Скоринговая модель

Где применяется скоринг

Математические модели работают разных сферах: они применимы для любого анализа измеримых характеристик. Например, в следующих ситуациях:

1. Проверка надёжности потенциального заёмщика. Для компаний и физлиц работает один и тот же принцип оценки, но применяются разные наборы характеристик. Цель анализа — спрогнозировать, вернет ли клиент кредит. Коэффициент, рассчитанный программой, определяет, будет ли одобрена заявка, а также — на какую сумму и срок. Банковские модели обычно учитывают информацию из анкеты заёмщика, бюро кредитных историй (БКИ) и от госорганов. В последнее время многие кредитные учреждения стали получать данные о заёмщике через портал Госуслуг (конечно, если заявитель дал соответствующее разрешение).

2. Оценка перспектив задолженности. Банк может провести проверку действующего заёмщика, если тот перестал вносить платежи. Скоринговая модель подсчитывает баллы по релевантным характеристикам и определяет, стоит ли пытаться убедить клиента погасить долг, предложить ему дополнительную отсрочку или эффективнее сразу подавать иск в суд.

3. Выявление мошенников. Скоринговая модель умеет выявлять фиктивные компании, находить расхождения между анкетой и фактическими данными, сравнивать характеристики субъекта с особенностями уже выявленных ненадёжных клиентов. Такая возможность снизить риски необходима банкам, страховым и лизинговым компаниям, турагентам и вообще любому бизнесу, который может пострадать от мошенничества.

4. Оценка подрядчиков. Скоринг позволяет проанализировать не только кредитоспособность, но и общую надёжность партнеров. Например, логистическим и транспортным компаниям приходится привлекать десятки перевозчиков-ИП, а доверять им дорогостоящие грузы без проверки рискованно. Программа выявит характеристики, нужные для оценки профессиональных качеств, подсчитает баллы по каждой и составит прогноз потенциального сотрудничества.

5. Выбор продавцов для маркетплейса. Площадки электронной коммерции при выборе партнеров в меньшей степени рискуют деньгами, но поведение продавцов заметно влияет на репутацию всей платформы. Скоринговая модель проанализирует торговую и финансовую активность продавца, его налоговую нагрузку, историю отношений с покупателями, отзывы клиентов и еще множество данных, по которым будет легче принять решение о сотрудничестве.

6. Проверка участников государственного тендера. Скоринг позволяет без критичных затрат бюджета отсечь фирмы-однодневки и подозрительных участников на этапе сбора заявок.

Как работает скоринговая модель

Разберемся, как функционирует математическая модель, на примере самого распространенного скоринга — кредитного. Точный алгоритм скоринговых расчётов банки держат в секрете и регулярно меняют: это позволяет избежать взломов и мошенничества при оформлении заявок. Но общий принцип работы одинаковый, анализ проходит в несколько этапов:

1. Потенциальный заёмщик заполняет заявку, данные из неё загружаются в программу.

2. Модель получает дополнительные сведения из бюро кредитных историй, от собственной службы безопасности, из открытых источников, от госорганов — например, налоговой и Пенсионного фонда.

3. Информация, указанная заявителем, сверяется с доступными сведениями из других источников. Несовпадения снижают итоговый балл.

4. Система сравнивает все полученные данные со статистикой. Если заёмщики с похожим сочетанием характеристик допускали просрочки или вовсе не выплачивали кредит, балл автоматически снизится.

5. Программа оценивает каждый релевантный фактор по отдельности, а потом анализирует совокупный результат.

6. По итогам подсчёта формируется коэффициент, который далее используется исходя из принятой в компании практики. На основе этого коэффициента формируется, например, кредитный рейтинг — у каждого БКИ или банка своя система оценки и показателей.

Сотрудник банка, принимающий заявку, обычно даже не знает, по каким причинам клиенту отказали в кредите или что повлияло на размер одобренной суммы. Автоматически одобрить заявку скоринговая модель не может — она только составляет прогноз, на который клерки ориентируются на дальнейших этапах проверки. А вот к рекомендации отказать заёмщику в кредите банки не просто прислушиваются, но и накладывают на клиентов с низким рейтингом временный мораторий: с повторной заявкой можно будет обратиться не раньше, чем через месяц.

