых показателей сотни открытых компаний. Длина базы составляет два-три последних года.