Удручающие цифры
По данным Центробанка, число россиян с кредитами на 1 января 2024 года достигло 50 млн – это более 40 % населения России старше 16 лет. Общая задолженность россиян за 2023 год выросла до 34,8 трлн руб. Эксперты предупреждают, что показатель достиг опасных пределов, поскольку ситуация усугубляется тем, что по данным Национальной ассоциации профессиональных коллекторских агентств, на 2023 год около 9 млн человек систематически допускают пропуск платежа – то есть каждый пятый не справляется со своими долговыми обязательствами.
Вероятно, приведенные выше показатели выглядели бы еще хуже, если бы банки не использовали технологию кредитного скоринга, оценивая потенциальных заемщиков по различным параметрам. Алгоритмы позволяют выдавать значительно меньше рискованных кредитов, оценивать клиентов объективно и снижать риск человеческих ошибок при одобрении заявок. Для этого теперь не требуется даже физическое присутствие человека в офисе банка – система анализирует его кредитную историю за считанные минуты.
Как банки оценивают заемщиков
Итак, кредитный скоринг – это система оценки клиента, которая помогает финансовой организации получить представление о его материальном положении и составить прогноз, как он будет выплачивать кредит. Под капотом автоматизированной системы скоринга – алгоритм, рассчитывающий сумму баллов, которая является главным аргументом для банка при выдаче кредита.
Отметим, что скоринговые модели у банков и микрофинансовых организаций различаются, однако принцип классической балльной системы сохраняется. Сегодня кредитный рейтинг оценивается по единой шкале от 1 до 999. До 399 — это низкий балл, 400–599 — средний, 600–799 — высокий, 800–999 — очень высокий, гарантирующий практически стопроцентную выдачу займа.
Узнать о своей финансовой репутации человек может в Национальном бюро кредитных историй, заказав бесплатный отчет через личный кабинет на сайте Госуслуг.
Финансовые организации активно работают над совершенствованием качества моделей машинного обучения, которые дают лучшие результаты по предсказанию дефолта клиента в сравнении со скоринговыми картами, которые формировали вручную. На сегодняшний день помимо классических моделей машинного обучения активно применяются и нейросети. Однако стоит отметить, что более сложная архитектура не всегда дает лучший результат. Это связано со спецификой конкретной задачи и отсутствием достаточного количества данных для обучения.
Кроме того, кредитные организации используют такие MLOps инструменты, как MLflow, Kubeflow, Metaflow, Seldon Core – они нужны для сокращения времени разработки и внедрения модели в процессы банка.
Какие виды скоринга существуют
Современные системы скоринга сегодня умеют делать персонализированные кредитные предложения. Так, в ВТБ для неблагонадежных потенциальных заемщиков формируют предложение с учетом всех рисков, а не просто отказывают в кредите.
Каждый банк вправе применять сразу несколько скоринговых моделей и сочетать их вместе. Они различаются в зависимости от того, какая характеристика клиента в данный момент интересует финансовую организацию больше всего.
В частности, могут оцениваться доход клиента, а также характеристики его круга общения. Помимо внутренней информации о клиентах используются такие альтернативные данные, как скоринг телеком-операторов, информация с маркетплейсов и платежных систем. Совокупность этих источников позволяет значимо увеличить качество предсказаний, что в свою очередь дает возможность финансовым организациям предлагать лучшие продукты и условия для клиента, увеличивая при этом маржинальность собственного бизнеса.
- Анкетирование (application-scoring) С этим видом скоринга клиенты сталкиваются чаще всего. Подавая заявку, они отвечают на множество вопросов банка, причем системы разных организаций могут расставлять приоритеты для категорий населения по-разному. В то же время есть ряд общих параметров, у каждого из которых есть свой вес:
• возраст (пенсионеры, к примеру, в качестве заемщиков для банков менее привлекательны, хотя считается, что чем старше человек, тем ответственнее он подходит к выплатам); • платежеспособность (наличие стабильного подтвержденного дохода, белая зарплата, самозанятость); • стаж работы (студентам с нулевым стажем кредиты выдают неохотно); • профессия (оценивается примерный уровень дохода в отрасли); • место работы (банки также оценивают надежность компании); • кредитная история (кредиты уже были и человек аккуратно по ним платил); • имеющиеся кредитные обязательства (если с учетом других займов за кредит придется отдавать больше 50 % дохода, вероятность одобрения кредита снижается); • алиментные обязательства; • неоплаченные штрафы, налоговая задолженность, просрочки по коммунальным платежам; • движимое и недвижимое имущество (квартиры, автомобили и пр.); • структура и объем расходов; • семейное положение (предпочтение отдается людям в официальном браке, так как источников дохода у них больше); • наличие детей и пожилых родителей; • постоянная регистрация (требуется банку для того, чтобы понять в каком регионе проживает человек, каков примерный уровень его жизни); • отсутствие судимостей. Также новых заемщиков банки сравнивают с уже существующими — ведь у людей с похожими данными с большой вероятностью будет схожее поведение.
