Кредитный скоринг. Как он работает и зачем нужен

Скоринг в последние десятилетия стал обязательной частью работы банковских сервисов. Термин произошел от английского слова «score», которое переводится как «счёт». То есть, scoring — это подсчёт очков, баллов, по которым составляется рейтинг для оцениваемого объекта.

Сейчас скоринг применяют самые разные компании, но зародилась система именно в банковской среде: в 40-х годах двадцатого века появились первые списки параметров, по котором клерки могли оценивать потенциальных заёмщиков. Тогда скоринговая модель включала буквально десяток характеристик, а баллы выставлял сотрудник банка исходя из собственного опыта. Автоматизация процесса началась только в 50-ходах, а распространилась еще позже — уже в 70-х, когда достаточно мощные ЭВМ стали доступны хотя бы для банков. Специальные программы развиваются до сих пор, к математическим методам добавились статистические и социологические.

Что такое кредитный скоринг

Кредитный скоринг сейчас — это алгоритм, с помощью которого банки и микрофинансовые организации могут оценить добросовестность потенциального или действующего заёмщика. Современные программы построены на машинном обучении: они сравнивают данные оцениваемого субъекта со статистическими показателями и выставляют баллы. По итогам подсчётов автоматически формируется рейтинг, который показывает банку, какова вероятность того, что клиент вернёт заём и будет вовремя вносить платежи.

Единой системы кредитного скоринга не существует: каждая компания использует свою шкалу баллов, систему характеристик и параметры оценки. Для расчётов банк выбирает типовую программу или разрабатывает собственную модель. Современные скоринговые системы учитывают сотни и даже тысячи показателей: трудовую биографию заёмщика, уровень его финансовой дисциплины, долговую нагрузку, социальное положение. Анализ всей этой информации нужен для того, чтобы оценить уровень риска кредитора.

Чем точнее оцениваются риски, тем больше выгоды приносит кредитный скоринг банку, МФО или точке pos-кредитования. Благодаря быстрой обработке данных финансовый сектор может позволить себе обрабатывать онлайн-заявки, принимать первичное решение за считанные минуты и не тратить время обученных специалистов на анкеты заявителей, которые точно не соответствуют требованиям компании. Поскольку с данными клиента работает программа, коммерческие решения становятся объективными — пропадаёт человеческий фактор.

Чем скоринговый балл отличается от кредитного рейтинга

На сайтах БКИ, а также страницах-агрегаторах, помогающих подобрать банковский продукт, можно посчитать свой кредитный рейтинг. Также его указывают при запросе кредитной истории — такая отметка всегда есть на титульном листе. Она может быть буквенной (А — высокая платежеспособность, Е — низкая) или числовой. Единой шкалы для кредитного рейтинга не существует: в зависимости от бюро или конкретного банка диапазон может быть от 1 до 10 или от 1 до 1000.

Многие ошибочно считают этот кредитный рейтинг аналогом банковского скоринга. На самом деле кредитный скоринг гораздо сложнее, даже если финансовая организация применяет самую простую модель. БКИ оценивает доступную ему информацию: активные и выплаченные (или просроченные) кредиты, наличие судебных исков и исполнительных производств, отказы в других банках, просрочки по коммунальным платежам или налогам. Банковский софт анализирует гораздо более разнородные показатели: кроме платежеспособности он прогнозирует поведение заёмщика, оценивает уровень его финансовой дисциплины и стабильности, ситуацию в семье, карьерные перспективы.

То есть, банковский скоринг по отдельным показателям пересекается с кредитным рейтингом. Однако оценка БКИ даёт скорее ориентировочную информацию, недостаточную для принятия окончательного решения. Высокий кредитный рейтинг не даёт гарантии одобрения заявки, а вот с низким — мало шансов пройти полноценную проверку.

Виды кредитного скоринга

В банковской среде применяются следующие виды оценки:

1. Application-scoring: проверка анкеты. Самый распространенный вид кредитного скоринга, предназначенный для первичной оценки платежеспособности потенциального заёмщика. Программа принимает решение об одобрении или отклонении заявки, а также рассчитывает оптимальную сумму кредитования и подходящий срок.
2. Collection-scoring: оценка перспектив просроченной задолженности действующего клиента. Модель определяет, до какого момента стоит применять меры Soft-collection (договариваться с должником, предлагать разные варианты погашения просрочки), а когда перейти к Hard-collection — взысканию долга через суд или его передаче коллекторскому агентству.
3. Behavioral-scoring: оценка поведения действующих клиентов. Такой скоринг проводят банки, предлагающие возобновляемые кредитные линии — по его итогам повышается или снижается лимит. Также к этому способу оценки прибегают финансовые организации, к которым обращаются одни и те же клиенты за разными кредитными продуктами. Например, анализ поведения пользователя кредитной карты помогает понять, стоит ли выдавать ему ипотеку.
4. Fraud-scoring: выявление мошенничества. Это исследование редко проводится само по себе, обычно его используют в дополнение, например, к application-scoring. Система определяет, нет ли в поведении потенциального или действующего заёмщика признаков недобросовестности.

