Развитие информационных систем кредитного скоринга в России

- Проверка в БКИ. Анализ кредитной истории заемщика по праву считается одним из наиболее эффективных средств оценки его кредитоспособности. Поддерживаемая большинством БКИ возможность передачи кредитных историй в структурированном формате (например, в виде xml-документов) позволяет автоматизировать процедуру их проверки и включить ее в качестве одного из этапов обработки заявки кредитно-скоринговой системой. В свою очередь, это приводит к следующим результатам:

• экономия времени, ранее затрачивавшегося оператором на ввод параметров запроса в web-форму БКИ;
• ускорение процедуры проверки КИ;
• стандартизация правил проверки;
• возможность последующего хранения приобретенных КИ в структурированном виде.

В составе кредитно-скоринговой  системы можно выделить следующие  основополагающие компоненты (Приложение 2):

• подсистема хранения;
• подсистема анализа;
• подсистема отчетности.

Подсистема  хранения. На данный компонент системы возлагаются функции по хранению следующей информации:

• сведения по заемщикам (анкетные данные, просрочки и т. п.);
• результаты, полученные в ходе обработки заявки системой (выявленные при проверке нарушения, решения по этапам и т. п.);
• служебная информация, используемая системой (например, справочник кодов ошибок);
• прочая информация.

Физически подсистема хранения реализована  в виде 2-х составляющих:

1. Транспортная БД;
2. Хранилище данных.

Основное предназначение транспортной БД состоит в обслуживании операций, характеризуемых частым обращением к подсистеме хранения с целью записи в нее оперативной информации (например, промежуточных результатов обработки). ХД в свою очередь призвано накапливать в себе более статичную информацию, не предполагая ежеминутных обновлений своих таблиц.

 Подсистема анализа. Появление в подсистеме хранения новой заявки инициирует запуск алгоритма по ее анализу. Процесс обработки анкеты представляет собой последовательный запуск модулей системы, каждый из которых предназначен для выполнения определенного этапа проверки (кредитный скоринг, БКИ и т. д.).

В случае принятия решения Отказ  по этапу дополнительно формируется  список проблемных сторон кредитной  анкеты, выявленных в ходе проверки.

Подсистема  отчетности. Данная подсистема включает наборы отчетов следующего характера:

• результаты обработки заявки;
• общее функционирование системы (доля отказов по этапам, временные характеристики обработки и др.);
• отчеты, не имеющие отношение к системе.

Подсистема отчетности является опциональной (необязательной) и может быть замещена отчетностью сторонних приложений.

Широкие функциональные возможности  Deductor в сочетании с легкодоступным в понимании интерфейсом программы делают данный продукт одним из наиболее предпочтительных инструментов для создания автоматизированной системы обработки кредитных заявок. Платформа включает в себя все компоненты, необходимые для реализации на ее базе последовательности процедур проверки анкет, в том числе:

• мощный математический аппарат для построения скоринговых карт;
• средства интеграции с различными БКИ;
• функционал, реализующий нечеткий поиск;
• консолидированное хранилище Deductor Warehouse;
• OLAP-отчетность и др.

Существенным достоинством предложенного  решения по созданию автоматизированной системы обработки кредитных заявок является заложенный в нее принцип модульности, что в свою очередь делает систему «гибкой», способной легко перестроиться под нужды конкретного организации путем добавления/удаления соответствующего блока.

 

 

 

2. Развитие информационных систем

кредитного скоринга в россии

В России скоринговые системы стали применяться с наступлением 2000-х годов, с активным развитием потребительского кредитования, и сегодня без них уже невозможно конкурировать на рынке, считает член правления банка "Траст", директор блока управления рисками Григорий Варцибасов. С помощью скоринга в "Трасте" одобряются как потребительские кредиты, так и кредиты малому бизнесу в размере до 1 млн руб. В Сбербанке в рамках "кредитной фабрики" предприниматель может получить кредит до 2 млн. руб. за три дня без подтверждения целей кредитования.

Когда банк задумывается о внедрении  системы кредитного скоринга в инфраструктуру, то перед ним возникает ряд проблем, на решении которых приходиться сосредотачиваться как самому банку, так и скоринг-вендору. 

Одна из главных проблем это  отсутствие понимания всей сложности  полноценного скорингового решения. Во многих банках до сих пор думают, что анализ данных вполне можно проводить при помощи стандартных средств, как например, MS Excel или каких-то разработок собственных IT- отделов.  О недостатках MS Excel в качестве скорингового решения говорилось выше.   Что касается собственных разработок, то опыт показывает что, действительно, крупные банки могут, затратив значительные средства выстроить минимально приемлемое скоринговое решение. Но в банках, обладающих финансовыми и людскими ресурсами для проведения подобных работ, как правило, понимают, что это решение временное, и рано или поздно, но придется обращаться к профессиональному скоринг-вендору. Поскольку современное решение, отвечающее всем требованиям динамично развивающегося банка,   может предоставить только компания, владеющая всей полнотой теоретических и практических знаний кредитного скоринга.

Следующая проблема, о которой пойдет речь, связана отсутствием  необходимых данных для работы системы кредитного скоринга. Аналитические технологии могут успешно работать только тогда, когда есть что анализировать. И дело здесь даже не в том, что в России работа бюро кредитных историй еще не достаточно эффективна, а в том, что банки просто не успели за время работы собрать достаточное для анализа количество информации. Бывают случаи, когда банки практически не  собирают данные, которые необходимы для успешной работы. В таких организациях невозможно ответить на вопросы: кто и какие кредитные продукты покупает чаще всего, что из себя представляет среднестатистический клиент для того или иного вида кредитования и т.п. Разумеется, об ориентации банка на нужды клиента здесь не может быть и речи.  Без общей системы сбора данных очень сложно проследить долгосрочные тенденции развития, объяснить, почему падают продажи, выработать оптимальную маркетинговую стратегию и т.д.

