Развитие информационных систем кредитного скоринга в России

содержание

ВВЕДЕНИЕ 3

1. Теоретические основы системы скорингового 4

кредитования 4

1.1. Понятие кредитного скоринга, его особенности 4

1.2. Типы скоринговых систем 6

1.3. Компоненты кредитно-скоринговой системы 7

2. Развитие информационных систем 12

кредитного скоринга в россии 12

Заключение 15

Список использованной литературы 16

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

ВВЕДЕНИЕ

Ужесточение конкуренции  вынуждает банки принимать кредитные  решения всё быстрее. Скоринговые системы позволяют им быстро и объективно оценивать заемщиков и отсеивать мошенников.

 Банки интересуются бытом и привычками соискателей кредитов не из любопытства. За каждый ответ на вопрос клиент получает баллы, от суммы которых и зависит решение о выдаче ссуды. Балльную оценку заемщику ставит компьютерная программа, в которую менеджер финансового учреждения вводит ответы на вопросы анкеты.

 Таким программным обеспечением стремятся обзавестись все больше отечественных банков. Если раньше оформление потребительского кредита занимало от трех до четырнадцати дней, то теперь это не устраивает ни клиентов, ни посредников в лице магазинов и автосалонов. Розничные финансовые институты стали конкурировать по скорости принятия решений. При этом они признают, что ручное и субъективное принятие решений по беззалоговым займам становится все более рискованным. В условиях наплыва желающих интуиция работников  - не самый надежный инструмент отбора платежеспособных и добросовестных заемщиков.

 Возможно, с этой задачей лучше справятся компьютерные программы. Все зависит от их качества. При существующей жесткой конкуренции выдавать больше ссуд можно, только ускорив процесс принятия решений. Это позволяет сделать только качественная скоринговая система.

Целью данной работы является изучение особенностей информационных систем скорингового кредитования. В  соответствии с поставленной целью  предполагается решение следующих  задач:

- рассмотрение основных  понятий кредитного скоринга;

- изучение типов скоринговых  систем;

- определение компонентов кредитно-скоринговой системы;

- описание особенностей развития информационных систем кредитного скоринга в россии.

1. Теоретические основы системы скорингового

кредитования

1. Понятие кредитного скоринга, его особенности

Кредитный скоринг — система оценки кредитоспособности (кредитных рисков) лица, основанная на численных статистических методах. Как правило, используется в потребительском (магазинном) экспресс-кредитовании на небольшие суммы. Также возможно его использование в бизнесе сотовых операторов, страховых компаний и.т.д. Скоринг заключается в присвоении баллов по заполнению некой анкеты, разработанной оценщиками кредитных рисков андеррайтерами. По результатам набранных баллов системой принимается решение об одобрении или отказе в выдаче кредита.

Данные для скоринговых систем получаются из вероятностей возвратов  кредитов отдельными группами заемщиков, полученными из анализа кредитной  истории тысяч людей. Считается, что существует корреляция между некими социальными данными (наличие детей, отношение к браку, наличие высшего образования) и добросовестностью заемщика.

Кредитный скоринг является упрощенной системой анализа заемщика, что позволяет снизить требования к квалификации кредитного инспектора, занятого рассмотрением заявок на кредит, и увеличить скорость их рассмотрения.

Для оценки кредитного риска  производится анализ кредитоспособности заемщика, под которой в российской банковской практике понимается способность юридического или физического лица полностью и в срок рассчитаться по своим долговым обязательствам. Основная задача скоринга заключается не только в том, чтобы выяснить, в состоянии клиент выплатить кредит или нет, но и степень надежности и обязательности клиента.

Скоринг 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.

В западной банковской системе, когда  человек обращается за кредитом, банк может располагать следующей  информацией для анализа:

- анкета, которую заполняет заемщик;

- информация на данного заемщика из кредитного бюро - организации, в которой хранится кредитная история всего взрослого населения страны;

- данные движений по счетам, если речь идет об уже действующем клиенте банка.

Кредитные аналитики оперируют  следующими понятиями: «характеристики» клиентов и «признаки. Если представить себе анкету, которую заполняет клиент, то характеристиками являются вопросы анкеты (возраст, семейное положение, профессия), а признаками - ответы на эти вопросы.

