Скоринг как инструмент оценки и минимизации кредитного риска



Автор данной статьи рассматривает проблемы, возникающие в банковской структуре в процессе выбора скоринг-вендора и системы кредитного скоринга. Также освящаются основные понятия данной системы, раскрывается ее суть и затрагиваются аспекты, позволяющие оценить значение скоринга в современной банковской инфраструктуре.

Ключевые слова: скоринг, минимизация рисков, банковская сфера, скоринг-вендор, оценка кредитоспособности, банковская инфраструктура, кредитование

Сведение рисков к минимуму — это одна из первостепенных задач, стоящих перед банками. Именно от этого зависит качество кредитного портфеля финансовой организации, ее ликвидности, и уровень рентабельности. Интенсификация кредитования физических лиц, произошедшая за последние десятилетие, привела к распространению автоматизированных систем, позволяющих оценить платежеспособность заемщика, риски невозврата. Базой для принятия решения о выдачи займа или отказе в нем выступают скоринговые системы.

Скоринг (от англ. scoring –“вычисление очков”) — это технология оценки проблематичности работы с конкретным заемщиком, появившаяся в середине 20го века в США, в основе которой лежат математические и статистические методы. [1] Данная методика подразумевает обработку и анализирование информации о поведении аналогичных клиентов в прошлом, экспертных знаний, большого количества данных, полученного из различных источников, о самом клиенте:

– личные (пол, возраст, семейное положение, количество лиц, находящихся на иждивении);

– профессиональные (образование, место работы, трудовой стаж, занимаемая должность);

– финансовые (уровень заработной платы и расходов, наличие в собственности движимого и недвижимого имущества, кредитная история).

В итоге скоринговая система выставляет некоторые баллы, на их основе ответственное лицо принимает решение, предоставлять ли заемщику кредит и на каких условия (процентная ставка, срок погашения и т. д.).

В настоящее время существует множество классификаций кредитного скоринга. По цели использования выделяют 4 основных вида [2]:

– Application-скоринг — оценка кредитоспособности на основе анкетных данных;

– Fraud-скоринг — выявление и предотвращение реализации мошеннических схем, осуществляемых клиентами;

– Collection-скоринг — осуществление эффективной работы с проблемными клиентами;

– Behavioral-скоринг — разработка индивидуальный программы работы с каждым конкретным заемщиком, вследствие анализа историй операций по его счетам.

Российские банки чаще всего обращают внимание на Application-скоринг: важно правильно оценить заемщика на начальном этапе, от этого напрямую зависит количество невозвратов. Collection-скоринг также находится в приоритете: растет количество просроченных кредитов, необходимо возвращать выданные раннее суммы.

В условиях кризиса ценятся Fraud-скоринг и Behavioral-скоринг, помогающие заранее предвидеть как будет вести себя клиент, предотвратить мошенничество.

Используя все перечисленные выше виды комплексно, банк может достичь следующих результатов:

– улучшить качество кредитного портфеля благодаря снижению числа безосновательных отрицательных решений по кредитным заявкам;

– повысить достоверность оценки заемщика;

– снизить количество невозвращенных кредитов;

– значительно сократить время оценки заемщика;

– сформировать целостную базу данных клиентов;

– свести к минимуму потери благодаря автоматизации процесса принятий решений о выдачи кредита;

– максимально снизить влияние человеческого фактора на принятие решений;

– уменьшить резервные фонды на потенциальные убытки по кредитным обязательствам;

– прогнозировать тренд изменений кредитных счетов должников кредитного портфеля.

Итак, использование кредитной скоринговой системы является крайне выгодным для финансовых организаций. В условиях современной нестабильной экономической ситуации, сложившейся жестко конкурентной среде в банковском секторе, внедрение данного инструмента становится необходимым условием достижения и поддерживания лидерских позиций на рынке.

