Развитие информационных систем кредитного скоринга в России

содержание

ВВЕДЕНИЕ 3

1. Теоретические основы системы скорингового 4

кредитования 4

1.1. Понятие кредитного скоринга, его особенности 4

1.2. Типы скоринговых систем 6

1.3. Компоненты кредитно-скоринговой системы 7

2. Развитие информационных систем 12

кредитного скоринга в россии 12

Заключение 15

Список использованной литературы 16

ВВЕДЕНИЕ

Ужесточение конкуренции  вынуждает банки принимать кредитные  решения всё быстрее. Скоринговые системы позволяют им быстро и объективно оценивать заемщиков и отсеивать мошенников.

 Банки интересуются бытом и привычками соискателей кредитов не из любопытства. За каждый ответ на вопрос клиент получает баллы, от суммы которых и зависит решение о выдаче ссуды. Балльную оценку заемщику ставит компьютерная программа, в которую менеджер финансового учреждения вводит ответы на вопросы анкеты.

 Таким программным обеспечением стремятся обзавестись все больше отечественных банков. Если раньше оформление потребительского кредита занимало от трех до четырнадцати дней, то теперь это не устраивает ни клиентов, ни посредников в лице магазинов и автосалонов. Розничные финансовые институты стали конкурировать по скорости принятия решений. При этом они признают, что ручное и субъективное принятие решений по беззалоговым займам становится все более рискованным. В условиях наплыва желающих интуиция работников  - не самый надежный инструмент отбора платежеспособных и добросовестных заемщиков.

 Возможно, с этой задачей лучше справятся компьютерные программы. Все зависит от их качества. При существующей жесткой конкуренции выдавать больше ссуд можно, только ускорив процесс принятия решений. Это позволяет сделать только качественная скоринговая система.

Целью данной работы является изучение особенностей информационных систем скорингового кредитования. В  соответствии с поставленной целью  предполагается решение следующих  задач:

- рассмотрение основных  понятий кредитного скоринга;

- изучение типов скоринговых  систем;

- определение компонентов кредитно-скоринговой системы;

- описание особенностей развития информационных систем кредитного скоринга в россии.

1. Теоретические основы системы скорингового

кредитования

1. Понятие кредитного скоринга, его особенности

Кредитный скоринг — система оценки кредитоспособности (кредитных рисков) лица, основанная на численных статистических методах. Как правило, используется в потребительском (магазинном) экспресс-кредитовании на небольшие суммы. Также возможно его использование в бизнесе сотовых операторов, страховых компаний и.т.д. Скоринг заключается в присвоении баллов по заполнению некой анкеты, разработанной оценщиками кредитных рисков андеррайтерами. По результатам набранных баллов системой принимается решение об одобрении или отказе в выдаче кредита.

Данные для скоринговых систем получаются из вероятностей возвратов  кредитов отдельными группами заемщиков, полученными из анализа кредитной  истории тысяч людей. Считается, что существует корреляция между некими социальными данными (наличие детей, отношение к браку, наличие высшего образования) и добросовестностью заемщика.

Кредитный скоринг является упрощенной системой анализа заемщика, что позволяет снизить требования к квалификации кредитного инспектора, занятого рассмотрением заявок на кредит, и увеличить скорость их рассмотрения.

Для оценки кредитного риска  производится анализ кредитоспособности заемщика, под которой в российской банковской практике понимается способность юридического или физического лица полностью и в срок рассчитаться по своим долговым обязательствам. Основная задача скоринга заключается не только в том, чтобы выяснить, в состоянии клиент выплатить кредит или нет, но и степень надежности и обязательности клиента.

Скоринг представляет собой  математическую или статистическую модель, с помощью которой на основе кредитной истории «прошлых»  клиентов банк пытается определить, насколько  велика вероятность, что конкретный потенциальный заемщик вернет кредит в срок.