В самом упрощенном виде скоринговая  модель представляет собой взвешенную сумму определенных характеристик. В результате получается интегральный показатель (score); чем он выше, тем выше надежность клиента, и банк может упорядочить своих клиентов по степени возрастания кредитоспособности.

Скоринг выделяет те характеристики, которые наиболее тесно связаны  с ненадежностью или, наоборот, с надежностью клиента. Мы не знаем, вернет ли данный заемщик кредит, но мы знаем, что в прошлом люди этого возраста, этой же профессии, с таким же уровнем образования и с таким же числом иждивенцев кредит не возвращали. Поэтому мы давать кредит этому человеку не будем.

В этом заключается дискриминационный (не в статистическом, а в социальном значении этого слова) характер скоринга, т. е. если человек по формальным признакам близок к группе с плохой кредитной историей, то ему кредит не дадут. Поэтому даже при очень высокой степени использования автоматизированных систем скоринга осуществляется субъективное вмешательство в случае, когда кредитный инспектор располагает дополнительной информацией, доказывающей, что человек, классифицированный как ненадежный, на самом деле «хороший», и наоборот.

 

 

2. 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.

 

3. Компоненты кредитно-скоринговой системы

На кредитно-скоринговую систему возлагается задача автоматизации процедур обработки заявки по следующим направлениям:

- соответствие набору минимальных  требований к заемщику («стоп-факторы»);

- поиск заявителя в «черных»  списках (ЧС);

- кредитный скоринг;

- проверка в бюро кредитных  историй (БКИ).

Дополнительно перед началом обработки  анкета проходит через блок проверки на корректность заполнения ее полей.

В приложении 1 представлена функциональная схема, на которой отображены основные этапы анализа кредитной анкеты, проводимые автоматизированной системой (Приложение 1).

Рассмотрим каждый из представленных блоков системы в отдельности:

- Проверка на корректность заполнения анкеты. Данный функционал необходим для предварительной оценки электронной заявки на возможность ее поступления в систему обработки. Анализу подлежат все поля анкеты, задействованные в процессе формирования решения.

- Проверка по «стоп-факторам». Данный модуль реализует проверку по минимальным требованиям, предъявляемым банком к своим клиентам. Анализ ведется на основании данных, заявленных в электронной анкете. Примерами таких правил могут быть ограничения:

• по возрасту;
• по расчету платежеспособности и т. д.

Результатом работы модуля является формирование списка несоответствий, выявленных в ходе проверки на основании  тех правил, которые были зарегистрированы в системе в качестве «стоп-факторов» по соответствующему кредитному продукту.

 - Автоматизированный поиск в ЧС. Поиск заявителя в «черных» списках является одним из наиболее затратных по времени этапов при «ручном» анализе анкеты специалистами СБ. Автоматизация этого процесса позволяет существенно ускорить соответствующую процедуру проверки заемщика. Используя анкетные данные, а также заложенную в модуль логику поиска в ЧС, система самостоятельно осуществляет проверку, предоставляя конечному пользователю готовое решение по этапу с выявленными фактами обнаружения лица в ЧС. Возможности аналитической платформы позволяют дополнительно организовывать нечеткий поиск, то есть когда возвращаемые записи не полностью совпадают с запрошенной информацией, а только лишь характеризуются существенной близостью по отношению к интересующим сведениям.

- Кредитный скоринг. Данный модуль предназначен для оценки кредитного риска, связанного с конкретным потенциальным заемщиком, в рамках решения задачи ApplicationScoring. Application Scoring (скоринг заявок на кредит) – оценка кредитоспособности потенциального заемщика для принятия решения о возможности предоставления кредита.

Построение скоринговых карт может быть осуществлено на базе следующих наиболее распространенных в данной области инструментов моделирования:

• логистическая регрессия;
• деревья решений;
• нейронные сети.

Результатом работы модуля вне зависимости  от использованного математического аппарата является предположение о будущей принадлежности клиента к одному из двух возможных классов благонадежности – Хороший или Плохой, определяемых в соответствии с выбранным банком правилом деления заемщиков.