В процессе внедрения кредитного скоринга в инфраструктуру банка возникают некоторые сложности [3]:

1. Отсутствие понимания необходимости использования профессионального ПО для скоринга. Средние и небольшие игроки финансового рынка еще не до конца осознают неэффективность использования стандартных, неавтоматизированных средств, как например, Microsoft Office Excel, обработка данных с их помощью — это трудоемкий и длительный процесс, собственные же разработки IT-отделов требуют баснословных денежных вливаний.
2. Отсутствие основы любой скоринговой системы — обширной базы данных. За время своего существования немногие банки накопили достаточный для работы объем информации. Если даже и осуществлялся сбор данных, то чаще всего отсутствует единое хранилище и довольно проблематично собрать все данные, находящиеся в различных форматах из разных баз: ORACLE, MS SQL, таблицы MS Excel и MS Access, а также базы в формате собственной учетной системы, разработанной программистами банка.
3. Неполнота данных в базе — следствие плохо непроработанной технологии сбора данных. Использование фрагментарных, бессистемных данных опасно: неверные результаты анализа влекут за собой принятие неверных решений.
4. Недоверие со стороны сотрудников, по мнению которых скоринговая система сложна, требует больших затрат, оставит без работы специалистов.

Решить эти проблемы можно, обладая знаниями в области теоретических и практических аспектов скоринга и взаимодействуя с профессиональными скоринг-вендорами. Если банк не обладает экспертными знаниями, статистикой качества раннее выданных кредитов, возможно построение скоринговой модели на основе региональных и отраслевых данных, и данных о принадлежности к той или иной социальной страте. С 2005 года за данными можно обратиться в национальное бюро кредитных историй (НБКИ), консолидирующее кредитную информацию.

Для формирования полноценной базы данных достаточно организовать целенаправленный, систематический сбор и анализ материалов, который в итоге приведет к существенному повышению качества информации. Справиться с негативным настроем сотрудников возможно через разъяснения им их роли в самой деятельности банка и функций скоринговой системы как фактора поддержки.

Скоринговая система способна помочь финансовой организации эффективно работать, если она соответствует следующем критериям:

– Централизованность. Система должна централизованно обслуживать все отделения банка и хранить всю информацию в единой базе.

– Гибкость. Система должна иметь возможность изменяться по мере увеличения количества данных: от консервативной экспертной, до автоматизированной статистической.

– Использование для анализа и скоринга информацию из внешних источников — черные списки, кредитные бюро и т. д.

– Система должна предоставлять возможность контроля и оценки, как общих показателей, так и данных по каждому заемщику в любой момент времени.

– Создание, корректирование и оценка адекватности скоринговых моделей. С помощью системы требуется создавать различные модели оценки заемщиков, начиная от простых балльных и заканчивая кластерным анализом, деревьями решений и нейросетями.

– Отчетность: возможность в кратчайшие сроки производить качественную оценку динамики изменения, как состояния кредитного счета отдельного заемщика, так и кредитного портфеля в целом.

– Масштабируемость скоринговых решений: в условиях резкого изменения характеристик систему можно к ним адаптировать, добавляя новые вычислительные ресурсы.

В отечественной практике закрепились три основные схемы реализации скоринга. [4] Самый затратный путь — самостоятельная разработка ПО. Банку придется инвестировать и в лицензии на программное обеспечение для создания скоринговых карт, и в экспертизу, в аналитику и т. п.

Кредитные организации развивают собственный скоринг двумя способами. [5] Первый предполагает, что можно взять за основу имеющуюся клиентскую базу и составить образ идеального заемщика, который будет изменяться в зависимости от будущих возвратов-невозвратов. Второй вариант заключается в использовании исключительно fraud-скоринга: выдаются займы всем, кроме мошенников. После накопления достаточного количества дефолтов, можно будет построить модель скоринга. Крайне редко этот метод применяется на практике из-за своей высокой стоимости. Например, средний размер кредита — 1000 тыс., а для создания модели требуется 10 тыс. невозвратов, банк может лишиться до 1000 млн.

Второй способ — приобретение готового продукта стороннего производителя. Банку экономит на лицензии на ПО, исчезает потребность в больших ресурсов для поддержания и анализа скоринга. Но так как модель усредненная, не учитывает специфику кредитной организации, приходиться после внедрения нанимать штаб аналитиков и перестраивать, учитывая свою специфику.

