Cкоринговая модель в краудлендинге

Скоринг (англ. Score – подсчитывать очки), будучи совокупностью математического и статистического методов оценки риска заемщика, стал активно применяться банками, когда у них накопилось достаточное количество данных о клиентах и дефолтах. Анализ этих данных формулирует гипотезу о возможности заемщика обслуживать долг, по результатам которой соискателю кредита присваивается индивидуальная оценка кредитного риска, влияющая на формирование индивидуального предложения.

В момент развития IT-технологий и цифровизации на смену тяжелому аналитическому подходу пришел кредитный скоринг, благодаря которому процесс обработки заявок был упрощен. Активное внедрение данной технологии в России произошло примерно в 2000-х, когда накопленные банками, госучреждениями, мобильными операторами данные стали массово переводить в цифру. Существует сотни скоринговых моделей и их количество постоянно растет, так как каждая компания, беря за основу существующую программу, “приправляет” собственными доработками, с учетом профиля кредитной компании с целью увеличить коэффициент точности и уменьшить уровень дефолта.

Скоринговые системы особенно хорошо зарекомендовали себя при кредитовании физических лиц. При построении кредитного конвейера в рознице скоринг - это оптимальная модель оценки риска при принятии решения. Создание универсальной скоринговой модели для кредитования юридических лиц, способной учесть весь спектр специфических особенностей сегмента малого и среднего бизнеса – весьма сложная задача. Банки разрабатывают нишевые кредитные продукты, которые базируются на определенном массиве данных. Так, при выдаче овердрафта анализируются обороты по расчетному счету компании и результаты определяют условия по овердрафту. В случае краудлендинговой платформы fair finance, заемщиками являются компании малого бизнеса, занятые в исполнении госзаказа. При оценке риска учитывается опыт исполнения госконтрактов. Дополнительным инструментом в тестовом режиме мы используем инструмент интервьюирования заемщиков. Сложный сценарий опроса и анализа полученных данных позволяют значительно повлиять на решение о возможности выдачи качественного займа.

Предоставленные заемщиком ИНН компании и номер госконтракта дают возможность получить информацию о генеральном директоре и учредителях компании, по которым, анализируются данные арбитражных судов, службы судебных приставов, а также данные по стоп-листам, которые находятся в открытых и закрытых источниках. Стоп-факторами являются опыт ведения бизнеса до одного года, финансирование нерезидентов, компаний с государственным участием и ряд отраслей экономики с повышенным уровнем риска.

Далее платформа обращается в бюро кредитных историй, к сайту госзакупок и проверяет набор критериев на соответствие требованиям скоринга заемщика и госзаказчика.

В fair finance после формирования отчета, с результатами анализа работает андеррайтер, в задачи которого входит в том числе ручная проверка первоисточников. Им же проводится видео-интервью. Андеррайтер имеет право не согласится с решением скоринга и отказать или, наоборот, принять положительное решение о выдаче денежных средств.

По результатам проверки заемщику присваивается рейтинг - оценка вероятности дефолта. Чем выше рейтинг (А), тем безопаснее сделка и тем более низкая ставка подразумевается. Чем ниже рейтинг (D), тем выше ставка. На платформе fair finance клиенты с рейтингом C и D не попадают на табло заявок, что повышает качество портфеля.

Скоринг-системы извлекают необходимую информацию с различных ресурсов: СПАРК, БКИ, сайта госзакупок и др. В зависимости от направления, система может брать информацию, например, из базы данных сотовых операторов, интернет провайдеров, геолокации, соцсетей, что помогает банкам оптимизировать и усовершенствовать свою систему в розничном кредитовании. Проанализировав собранные данные скоринг-модель выдает оценку деловой репутации и бизнес-активности.

Много усилий сегодня направлено на то, чтобы совершенствовать скоринговую модель. Универсальной модели не существует, но есть возможность научить систему самостоятельно адаптироваться и переобучаться на обновляющихся данных - Machine Learning.

Скоринг невозможен без базы данных и страны всего мира все больше внимания уделяют этому вопросу. Все больше и больше информации сегодня активно переводятся в цифру: трудовые книжки, медицинские карты и т.д. Можно, конечно, бояться всемирной слежки, а можно понять, что данные делают нашу жизнь удобнее, понятнее и проще. И речь идет не только о кредитах, но и о продуктах из любой другой категории.

Выгодное предложение в твоем телефоне как раз в тот момент, когда это необходимо? Легко! Ведь есть скоринг!