Как работает банковский скоринг

Современные скоринговые модели умеют самостоятельно обучаться и функционировать автономно. Они обрабатывают большой массив данных: анализируют историю ранее выданных кредитов и особенности поведения заёмщиков. Программа сопоставляет, какими качествами обладали добросовестные заёмщики, а какие черты могут быть признаком неблагонадежности. Информацию о потенциальном заёмщике сравнивают со статистическими показателями, по каждой характеристике ему присваивается определенный алгоритмом балл. Критерии оценки имеют разный «вес»: он зависит от задач финансовой организации и выбранной модели. Например, свежие просрочки по коммунальным платежам могут снизить итоговый балл гораздо больше, чем пропущенный платеж по кредиту 5 лет назад.

Присвоенный клиенту рейтинг определяет, пройдет ли его анкета первый этап проверки. Если полученный балл ниже установленной планки, отказ в кредите приходит автоматически. Некоторые банки при этом еще накладывают временный мораторий: снова обратиться за займом можно будет только через месяц или больше. Когда полученных очков достаточно, заявка получает предварительное одобрение, а программа рассчитывает оптимальную сумму и срок кредитования. «Проходной балл» может варьироваться даже в системе одного банка: он зависит от кредитного продукта. Для ипотеки и автокредитования (то есть, для договоров, по которым предусмотрен залог) требования обычно ниже, для кредитных карт и потребительских займов — выше. Также планка зависит от политики и типа кредитного учреждения: самый строгий подход у крупных банков, а наиболее гибкие условия — у муниципальных и МФО.

Компании, применяющие скоринг, держат в секрете алгоритм и особенности работы математической модели, но общий принцип работы скорингового софта одинаков:

1. Финансовая организация задаёт параметры оценки заёмщика: возраст, семейный статус, место проживания и работы, наличие собственности, требования к кредитной истории и размеру дохода.
2. Программа получает доступ к статистическим данным по ранее выданным займам и к открытым базам: БКИ, налоговой инспекции, судебных приставов.
3. Потенциальный клиент заполняет анкету.
4. Система проверяет паспортные данные и выясняет, не фигурирует ли заёмщик в базах должников или черных списках банков
5. Программа сопоставляет данные клиента с требованиями банка и, в зависимости от результатов, выставляет итоговый балл.

Некоторые заявки дополнительно обрабатываются вручную. Такая практика принята, например, в небольших банках, использующих смешанную модель оценки: скоринг обеспечивает первичный отсев клиентов, а присвоенный им рейтинг носит скорее рекомендательный характер. Конечное решение об отказе или одобрении заявки принимает специалист.

Также смешанная модель подходит для сложных случаев, в которых программе не хватает информации для принятия решения. Чаще всего это происходит с заёмщиками без кредитной истории: для большинства моделей в ней содержатся самые важные показатели с максимальным «весом». Пока такие заявки приходится обрабатывать специалистам, но уже существуют более совершенные скоринговые модели, способные обработать большие массивы косвенных данных, по которым можно довольно точно спрогнозировать поведение клиента.

Что влияет на скоринговый балл

Как мы уже говорили, алгоритмы скоринговых программ и параметры оценки банки держат в секрете — во избежание взлома и попыток обмануть систему. Значимость критериев и порядок распределения баллов варьируются от модели к модели, но есть универсальный список характеристик, которые учитываются всегда:

• достоверность указанных данных;
• состояние кредитной истории;
• уровень и источник доходов;
• место проживания;
• профессия, официальное трудоустройство, стаж (некоторые банки учитывают срок работы на последнем месте);
• уровень долговой нагрузки;
• возраст заёмщика;
• социальное и семейное положение;
• история отношений с конкретным банком;
• наличие подтверждающих документов — справки 2-НДФЛ, копии трудовой книжки, банковских выписок.