И, наконец, третий — это работа с внешним сервисом, предоставляемым кредитным бюро. Банк запрашивает информацию о клиенте в БКИ и в ответ получает оценку его кредитоспособности. Каждая заявка оплачивается отдельно. Данный вариант востребован среди небольших организаций.

Часто используются одновременно несколько подходов. Например, Сбербанк внедрил систему скоринга ОКБ, объединив ее со своими скоринговыми картами. Тестирование сервиса показало, что «Скоринг бюро III поколения» совместно со скорингом банка дает дополнительный коэффициент точности более 10 %.

Самыми популярными иностранными продуктами являются: FICO, SAS Credit Scoring, EGAR Scoring, Transact SM (Experian-Scorex), K4Loans (KXEN), Clementine (SPSS). Решения российских разработчиков применяются реже, среди основных: Basegroup Labs и «Диасофт». Перечисленные выше скоринг-вендоры — это довольно крупные компании, оказывать свои услуги по внедрению скоринговых систем им имеет смысл кредитным организациям сопоставимым с их масштабом.

На сегодняшний день около половины банков из топ-30 в розничном кредитовании используют скоринговые карты FICO. FICO — американская компания изобретатель скоринга, является ведущим мировым разработчиком аналитического ПО. [6] Разработанная ею статистическая скоринговая модель FICO Score стала де-факто стандартом. FICO предлагает своим клиентам все виды скоринга, активно сотрудничает с НБКИ. Работая, уже более 20лет на отечественном рынке, разрабатывает решения, принимая во внимания российскую специфику. Среди решений FICO есть системы, которые позволяют одновременно контролировать десятки скоринговых моделей.

Ведущая российская скоринговая разработка компании BaseGroup Labs, использует методы data mining. [7] Необходимы сведения по предоставленным кредитам минимум за 3 года. В рамках первоначально выдвинутой гипотезы эксперт предполагает степень влияния тех или иных факторов на изучаемую закономерность и формирует список всех значимых факторов.

Стоит отметить, что между западными и отечественными скоринг системами есть существенные различия. Наши продукты дешевле, больше учитывают специфику российской действительности, используют новейшие достижения прикладной математики. В российское ПО вливается значительно меньший объем инвестиций. За границей и культура производства, и качество получаемого продукта выше.

Эксперты единодушны в своем мнении — интерес к скорингу не ослабнет, а будет нарастать в ближайшие годы.

Таким образом, скоринг, являясь автоматизированной системой оценки кредитного риска и широко использующейся в странах Европы и США, получил свой старт и развитие в отечественной практике. Основным преимуществом данной системы является возможность банковскими сотрудниками принимать быстрые решения в области выдачи кредитов, контролировать объемы кредитования, исходя из ситуации на рынке и выявлять оптимальные пропорции между доходностью от кредитных операций и уровнем риска их реализации. Однако слабая развитость российского банковского сектора, неготовность национальной экономики и другие вышеуказанные факторы обусловливают необходимость совершенствования механизмов функционирования экономических процессов в РФ с целью минимизации издержек и максимизации доходности в как в области банковского сектора, так и в рамках экономики России в целом.

Литература:

1. [Электронный ресурс]. Деникаева Р. И. Скоринг в России и за рубежом / Деникаева Р. И., Альберт В. А. // Научное обозрение. — 2014. — № 11. — С. 194–197.
2. [Электронный ресурс]. http://www.factoringpro.ru/index.php/credit-scoring-statya/407-skoring-vibor
3. Грюнинг Х., Братанович С. Б. Анализ банковских рисков: Система оценки корпоративного управления и управления финансовыми ресурсами.- М.: Весь Мир, 2014.
4. [Электронный ресурс]. https://www.franklin-grant.ru/ru/services/banks-scoring-fl-imp1.asp
5. Ворошилова И. В., Сурина И. В. К вопросу совершенствования механизма оценки кредитоспособности индивидуальных заемщиков// Научный электронный журнал КубГАУ, — 2015. — № 8 (16).
6. [Электронный ресурс] — http://www.fico.com/en/products/fico-score
7. [Электронный ресурс] — https://basegroup.ru/community/glossary/scoring