Скоростной скоринг: как новые технологии меняют оценку рисков в потребительском кредитовании

Розничное кредитование укрепляет свои позиции. Цифры не врут: в Штатах долговая нагрузка на домохозяйства достигла во II квартале 2018 года отметки $13,3 трлн. В России за 2017 год совокупный объём потребительских кредитов увеличился без малого на 11% и составил 12,5 трлн руб. Между тем повышаются риски, которые несут финансовые организации, предоставляющие такие займы. А значит, им требуются более точные способы оценки платёжеспособности потенциальных клиентов. К освоению новых технологий в кредитном скоринге побуждает сам рынок. Рассказывает генеральный директор компании “Национальный кредит” Владимир Звонарёв.

Ещё сравнительно недавно банки и кредитные организации полагались в основном на кредитную историю человека, величину его дохода, оценку FICO. Сегодня привычных данных мало. Во-первых, в силу необходимости эффективнее отсеивать мошенников и недобросовестных клиентов (например, склонных к рискованному финансовому поведению). Во-вторых, в силу того, что о существенной доли заёмщиков такой информации попросту нет, а если есть, то неполная. Следовательно, требуются иные критерии ранжирования тех, кто подаёт заявку на кредит, по степени благонадёжности.

Исследование Федеральной корпорации по страхованию вкладов США показало, что 27% домохозяйств страны почти не охвачены или слабо охвачены банковской системой. Среди них — миллениалы, которые зачастую предпочитают сервисы альтернативного финансирования, поэтому оставляют минимум следов в банковской системе. Например, у них популярны платформы p2p-кредитования. Согласно прогнозу Statista, к 2025 году через такие сервисы будет выдано займов более чем на $1 трлн.

Чтобы повысить точность скоринга, кредитные организации стараются поставить себе на службу инновационные методы и технологии. Часть из них успела укорениться в практике розничного кредитования, к части игроки рынка только примериваются.

Искусственный интеллект и машинное обучение

Технологии ИИ радикально меняют облик финансового сектора и принципы, по которым тот живёт. Кредитные организации и сами создают скоринг-продукты на базе методов machine learning и искусственного интеллекта, и прибегают к сторонним разработкам.

Один из передовых стартапов в инновационном скоринге — ZestFinance (США). Основанная на ИИ, его платформа собирает и анализирует данные из множества источников, в том числе сведения об онлайн-активности выбранных лиц; правда, в отличие от многих конкурирующих платформ, в ZestFinance информацию из соцсетей не используют, считая её малопригодной для своих целей. Отталкиваясь от тысяч сигналов, алгоритмы сервиса высчитывают, какой степени доверия заслуживает человек. Помимо всего прочего, система помогает выявить перспективных заёмщиков среди тех, кому кредитные организации по формальным признакам обычно отказывают в ссудах (например, короткая кредитная история или вообще её отсутствие). Говоря о сферах применения решения, достаточно добавить, что в ZestFinance инвестировал китайский интернет-гигант Baidu, с тем чтобы построить скоринг-платформу, которая использовала бы данные о поведении пользователей в поисковике.

В отличие от ZestFinance, гонконгская Lenddo делает ставку именно на оценку профилей заёмщика в социальных сетях и круга его друзей. При удачном прохождении такого «социального скоринга» одобряется микрокредит, обычно в несколько сотен долларов (стартап делает ставку на развивающиеся страны с низким средним доходом населения).

Свою предсказательную систему оценки кредитных рисков разработала в 2016 году и Mail.ru Group совместно с бюро кредитных историй Equifax. С помощью машинного обучения платформа анализирует крупные массивы данных и, по утверждению создателей продукта, позволяет находить надёжных заёмщиков в том числе в высокорисковых сегментах аудитории.

Биометрия

До сих пор огромная угроза для кредитных организаций — мошенники. Например, те, кто оформляет займы по чужим документам. Из-за недостаточно точного распознавания злоумышленников, пытающихся получить ссуду, банки и МФО вынуждены ужесточать требования к заявкам и отклонять многие из поданных добропорядочными гражданами, что чревато упущенной прибылью.

Сбор, упорядочивание и применение биометрических данных даёт возможность со значительно более высоким процентом достоверности идентифицировать заявителя и понять, не выдаёт ли он себя за кого-либо другого. Среди популярных и применимых в индустрии видов биометрии:

• аутентификация по отпечаткам пальцев;

• сопоставление речи клиента с его «голосовыми слепками»;

• сканирование сетчатки глаза;

• распознавание лиц на фото.

Централизованное применение таких технологий обещает снизить объём мошенничества в финансовой индустрии. В России летом 2018 года в рамках правительственной программы «Цифровая экономика Российской Федерации» была введена в строй Единая биометрическая система для подтверждения личности по голосу и изображению. С её помощью человек, пройдя регистрацию и «сдав» биометрические данные, в будущем сможет получать банковские услуги, включая кредитные, удалённо.

В мире существует множество стартапов, предлагающих свои методы или комплексы методов биометрического анализа. В том числе не самые обычные. Так, шведская BehavioSec делает ставку на определение личности по «рисунку печати»: силе нажатия на клавиши, скорости и темпу набора текста и т. д.

Универсальным средством защиты от опасностей, порождаемых человеческим фактором, биометрическая аутентификация не является, однако она способна заметно облагородить ландшафт финансового сектора.

Данные, больше данных

С развитием технологий data science становится возможным выявление всё более сложных закономерностей в массивах больших данных — были бы сами данные. Так что финансовые организации стремятся агрегировать максимально широкий пул информации о потенциальном заёмщике, и информации по возможности разносторонней.

Популярностью пользуется, в частности, транзакционный скоринг. Банки оценивают не только доходы клиента, запросившего ссуду, но и движение средств на его счетах, категории его трат, характер его расчётов с организациями.

В России с недавнего времени банки по согласию клиента вправе также запрашивать из государственных информационных систем юридически значимую информацию о нём, например: данные о налогах, о его недвижимости и транспортных средствах, ИНН и т. д. Всё это существенно обогащает портрет клиента и обеспечивает более высокую точность оценки кредитоспособности.

Работающий на американском рынке UpStart (основан выходцами из Google) наряду со стандартными метриками учитывает в своём скоринге образование кандидата на получение кредита. Вплоть до его отметок, сферы его деятельности и карьерного пути.

Активно финансовые организации используют и данные операторов сотовой связи. Портрет заёмщика могут существенно дополнить сведения о том, насколько регулярно и насколько много он платит за услуги мобильной связи, часто ли совершает звонки из-за рубежа и так далее. Причём банку вовсе не обязательно иметь прямой доступ к такой информации: он может предоставить компании-оператору телефонный номер потенциального клиента и получить от неё в ответ скоринговую оценку, которая покажет, насколько проблемным обещает оказаться заявитель.

Востребованы и психометрические модели скоринга. Иначе говоря оценки, основанные на измерениях, которые помогают с определённой вероятностью установить базовые качества, склонности, паттерны поведения личности. Такие модели сегодня задействуют игроки самого разного калибра, включая одного из лидеров рынка кредитных оценок FICO.

Круг данных, анализируемых банками, расширяется не только применительно к розничному кредитованию. Вспомним проект Модульбанка в сотрудничестве с операторами фискальных данных — «Кредит под оборот»: с помощью системы банк может быстро узнать, каков оборот по онлайн-кассам бизнесмена, который подал заявку на кредит.

На службу кредитному скорингу оказались поставлены, кажется, едва ли не все прорывные технологии последних лет. И судя по тому, какие мощности брошены на совершенствование моделей кредитных оценок, эти инновации вполне способны дать синергетический эффект.