Несмотря на то, что не во всех странах банковская система развита так же хорошо, как в России, технологии скоринга существенно не отличаются – разница в том, откуда банки черпают информацию и какой процент этих сведений предоставляется клиентом.
Однако и в России, и в странах Европы, и в Китае финансовые организации могут сканировать социальные сети потенциальных клиентов и даже смотреть историю их поисковых запросов, если те не скрыты настройками приватности. Так, в США банки оценивают, как часто человек публикует в соцсетях фотографии и их содержание. В то же время в Европе есть законы, регламентирующие сбор таких данных, некоторые из них требуют обезличивать такую информацию, хранить в зашифрованном виде или сообщать людям, какая личная информация анализируется банком.
В Китае же обмен данными вышел совершенно на другой уровень: мессенджеры, маркетплейсы, платежные системы и даже дейтинг-приложения и сервисы заказа такси обязаны передавать властям все данные о гражданах. На их основании затем формируется социальный рейтинг – он ложится в основу банковского скоринга.
- Скоринг поведения (behavioral-scoring)
Поведенческий скоринг в нашей стране начали применять не так давно и, как правило, он встроен в другие скоринговые системы финансовой организации. Его главное отличие в том, что у заемщика уже имеется кредит или кредитная карта.
Программа в этом случае оценивает риски того, что в какой-то момент человек перестанет выплачивать кредит. Выводы она делает после анализа имеющихся просрочек. Анализируются также способны использования кредитных средств: к примеру, алгоритм видит, что человек деньгами с одной кредитной карты гасит другую. Банк также видит, как именно человек тратит заемные деньги – использует ли он их, например, для того, чтобы расплачиваться в продуктовых магазинах или в метро.
- Борьба с мошенниками (fraud-scoring)
Этот вид скоринг-модели заточен именно на противодействие мошенничеству. Система используется вместе с остальными видами скоринга, но дополнительно задействует данные из Бюро кредитных историй, внутренних «черных» списков банка и других баз данных.
Такие скоринговые системы также проверяют данные на наличие противоречий: к примеру, человек, отвечая на вопросы, может «путаться в показаниях». Кроме того, в анкете могут быть предусмотрены вопросы-ловушки, которые могут указать на то, что человек намерен взять заем и не вернуть.
- Коллекторский скоринг (collection-scoring)
Этот вид скоринга применяется, когда клиент уже стал пропускать платежи. Программа помогает банку оценить возможность возврата долга – она анализирует финансовые привычки должника, его текущую ситуацию доходов и расходов. Также модель предлагает самый эффективный план действий для коллекторского отдела – кому следует звонить, отправлять SMS-сообщения, а в какой момент дело стоит передать в суд.
Технические ограничения скоринга
Разумеется, системы кредитного скоринга нельзя считать совершенными. Алгоритмы обрабатывают формальные параметры, а человек информацию в анкете может исказить, и программа не отследит этот момент, если у нее нет доступа к актуальным базам, с помощью которых можно проверить информацию.
Также алгоритм способен урезать баллы из-за малозначительного факта, что станет решающим аргументом для банка в отказе в выдаче. Поэтому некоторые эксперты на рынке считают, что скоринговый принцип достаточен для быстрого принятия решения по небольшим суммам или для первичной оценки заявки – чтобы понять, нужно ли ее вообще рассматривать дальше. Для больших сумм требуется более детальный анализ.
Кроме того, использование исключительно внутренних данных финансовых организаций имеет очень низкую эффективность для предсказания поведения потенциальных заемщиков, которые раньше кредитными продуктами не пользовались, или которым отказали в выдаче другие банки. По таким клиентам необходимо закупать и анализировать второстепенные данные, например, описывающие их профили в социальных сетях, покупательскую способность на уровне трат на покупку товаров, чтобы была возможность сравнивать их с теми, по кому кредитная история уже известна.
Еще одно ограничение: системе постоянно требуются доработки и обновления, чтобы снабжать софт актуальной информацией – ведь люди меняются, их социально-экономические условия улучшаются или ухудшаются. Считается, что обновления нужно проводить раз в 4-6 месяцев, хотя банки в основном делают это примерно раз в год.