Вот какие данные потенциального заёмщика учитывает кредитный скоринг:

• семейное положение: зарегистрированный брак повышает балл, наличие детей и иждивенцев — снижает;

• уровень образования: чем он выше, тем более надёжным выглядит клиент;

• возраст: самые высокие шансы у трудоспособных клиентов в возрасте 30–40 лет, самые низкие — у пожилых или очень молодых людей;

• трудоустройство и рабочий стаж: работа по трудовому договору и “белая” зарплата дадут больше очков, чем фриланс или собственный небольшой бизнес, некоторые модели учитывают даже должность;

• уровень доходов: в первую очередь скоринг оценивает регулярный заработок или другие предсказуемые поступления — зарплату, пенсию, доход от сдачи недвижимости;

• кредитная история: в минус сработают не только просрочки или текущие задолженности, но и отсутствие информации о более ранних кредитах;

• закредитованность: общая сумма долговых обязательств не должна превышать половину доходов заёмщика, но и при меньшей кредитной нагрузке балл снижается с каждым следующим кредитным продуктом;

• заявки в другие банки: большое количество обращений банки расценивают как признак шаткого финансового положения, особенно если другие кредитные учреждения уже отказали в займе;

• наличие собственности: недвижимость или автомобиль могут послужить дополнительной гарантией, даже если на них не оформляется залог;

• транзакционное поведение (размер накоплений, поступления, траты): этот показатель большинство банков могут оценить только для своих текущих или бывших клиентов, в том числе зарплатных;

• подлинность паспортных данных;

• актуальность контактной информации: чем больше доступных способов связи с клиентом, тем выше балл.

Скоринговая программа не только находит и проверяет данные: она сопоставляет сведения по разным параметрам и находит противоречия. Например, если размер уплаченных налогов не соответствует заявленному уровню доходов, система снизит балл.

Плюсы и минусы скоринговой модели

У скоринга есть ряд важных для бизнеса преимуществ:

• объективность: машинный расчёт исключает возможность математической ошибки или предвзятого отношения к клиенту;

• снижение трудозатрат: автоматизация проверки позволяет не тратить время сотрудников на сравнение документов, поиски по разным базам и другие рутинные действия, в которых можно обойтись без экспертности;

• быстрое решение: сделать предварительные выводы о надёжности контрагента, страхователя или заёмщика со скорингом можно за 5–10 минут;

• возможность настройки параметров под цели компании, текущую политику, масштабы бизнеса, особенности рынка;

• выгода: полноценный анализ снижает потери из-за неблагонадёжных контрагентов, а еще позволяет увереннее выбирать поставщиков, исполнителей, партнеров и клиентов, а значит — наращивать оборот.

Однако у большинства существующих скоринговых моделей есть недостатки: по большей части они связаны со спецификой отрасли. Например, кредитный скоринг с автоматизированным отказом не учитывает вероятность ошибки, а отменить его решение часто невозможно. Благонадёжный заёмщик может ошибиться в одной цифре в анкете, а программа сочтет его данные ложными и автоматически наложит месячный мораторий. Пара таких отказов — и скоринг следующего банка уже считает активность клиента подозрительной. А еще банковские модели эффективны только для тех, кто уже брал кредиты — клиенты без кредитной истории по умолчанию вызывают у системы подозрения.

Скоринг с Platforma

Главная проблема скоринговых моделей — это ограниченный доступ к информации: большинство программ довольствуется данными из открытых источников, от различных ведомств или специфических хранилищ (вроде БКИ). Анализ таких сведений дает общее представление о потенциальном контрагенте, но полную картину увидеть не позволяет. К тому же ситуация на рынке, поведение людей, экономическое положение компаний — все постоянно меняется. То есть, для полноценной проверки нужны не только полные, но и актуальные данные.

Маркетплейс инструментов на основе Big Data Platforma объединяет анонимизированные данные десятков партнёров: крупнейших банков, телеком-операторов и других поставщиков.

На их основе аналитики сервиса строят скоринговые модели, которые помогают решить бизнес-задачи заказчика. Использование наших инструментов позволяет создать скоринговую модель, которая более точно определяет принадлежность клиента к одной из групп по степени риска.

• Определяем цель построения модели и формируем выборку данных для её создания, выявляем соответствие данных заказчика и собранных инструментами Platforma.

• На основе выборки формируем переменные, которые лучше всего отвечают цели построения модели.

• Выбираем цель и задаем переменные для получения ответов на важные для заказчика вопросы, например сможет ли клиент выплатить кредит.

• Строим математическую модель с использованием нейросетей.

• Получаем скоринговую карту с оценкой выбранных характеристик в баллах — это и есть ответ на поставленные на первом этапе вопросы.

Platforma создает скоринговые модели, полезные реселлерам, банкирам, страховщикам, открывает доступ к актуальным и разносторонним данным, помогает корректно их интерпретировать. Вы получаете ответы на ключевые вопросы, что позволяет правильно оценивать риски и формировать стратегию развития бизнеса.