В западной банковской системе, когда  человек обращается за кредитом, банк может располагать следующей  информацией для анализа:

- анкета, которую заполняет заемщик;

- информация на данного заемщика из кредитного бюро - организации, в которой хранится кредитная история всего взрослого населения страны;

- данные движений по счетам, если речь идет об уже действующем клиенте банка.

Кредитные аналитики оперируют  следующими понятиями: «характеристики» клиентов и «признаки. Если представить себе анкету, которую заполняет клиент, то характеристиками являются вопросы анкеты (возраст, семейное положение, профессия), а признаками - ответы на эти вопросы.

В самом упрощенном виде скоринговая  модель представляет собой взвешенную сумму определенных характеристик. В результате получается интегральный показатель (score); чем он выше, тем выше надежность клиента, и банк может упорядочить своих клиентов по степени возрастания кредитоспособности.

Скоринг выделяет те характеристики, которые наиболее тесно связаны  с ненадежностью или, наоборот, с надежностью клиента. Мы не знаем, вернет ли данный заемщик кредит, но мы знаем, что в прошлом люди этого возраста, этой же профессии, с таким же уровнем образования и с таким же числом иждивенцев кредит не возвращали. Поэтому мы давать кредит этому человеку не будем.

В этом заключается дискриминационный (не в статистическом, а в социальном значении этого слова) характер скоринга, т. е. если человек по формальным признакам близок к группе с плохой кредитной историей, то ему кредит не дадут. Поэтому даже при очень высокой степени использования автоматизированных систем скоринга осуществляется субъективное вмешательство в случае, когда кредитный инспектор располагает дополнительной информацией, доказывающей, что человек, классифицированный как ненадежный, на самом деле «хороший», и наоборот.

2. Типы скоринговых систем

Скоринговая система традиционно  состоит из модуля подготовки исходных данных, аналитического модуля и модуля отчетности.

Данные системы скоринга, могут  быть трех типов. Первый тип — знания персонала кредитных отделов  банков о конкретных типах кредитных  продуктов (потребительских, авто и  ипотечного кредитования) и своих  клиентах. Второй тип данных — статистика по уже выданным кредитам, учитывающая  «хороших» и «плохих» заемщиков. И, если банк не обладает ни одним из типов указанных данных — ни экспертными  знаниями, ни статистикой выданных кредитов, модель, лежащая в основе системы скоринга, преимущественно  строится на основе региональных и  отраслевых данных.

Все фронт-офисные решения для автоматизации процесса потребительского кредитования в большинстве случаев представляют собой Web-приложения, что обеспечивает хорошую масштабируемость системы и простоту подключения к процессу выдачи кредитов новых отделений банка и представительств в торговых точках.

Есть предложения разработчиков  скоринга для Украины, которые обеспечивают автоматизацию всего процесса (одновременно создание скоринговой карты и автоматизацию подачи заявки и процесса принятия решения). На рынке есть предложения западных поставщиков (часто дорогие брендовые решения, ориентированные на крупные банки) и украинских компаний-представителей (простые и дешевые расчетные системы-«калькуляторы», где учтена специфика отечественного рынка).

Наиболее известными западными  скоринговыми системами сегодня являются SAS Credit Scoring, EGAR Scoring, Transact SM (Experian-Scorex), K4Loans (KXEN), Clementine (SPSS). Среди разработчиков из СНГ — BNS, Basegroup Labs. Наиболее серъезными и дорогими являются решения SAS (около 200 тыс. дол.), достойными также считаются разработки KXEN (около 30 тыс. дол.).

Практически посередине ценового диапазона  стоит предложение по скорингу компании EGAR Technology, которая, с одной стороны, является западным вендором, предлагающим скоринговую систему, использующую классические западные модели, с другой стороны,— это решение (EGAR Scoring) максимально адаптировано к украинским условиям и дополнено специальными подходами — например, макроэкономическим подходом к оценке кредитоспособности заемщика, учетом особенностей самих кредитных продуктов и другими возможностями. 
Рассматривая различные скоринговые решения, корректно говорить о системах для западного рынка и о системах для украинского (российского) рынка, так как есть и западные поставщики, например, EGAR, которые предлагают версию скоринга, полноценно учитывающую украинскую (российскую) специфику. 
Безусловно, системы для западного рынка значительно более функциональны, чем разработки для Украины или СНГ, но заставить их работать в отечественных условиях трудно: необходимо пройти сложный процесс внедрения, интеграции и адаптации.