Но даже если в банке налажен  сбор данных, нередки случаи, что  работа с ними все равно представляет проблему для скоринг-вендора. Зачастую данные на разных участках банковской инфраструктуры собираются в совершенно разных форматах.  Одновременно  могут существовать базы различных типов, например ORACLE, MS SQL, таблицы MS Excel и MS Access, а также базы в формате собственной учетной системы, разработанной программистами банка. Наиболее оптимальный, хотя и дорогостоящий вариант в этом случае – внедрение единого хранилища данных, в котором бы собиралась информация обо всей деятельности банка, а также максимально полная информация о клиентах. 

Некоторые банки, считают, что в  тех случаях, когда данные собираются уже много лет и разрастаются до значительных объемов это становиться  непреодолимой преградой для внедрения системы кредитного скоринга. Однако  грамотная интеграции системы позволяет свести эту проблему к минимуму.

Еще одной серьезной проблемой  может стать неполное представление  данных в базе. В силу непродуманной технологии сбора данных или из-за ее нарушения, данные могут собираться стихийно, бессистемно, фрагментарно. Анализ подобных данных может быть небезопасен, поскольку на основе неверных результатов анализа очень легко принять неверные решения.

В ближайшее время развитие рынка кредитных продуктов для  частных лиц в России по прогнозам будет определяться такими тенденциями:

• рост интереса к «классическому» скорингу будет происходить по мере накопления кредитных историй;
• крайне актуальной будет становиться задача улучшения качества кредитного портфеля;
• все более важным станет вопрос управления бизнес-процессом скоринга, а не просто «калькулятор»;
• в столице некоторые сегменты рынка прогнозируемо исчерпают себя (потребительское кредитование будет постепенно вытесняться кредитными картами);
• стоимость входа на рынок розничного кредитования резко увеличится, а значит, выйти на рынок новым игрокам станет сложнее.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Заключение

Рынок кредитных продуктов сегодня  находится на подъеме. При этом на первый план выходит потребность  в обеспечении качества принимаемых  решений.

Банки, внедряющие информационные системы  кредитного скоринга, получают ряд существенных преимуществ, среди которых эксперты выделили следующие. Во-первых, осуществляются эффективная оценка и постоянный контроль уровня рисков заемщика. Во-вторых, увеличиваются число и скорость обработки кредитных заявок. В-третьих, снижается степень влияния субъективных факторов при принятии решения о предоставлении кредита. В-четвертых, осуществляются оценка и управление риском портфеля кредитов банка в целом, включая его отделения. При определении параметров новых кредитов учитывается уровень рентабельности и риска уже имеющегося кредитного портфеля. Реализуется единый подход при оценке заемщиков для различных типов кредитных продуктов (кредитные карты, потребительские кредиты, автокредитование, ипотечные кредиты). Происходит адаптация условий кредита под возможности заемщика, иными словами, кастомизация кредитного продукта.

Наконец, появляется возможность сократить  численность банковских сотрудников и сэкономить за счет использования персонала более низкой квалификации.

Необходимо отметить, что в целом  автоматизация скоринга - довольно затратный проект. Скоринговые системы высокого уровня требуют значительных затрат как на этапе разработки и внедрения, так и на этапе поддержки. Рыночная ситуация в России динамично меняется и сильно зависит от конкретного региона, а это, в свою очередь, приводит к значительному росту операционных расходов. При этом сроки отладки такой системы занимают достаточно много времени. Поэтому пока что для большого числа банков полный переход на автоматизированную скоринговую оценку заемщика невозможен. Хотя не исключено, что в будущем финансово-кредитные организации будут более активно использовать данную технологию принятия решений.

Список использованной литературы

1. Батраков Л. Г. Анализ процентной политики коммерческого банка: учебное пособие. М.: Логос, 2007. – 152с.

2. Гарипова З. Л., Белова А. А. Инфраструктура банковского потребительского кредитования//Финансы и кредит. – 2007. - № 42.

3. Ермаков С. Л., Малинкина Ю. А. Рынок потребительского кредитования в России: современные тенденции развития//Финансы и кредит. – 2008. - № 21.

4. Рыкова И. Н. Скоринг – оценка физических лиц на рынке потребительских кредитов//Финансы и кредит. – 2007. - № 18.

5. Рыкова И. Н., Фисенко Н. В. Влияние потребительского кредитования на кредитный потенциал коммерческих банков//Финансы и кредит. – 2007. - № 25.

6. Финансы. Денежное обращение. Кредит: учебник для вузов. Под редакцией проф. Г. Б. Поляка. М.: ЮНИТИ-ДАНА, 2-е изд. 2009. – 512с.

7. Российские банки все шире  применяют скоринговые системы [Электронный ресурс]: Кредиты.Ру – Режим доступа: http://www.credits.ru/articles/10192

8. Компоненты кредитно-скоринговой системы [Электронный ресурс]: Технологии анализа данных. – Режим доступа: http://www.basegroup.ru/ solutions/case/banks/system_components.

9. Скоринговые системы: наука помогает бизнесу [Электронный ресурс]: Теория и практика управленческого учета. – Режим доступа: http://gaap.ru/ articles/51025/

10. Кредитный скоринг: быстро и с минимальными рисками [Электронный ресурс]: BANKIR.RU. – Режим доступа: http://bankir.ru/tehnologii/s/kreditnyi-skoring-bystro-i-s-minimalnymi-riskami-10001095/

 

 

Приложение

Приложение 1

Общая схема бизнес-процесса принятия кредитного решения

Приложение 2

Составные части кредитно-скоринговой  системы