Стагнация в экономике отрицательно сказывается на рынке кредитования: объем займов снижается, а их качество падает – растет число просроченных выплат и невозвратов. По данным Объединенного кредитного бюро (ОКБ) на август 2014 г., доля займов с просрочкой более 90 дней от общего числа активных кредитов составила 10,3%. «Темпы выдачи кредитов сейчас снизились, поэтому старые просроченные долги накапливаются на балансах банков, в то время как прироста новых заемщиков недостаточно», – рассказывает Александр Ахломов, директор департамента развития продуктов ОКБ. Согласно FICO Credit Health Index, процент дефолтов составляет по необеспеченным кредитам около 12%. В залоговом кредитовании невозвраты заметно ниже. «С нашей точки зрения, особенно угрожающим является рост уровня дефолтности, который мы наблюдаем с 2010 г.», – говорит директор по скорингам FICO Елена Конева.

Калькулятор невозврата

В таких условиях особую актуальность приобретает программное обеспечение для скоринга, благодаря которому производится оценка платежеспособности клиентов. Такой инструмент позволяет банку найти оптимальный баланс между количеством выданных займов и процентом «плохих» кредитов. Каждый банк определяет приемлемый процент невозврата кредитов в индивидуальном порядке в зависимости от проводимой политики, включая процентную ставку, стоимость привлечения средств, типы кредитных продуктов и т.п.

«Чем дольше срок кредита, тем больший риск может выдержать банк, но как быть с фондированием и ликвидностью? Чем выше ставка, тем на больший процент невозврата можно согласиться, но выдержит ли капитал, на который возрастает нагрузка? Хорошо выдавать кредиты самым «низкорискованным» клиентам, но достаточно ли это будет с точки зрения бизнеса? Банку необходимо решить для себя, какой стратегии он будет придерживаться. Исходя из этого и будет определяться оптимальный процент невозвратов ссуд», – объясняет Александр Пенских, руководитель дирекции рисков физических лиц Уральского банка реконструкции и развития.

История вопроса

Первая математическая модель, где платежеспособность заемщика оценивалась в баллах, была создана в 1956 г. американцами Биллом Фейром и Эрлом Айзеком, которые основали компанию Fair, Isaac and Company (в 2009 г. была переименована в FICO). Сейчас эта фирма является ведущим мировым разработчиком решений для скоринга, ее модели приняты в качестве стандарта в банковской системе США. Фейр и Айзек определили параметры, по которым оценивается клиент, при этом каждому параметру был присвоен определенный весовой коэффициент. На основе модели составляются скоринговые карты для конкретных замещиков. Аналогичного принципа сейчас придерживаются все разработчики систем скоринга.

Важнейшей предпосылкой для разработки скорингового ПО является доступ к кредитным историям, на основе которых создается и корректируется модель. В России информация о кредитных историях аккумулируются в так называемых бюро кредитных историй (БКИ), с которыми банки обязаны заключать договоры о передаче данных о своих заемщиках. Среди крупнейших организаций такого типа следует отметить «Объединенное кредитное бюро» (ОКБ), «Национальное бюро кредитных историй» (НБКИ), «Кредитное бюро Русский стандарт». БКИ также выступают в роли поставщиков ПО для скоринга, которые действуют самостоятельно либо в партнерстве с международными разработчиками. Например, у НБКИ это FICO, а у ОКБ — Experian Decision Analytics. С технической точки зрения существует три модели реализации скоринга.

Самописный скоринг

Первый путь – это использование самописного ПО. Такой вариант является наиболее затратным. «Самостоятельная разработка предполагает большие инвестиции не только в лицензии на программное обеспечение для построения скоринговых карт, но и экспертизу, аналитику и т.п. Стоимость программного обеспечения ведущих поставщиков как на российском, так и на мировых рынках варьируется от сотен тысяч до миллионов рублей. Помимо этого нужен целый штат аналитиков, которые смогут разрабатывать и поддерживать скоринговые модели кредитной организации», – объясняет Александр Ахломов.

