Первое направление - эффективная оценка кредитоспособности заемщика, т.е. прогноз банка, насколько потенциальный заемщик в будущем будет аккуратно и своевременно обслуживать долг.

В зависимости от принятой в банке кредитной политики, оценка кредитоспособности заемщика может проводиться особенно тщательно - кредитным экспертом на основании предоставленных документов либо по упрощенной схеме - на основании заполненной анкеты и, как правило, небольшого пакета документов (справка о доходах с места работы, копия паспорта и др.).

В первом случае имеет место наиболее трудоемкая работа, которая требует продолжительных временных затрат, проведения расчетов различных финансовых коэффициентов.

Решение по кредитной заявке может приниматься в течение нескольких дней или даже недель. В том случае если банк уверен в надежности клиента, ему предоставляется кредит.

Оценка на основании финансовых коэффициентов и экспертного мнения сотрудника банка является наиболее точной, обеспечивает низкие показатели просроченной задолженности. Возвращаемость таких кредитов близка к 100%.

Данная методика применяется, когда сумма запрашиваемого кредита велика. В нашей стране подобную методику применяет Сбербанк России и, как видно, из проведенного анализа показатели просроченной задолженности в этом банки очень низки.

При втором методе заключение о выдаче кредита выносится на основании данных анкеты, заполненной потенциальным заемщиком. Каждому ответу присваивается определенное количество баллов, итоговое количество баллов сравнивают со шкалой. Этот метод основан на анализе статистических данных, выверенных эмпирическим путем. Данный метод называют скорингом.

Решение принимается, как правило, в течение нескольких минут. Банки строго засекречивают свои скоринговые модели, поскольку они строятся на дорогостоящих социологических исследованиях и от того, насколько точны эти исследования, напрямую зависит прибыль банка. Теоретические аспекты данного метода были рассмотрены в теоретической главе.

На практике банки, решающие применять в своей работе скоринговую модель, всегда сталкиваются с вопросом: приобретать ли ему готовую скоринговую модель у разработчиков скоринговых карт или заниматься созданием скоринговой системы самостоятельно. Такой же вопрос возник и перед Международным московским банком при внедрении в его деятельности скоринговой модели.

Плюсами покупки готовой скоринговой карты является то, что эти карты предлагаются ведущими мировыми агентствами, которые представлены на рынке достаточно давно и накопили существенный опыт.

Минусами покупки скоринговой модели можно назвать то, что банк теряет контроль над процессом создания скоринговой модели. И с экономической точки зрения, если подходить к процессу применения скоринга грамотно, ориентировать различные скоринговые карты на различные сегменты, на различные регионы, то ценообразование таково, что банк платит за каждую скоринговую карту отдельно.

В случае если банк разрабатывает скоринговую карту для разных регионов, разных продуктов, разработка может быть дешевле. И основной плюс в том, что, разрабатывая скоринговую карту самостоятельно, можно учесть российскую специфику, в какой форме предоставляет заемщик справку о доходах НДФЛ-2 либо свободная форма, форма юридической организации работодателя заемщика, что позволяет сегментировать заемщиков, со стабильным доходом, не имеющих стабильного дохода.

Чтобы построить скоринговую карту, необходимо определить, что является зависимой и переменной. Та переменная, по которой будут осуществляться исследования, и показывает, кто является хорошим заемщиком, а кто плохим заемщиком.

Как определить, кто является хорошим заемщиком, является плохим? Можно пойти несколькими путями.

Самый простой способ — взять информацию о просроченной задолженности и считать, что Заемщик является плохим в случае, если просроченная задолженность превышает определенное количество дней. Например, 30, 60 дней, 90 дней либо на основании уже более детальной работы группы с просроченными задолженностями, когда уже понятно, что заемщику надо объявлять дефолт, заемщик перестает приносить банку доход.

Если банк идет первым методом то просто объективно фиксирует количество просрочки, т е., начиная с 31 дня (если просрочка 30 дней), мы считаем, что это плохой заемщик.

Вторым этапом является построение выборки, на которой будет осуществляться тестирование скоринговой модели. Надо иметь в виду, что для того, чтобы карта объективно работала, необходимо, чтобы та выборка, на которой она строится, соответствовала той, на которой она в дальнейшем будет, применяться.

Кроме того, надо еще отметить такие моменты.