Какая информация нужна для оценки добросовестности

Скоринговые модели используют следующие источники информации:

1. Анкета заявителя. Отвечая на вопросы банка, заявитель указывает свои паспортные данные, вносит сведения о трудовой активности, доходах и прочих релевантных для программы характеристиках. Часть ответов программа проверяет по открытым базам.
2. Кредитная история. Ее система получает из одного или нескольких БКИ. Показывает количество и тип уже взятых займов, долговую нагрузку, количество и длительность просрочек, историю обращений в другие банки.
3. Информация банка. Скоринговая модель учитывает историю отношений клиента с финансовой организацией: доходы, движения по счетам, вклады, займы.
4. Дополнительные сведения: профили в социальных сетях, частота путешествий (её можно примерно определить по штампам в загранпаспорте), информация о собственности, наличие небанковских задолженностей — по налогам, коммунальным платежам, алиментам, открытым исполнительным производствам.

Все эти источники информации позволяют отсечь мошенников и явно неблагонадёжных клиентов — снизить риски банка, но не свести их к минимуму. Крупным финансовым организациям имеет смысл дополнительно обогащать скоринговые модели: это помогает принимать более точные решения, а значит, получать больше надёжных клиентов.

Как оптимизировать кредитный скоринг

Риски компаний, выдающих займы для получения прибыли, делятся на два типа. Вероятность выдать кредит, который клиент не выплатит или выплатит не полностью, называют ошибкой первого рода. Причин для невозврата может быть множество: от целенаправленного мошенничества до неожиданного ухудшения финансового положения — увольнения, болезни самого заёмщика или близкого родственника, изменения экономической ситуации в стране. Этот риск считается более опасным, поэтому многие банки перестраховываются и настраивают скоринговые модели таким образом, чтобы отсекались все заявители, вызывающие хоть какие-то сомнения. И это приводит к ошибке второго рода: отказу ответственным заёмщикам, из-за которого компания теряет клиентов и проценты.

Чтобы снизить вероятность обеих этих ошибок, современные программы используют сложные математические модели с машинным обучением, а еще по-новому интерпретируют статистические инструменты. Например, широко известный в Big Data коэффициент Джини (GINI): он показывает, насколько точно модель классифицирует потенциальных клиентов. Благодаря более тонкой настройке скоринговой модели снижается неопределённость, банк может увереннее выдавать кредиты.

Еще один перспективный путь оптимизации — использование более полной информации о поведении заёмщиков. Модель, построенную только на статистических данных и юридической информации, подготовленный заявитель может обмануть, правильно отвечая на вопросы. А вот если портрет пользователя учитывает ретаргетинг или интернет-трафик, создать иллюзию финансового благополучия становится намного сложнее. Продвинутый скоринговый софт найдет подозрительные запросы и активность: например, попытки срочно продать или заложить автомобиль. Или, наоборот, подтверждения стабильности заёмщика: бронь авиабилетов и отелей, информацию о покупке последней модели телефона, оплаты частной школы для ребёнка.

Скоринг от Platforma

Оба варианта улучшения предлагает Platforma — маркетплейс инструментов на основе Big Data. Компания создает и улучшает алгоритмы кредитного скоринга юридических и физических лиц: это может быть скоринговая модель под ключ или отдельные предикторы — переменные, которые оптимизируют уже внедренные у заказчика модели.

Вот как это работает:

1. Для разработки инструмента сначала определяется цель: на какие вопросы заказчик хочет получить ответ. Обычно это вопросы рисков, связанных с кредитованием: вернет ли потенциальный заемщик кредит? Велика ли вероятность просрочек?
2. Формируются предикторы: переменные, в которых содержатся характеристики потенциальных заемщиков — финансовые, кредитные, социальные. Для этого Platforma использует сведения, которые получает от своих партнёров: крупнейших провайдеров связи, банков и ритейлеров.
3. Аналитики выбирают предикторы, подходящие для целей заказчика.
4. Предикторы встраиваются в готовую математическую модель, если, например, такая уже используется клиентом. Или на их основе строится новая.
5. При использовании модели строится скоринговая карта с системой баллов для релевантных характеристик: чем выше присвоенный балл, тем характеристика важнее.
6. По выставленным баллам компания определяет кредитный рейтинг заёмщика, оценивает потенциальные экономические риски и решает другие задачи.

Скоринговые инструменты от Platforma дают ответы на важные для кредитного бизнеса вопросы: насколько надёжен заёмщик, каков уровень его дохода, есть ли риск неуплаты.