Банки развивают собственный скоринг двумя способами. Во-первых, можно проанализировать существующую клиентскую базу и на ее основе составить портрет идеального клиента, который будет корректироваться в зависимости от дальнейших возвратов-невозвратов. Во-вторых, выходя на рынок кредитования, можно вовсе отказаться от обычного скоринга и выдавать займы всем, применяя только fraud-scoring, чтобы отсечь мошенников. Когда будет набрано достаточное количество дефолтов, можно, основываясь на опыте, разработать модель скоринга. Такой вариант является крайне затратным и редко используется. Допустим, если средний размер кредита составляется i200 тыс. и необходимое количество невозвратов для разработки модели составляет i2 тыс., банк рискует потерять до i400 млн.

Чужим умом

Второй вариант применения скоринга – это покупка и внедрение готового продукта стороннего разработчика. Это позволяет сэкономить на лицензии на ПО и не требует больших ресурсов для поддержания и анализа скоринга. Но приобретаемая модель учитывает всего лишь «среднюю температуру» по рынку, поэтому, как правило, после внедрения банк нанимает собственный штат аналитиков и корректирует модель под себя.

Третий вариант – это использование внешнего сервиса, предоставляемого кредитным бюро. Банк отправляет запрос в БКИ и в ответ получает оценку кредитоспособности клиента в баллах. В этом случае тарифицируется каждое обращение, стоимость одного обращения находится в пределах i15. В таком случае банку не требуется нанимать собственных аналитиков, но приходится довольствоваться общей моделью без учета специфика банка. Такой вариант лучше всего подходит небольшим организациям.

Нормальной практикой является параллельное использование нескольких подходов и решений: «Во-первых, стоит отметить, что за свою многолетнюю историю Уральский банк реконструкции и развития накопил огромную базу знаний о поведении клиентов, – рассказывает Александр Пенских. – Вкупе с наличием команды опытных аналитиков это позволяет банку во многом полагаться на свои собственные разработки, часто используя сторонние услуги как дополнение к собственным решениям. Во-вторых, у банка есть длительная история успешного сотрудничества с основными бюро кредитных историй – НБКИ, ЭКС, ОКБ. В-третьих, банк интересуется новыми идеями и услугами, поэтому зачастую обращает внимание на молодые коллективы разработчиков и крупные компании, которые предлагают нечто новое на рынке. Эти предложения рассматриваются, берутся в оценку и принимаются либо отвергаются в зависимости от результата».

Среди иностранных решений, которые получили распространение в России, можно отметить FICO, SAS Credit Scoring, EGAR Scoring, Transact SM (Experian-Scorex), K4Loans (KXEN), Clementine (SPSS). Отечественные продукты используются не столь широко, среди них внимания заслуживают разработки Basegroup Labs и «Диасофт».

Нетрадиционный скоринг

В последнее время многие кредитные организации пытаются использовать нетрадиционные источники данных для совершенствования внутренних скоринговых моделей. К такой информации относятся сведения из социальных сетей, данные об активности в интернете, получаемые с помощью cookies, показатели средств геолокации. «Например, наша компания предлагает решение Text Mining, где в удобном для пользователя интерфейсе можно построить модель на основе неформализованных данных. Система выделяет ключевые запросы клиента, ключевые слова и другую информацию, анализ которой на основе определенных аналогий позволяет построить зависимость между поисковыми запросами клиента и вероятностью того, что он окажется мошенником или просто недобросовестным плательщиком», – говорит Юрий Оводов, эксперт по управлению рисками компании SAS Россия/СНГ.

Чтобы быть в тренде, БКИ стали предлагать своим клиентам дополнительное сервис – информирование о социальном окружении заемщика. «Появляется возможность проанализировать тот круг лиц, с которым общается тот или иной клиент. Это могут быть родственники, коллеги, друзья, работодатель и т.д. Таким образом, решение о выдаче кредита принимается более обоснованно – и на базе кредитной истории заемщика, и с учетом его социального окружения», – комментирует Юрий Оводов.

Следует отметить, что сбор и анализ огромного количество неформализованных данных выходит далеко за пределы возможностей обычных систем скоринга. Для реализации этих задач необходимо внедрять решения для больших данных и бизнес-аналитики.