Необходимо брать самый свежий срез, в случае, если у банка есть объективные основания считать, что изменилась макроэкономическая ситуация в регионе, то данные по кредитам, предоставленным в прошлом, скорее всего, лучше откинуть.

В выборку должны попадать только те заемщики, те наблюдения, по которым мы можем говорить, что дефолт по данному заемщику является вызревшим.

Что это такое? Когда банк выдает розничный кредит, то он в течение какого-то времени, в течение месяца вообще не может определить, является ли заемщик хорошим либо плохим до первого платежа. Этот период может быть больше, чем один месяц.

Для того, чтобы скоринговая модель справедливо отражала ситуацию, надо брать только те данные, по которым дефолт является уже реальным.

И еще один аспект касательно построения выборки. Как правило, скоринговые модели тестируются, разрабатываются на одной выборке, а проверяется адекватность сравнения предсказуемого дефолта с реальной вероятностью дефолта на другой.

Если предсказанная вероятность и реальная вероятность дефолта ведут себя одинаково, то можно сказать, что скоринтовая карта нормально сегментирует хороших заемщиков от плохих.

Третий этап — определение независимых переменных, которые участвуют в анализе.

Основным источником данных для построения скоринговой модели является анкета заемщика. При этом могут использоваться как «сырые» данные (пол, возраст), так можно поэкспериментировать и построить на основании этих данных свои собственные переменные.

Но делать это надо грамотно. Перед тем, как строить переменные, надо задаться целью построить некую гипотезу о том, как данная переменная влияет на вероятность дефолта. Включая в скоринговую модель переменную «пол», рабочей гипотезой будет та, что женщины более аккуратны в обслуживании задолженности, чем мужчины.

Дерево решения построено на следующем принципе. Берется вся выборка и последовательно разбивается по критериям, являющимися на каждом шаге наиболее значимыми для разделения хороших и плохих. В результате на нижнем уровне мы получаем какие-то определенные, отдельные сегменты.

Скоринговую карту можно получить и визуально посмотреть. Данный заемщик имеет такую-то вероятность дефолта и такой-то скоринговый балл, переменные входят в модель, то есть можно сравнивать не только по одной переменной, но и между двумя переменными. Логистическая регрессия менее чувствительна к количеству исходных данных.

Нормальная логистическая регрессия — та, где можно начинать расчет скоринговой карты с использованием логистической регрессии, имея свыше 200 дефолтов.

Преимуществом древа решений является возможность обнаружения редких событий. Это может использоваться при ситуации обнаружения мошенников.

Если недостаточно данных, то это преимущество может быть обращено и во вред. То есть данное редкое событие может быть просто разделено в корне дерева. И аналитик никогда об этом не узнает. Преимуществом дерево-решений является обработка пустых значений.

Если сравнивать модели, то дерево-решения дают возможность построить нелинейную зависимость от независимых переменных в модель. Но ту же самую нелинейность, используя инструментарий логистической регрессии, можно построить, если добавить модель кросс верибэл, то есть переменную, получающуюся перемножением одной переменной на другую.

И далее несколько штрихов, которые производятся при использовании логистической регрессии при построении скоринговой модели методом логистической регрессии.

Прежде всего, чтобы скоринговая карта имела наглядный вид, есть смысл непрерывные переменные сгруппировать, разделить на какие-то диапазоны.

Примерно можно возраст разделить на некоторые диапазоны, многие статистические пакеты делают это самостоятельно. Можно заложить здесь какой-то смысл, например, маркетинговый либо что-то еще (окончание учебного заведения, выход на пенсию и т.д.)

После того, как скоринговая модель построена, мы использовали два метода - метод логистической регрессии и второй — деревьев-решений.

После того, как мы построили скоринговую карту, надо принципиально определиться, как мы будем принимать решение на основании этой скоринговой карты.

Определить уровень отсечения, то есть тех клиентов, кого мы будем кредитовать, а кого нет.

Во-вторых, это ценообразование.

Понятно, что грамотное ценообразование должно учитывать все компоненты: фондирование, стоимость фондирования, расходы и вероятность дефолта, а также маржу банка.

Эта вероятность дефолта, которую определяет скоринговая карта, учитывается при процентной ставке.

Еще одним методом выбора уровня отсечения является максимизация доходов в зависимости от скорингового балла, от вероятности дефолта