Как помочь микрокредитной компании конкурировать с банками: кейс создания скоринга для МКК «СверхЗайм»
Микрокредитная компания «СверхЗайм» – новая компания, только выходящая на рынок. Компания работает в Южном федеральном округе. Продуктовый ряд включает не только нецелевые займы по паспорту и СНИЛС, но и финансирование на ремонт, продукт «Для своих» (клиентов с закрытыми займами или без просрочек), персональные займы для VIP-клиентов и ЛПР партнеров, а также услугу исправления кредитной истории.
На момент подготовки статьи в компанию поступило более 15 тысяч заявок. Средний срок займа – 24 месяца, средняя сумма – 120 тысяч рублей. Целевой портрет клиента – представитель рабочей профессии 35+ лет со средним или средним специальным образованием, имеющий семью, уверенный пользователь информационных технологий.
Мы не типичная МКК. Выдаваемые нами займы по своим базовым характеристикам (сроки, суммы, ставки, требования к заемщику) очень близки к банковским кредитам. Как следствие, нам нужна была такая система принятия решений, которая обеспечивала бы потери на дефолтах, также близкие к банковским. Однако подавляющее большинство систем на рынке МКК рассчитаны на принятие решений по займам «до зарплаты» с очень коротким сроком, очень высокими ставками и крайне высоким уровнем дефолтности. Поэтому потребовалась принципиально иная экспертиза.
Ключевой задачей системы было обеспечить скорость и качество принятия решений с нормативным уровнем потерь для получения нормативной прибыли по кредитному продукту. С учетом уровня ставок чувствительность компании к потерям очень высокая.
Для разработки и валидации системы принятия решений, учитывающей специфику продукта и потребности целевой аудитории, компания «СверхЗайм» обратилась к независимому риск-менеджеру Артему Близнюку (для разработки) и Владимиру Козлову, основателю компании Raisk (для валидации). Кратко расскажем о процедуре валидации.
Как мы валидировали скоринг
Владимир проделал огромную работу, позволяющую оперативно откалибровать данные скоринговой модели без учета исторической ретроспективы. До валидации значения скоринговой карты были расставлены экспертно, исходя из личного опыта выстраивания моделей оценки платежеспособности заемщиков. Итоговый результат ориентирован на собственников бизнеса и позволяет выстраивать бизнес-план компании с четкими цифрами конверсии на каждом этапе воронки продаж. Безусловно, продукт потребует калибровки после вызревания просрочки портфеля выданных займов, однако для компаний, которым требуется аудит системы принятия кредитных решений, эта разработка является большим плюсом.
Балльно-весовой скоринг был построен на 24 факторах. Итоговый рейтинг определялся по баллам. Решение по заявке (в т. ч. лимит и процентная ставка) зависело от результата умножения суммы баллов на вес каждого фактора.
При аудировании модели основной задачей Владимира Козлова было проверить полноту и сбалансированность скоринга, независимость системы от экспертных оценок. Для этого использовался байесовский классификатор.
На основе классификатора были выстроены априорные вероятности и частоты для тех или иных факторов. То есть риск-менеджер не только выставлял вес, но и определял, насколько часто встречаются те или иные социально-демографические и другие факторы. Это позволило взвесить все факторы по формуле Байеса и получить такую скоркарту, которая не меняется при увеличении клиентского потока.
Как работает система
На входе можно задать порог отсечения на определенный срок, например полгода или год. При этом настройки не рекомендуется менять чаще чем раз в полгода.
Кредитор задает свою норму отказов (красная зона «термометра»).
Важно, что балл отсечения – это не абсолютная, а плавающая величина, которая зависит от установленной нормы отказов.
В итоге получаем три блока факторов:
1. Значения зон скоринга по анкете.
2. Значения зон скоринга по кредитной истории.
3. Значения зон скоринга по прочим факторам.
Можно менять эти факторы в зависимости от критичности для заемщика и кредитора. Например, активно одобрять заявки клиентов с хорошей кредитной историей. На «термометре» видно, что плохая кредитная история имеет очень большой вес в принятии решения.
Таким образом, кредитор получает не экспертный скоринговый балл, а нормализованные значения, которые зависят от исходных данных и текущей ситуации. Это позволяет бизнесу не менять скоринг слишком часто. Притом все заявки можно вести в Excel, то есть в проверенном интерфейсе с выпадающими списками и другими удобными инструментами.
Отдельным важным результатом стала обновленная анкета заемщика. При разработке скоринга Артем Близнюк стандартизировал анкету, убрав из нее те вопросы, которые не имели значения для формирования итоговой оценки. Например, исходя из параметров продукта была исключена информация о наличии собственного имущества и наличии загранпаспорта – предпочтение отдавалось другим параметрам анкетного скоринга. Но нужно понимать, что основа системы принятия кредитных решений – накопленная статистика кредитора. Поэтому риск-менеджер должен искать новые зависимости, влияющие на NPL портфеля, меняя значения переменных, получаемых из внешних и внутренних источников. Система принятия кредитных решений – это живой организм, который адаптируется к макроэкономическим реалиям. Параметры могут меняться исходя из требуемых показателей финансовой модели и ситуации на рынке.
Подведем итог
Итак, компания «СверхЗайм» поставила перед собой задачу конкурировать за клиентов, которые по запрашиваемой сумме займа ближе к банковскому сектору. Но традиционные банковские модели оценки платежеспособности клиентов при решении этой задачи неприменимы, так как деятельность банков в РФ жестко зарегулирована.
В этом проекте пришлось приложить немало творческих усилий для кластеризации потенциальных клиентов. Ведь задача любого риск-менеджера – построение модели одобрения займов, которая позволяла бы достигнуть целей, указанных в бизнес-плане, составленном собственником бизнеса. При этом мы имели дело с достаточно редким случаем, когда собственник ставит четкие цели по PnL продукта.
Построение риск-модели для традиционно банковской аудитории при сохранении микрофинансовой аудитории – амбициозная задача, которую на рынке мало кто мог решить. Это своего рода «задача со звездочкой», решение которой было весьма интересным опытом.
На момент подготовки статьи заказчик тестирует результаты системы принятия решений, отслеживая (с согласия клиентов) кредитную историю заявителей, которым готов выдать заем.