Сравнивая западные и отечественные  системы, необходимо заметить следующее:

1. Западные системы появились  намного раньше, у них большой  срок эксплуатации, соответственно большой объем кредитных историй, но эти истории не подходят для украинского рынка;

2. В западных системах нет  инструментов (возможностей) для работы  с малыми объемами кредитных историй (что необходимо для украинского рынка). Разработки в области классического скоринга позволяют работать с ограниченными объемами кредитных историй.

Еще одна особенность — большая  разница между скоринговыми картами в зависимости от локальных рынков и для разных банковских продуктов. Соответственно, западные системы недостаточно гибки для отечественного рынка.

3. Компоненты кредитно-скоринговой системы

На кредитно-скоринговую систему возлагается задача автоматизации процедур обработки заявки по следующим направлениям:

- соответствие набору минимальных  требований к заемщику («стоп-факторы»);

- поиск заявителя в «черных»  списках (ЧС);

- кредитный скоринг;

- проверка в бюро кредитных  историй (БКИ).

Дополнительно перед началом обработки  анкета проходит через блок проверки на корректность заполнения ее полей.

В приложении 1 представлена функциональная схема, на которой отображены основные этапы анализа кредитной анкеты, проводимые автоматизированной системой (Приложение 1).

Рассмотрим каждый из представленных блоков системы в отдельности:

- Проверка на корректность заполнения анкеты. Данный функционал необходим для предварительной оценки электронной заявки на возможность ее поступления в систему обработки. Анализу подлежат все поля анкеты, задействованные в процессе формирования решения.

- Проверка по «стоп-факторам». Данный модуль реализует проверку по минимальным требованиям, предъявляемым банком к своим клиентам. Анализ ведется на основании данных, заявленных в электронной анкете. Примерами таких правил могут быть ограничения:

• по возрасту;
• по расчету платежеспособности и т. д.

Результатом работы модуля является формирование списка несоответствий, выявленных в ходе проверки на основании  тех правил, которые были зарегистрированы в системе в качестве «стоп-факторов» по соответствующему кредитному продукту.

 - Автоматизированный поиск в ЧС. Поиск заявителя в «черных» списках является одним из наиболее затратных по времени этапов при «ручном» анализе анкеты специалистами СБ. Автоматизация этого процесса позволяет существенно ускорить соответствующую процедуру проверки заемщика. Используя анкетные данные, а также заложенную в модуль логику поиска в ЧС, система самостоятельно осуществляет проверку, предоставляя конечному пользователю готовое решение по этапу с выявленными фактами обнаружения лица в ЧС. Возможности аналитической платформы позволяют дополнительно организовывать нечеткий поиск, то есть когда возвращаемые записи не полностью совпадают с запрошенной информацией, а только лишь характеризуются существенной близостью по отношению к интересующим сведениям.

- Кредитный скоринг. Данный модуль предназначен для оценки кредитного риска, связанного с конкретным потенциальным заемщиком, в рамках решения задачи ApplicationScoring. Application Scoring (скоринг заявок на кредит) – оценка кредитоспособности потенциального заемщика для принятия решения о возможности предоставления кредита.

Построение скоринговых карт может быть осуществлено на базе следующих наиболее распространенных в данной области инструментов моделирования:

• логистическая регрессия;
• деревья решений;
• нейронные сети.

Результатом работы модуля вне зависимости  от использованного математического аппарата является предположение о будущей принадлежности клиента к одному из двух возможных классов благонадежности – Хороший или Плохой, определяемых в соответствии с выбранным банком правилом деления заемщиков.

- 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