У банковских кредитов наконец появился потребитель. Эксперты считают таковыми людей с доходом свыше 500 долларов в месяц. Только по официальной статистике, в Москве и области таких более 1,5 млн, в Петербурге — около 300 тыс., всего по России — более 2,5 млн человек. В среднем потенциал рынка кредитования оценивается сейчас в несколько миллиардов долларов в год. Исходя из очень «демократичной» ставки примерно в 9—10%, ежегодно банки могут зарабатывать на этом сотни миллионов долларов.

Причем велика потребность именно в экспресс-кредитах. Весьма показателен пример банка «Русский Стандарт», который одним из первых стал выдавать кредиты на покупку автомобилей прямо в салонах. Кредиты выдавалась под 50% годовых. Но спрос на быстрые кредиты был столь велик, что клиенты соглашались оплачивать и такую ставку.

И если полтора-два года назад скоринг как неотъемлемую часть и собственно технологическое обеспечение выдачи экспресс-кредитов практиковали только «Русский Стандарт», ДельтаБанк и «Первое О.В.К.», то вскоре их догнали Райффайзенбанк, Ситибанк, Пробизнесбанк, Альфа-Банк, Росбанк, МДМ-Банк. За последние полгода о внедрении у себя скоринговых продуктов заявили сразу несколько банков. Питерская компания Forecsys разработала скоринговый алгоритм для банка «Петрокоммерц». Начальник управления развития продуктов и услуг для физических лиц банка «Петрокоммерц» Татьяна Гердова связала появление такого заказа со значительным увеличением числа кредитов и планами по активному развитию программ кредитования населения, включая выпуск кредитных карт.

Из истории

Кредитный скоринг получил распространение в США более полувека назад в форме процедуры балльной оценки соискателей кредита по скоринговым картам. В условиях дефицита специалистов по розничному кредитованию кредитный скоринг должен был стать, таким образом, суррогатом опыта кредитных офицеров.

Однако, если деятельность кредитного офицера в «доскоринговую эпоху» базировалась на субъективных оценках (результат жизненного, профессионального опыта и интуиции), то с внедрением скоринговых карт основной упор стал делаться на формальный анализ, что значительно упростило и ускорило работу по анализу кредитоспособности заемщиков.

Внешне все выглядело просто. Соискатель сообщал о себе сведения: возраст, доход, профессия, стаж работы, наличие имущества и т.д. А кредитный офицер банка определял баллы по специальной таблице — скоринговой карте. Каждому значению показателя выставлялся свой балл, например, возраст от 35 до 42 лет — 83 балла, доход от 30 до 40 тыс. долларов — еще 76 баллов. В зависимости от количества набранных скоринг-баллов по таблице же рассчитывался максимальный размер ссуды, которую банк был готов предоставить заемщику.

Поскольку подсчет баллов в скоринговой таблице — чисто техническая процедура, его можно было поручить сотруднику банка, не имеющему большого опыта в розничном кредитовании. В последние 30 лет скоринговые карты как инструменты поддержки принятия решений при выдаче кредита стали широко использоваться в банках, а фирмы, специализирующиеся на составлении скоринговых карт, получили устойчивую нишу на рынке.

Карты старые лягут, как веер

Специализированные фирмы, составляющие по заказу банков скоринговые карты, появились на рынке благодаря тому, что разработка карт базируется на статистической обработке больших массивов исторических данных о кредитных прецедентах (погашенных и непогашенных кредитах). Многие банки в то время не были готовы к самостоятельному выполнению такой процедуры ни технически, ни методически, ни информационно.

Скоринговые карты составляются для конкретных кредитных продуктов и задач анализа (Application-Behavioral-Collection Scoring) и имеют ограниченный срок применения.

Длительность периода актуальности скоринговой карты зависит от характера и масштаба изменений в экономике и может варьироваться от года до нескольких лет. Проблема здесь кроется в том, что «ухватить» новую тенденцию статистическими методами можно лишь с помощью выборки данных, которые уже реализуют эту тенденцию, и если период смены тенденций сопоставим с периодом накопления данных статистического анализа, то скоринговая карта может стать устаревшей уже к моменту ее расчета.

На Западе эта проблема была решена в основном засчет создания кредитных бюро, получивших законодательную базу для сбора и использования таких данных. И именно кредитные бюро стали главными заказчиками технологий скоринговых карт.

Сейчас западные банки располагают мощной вычислительной техникой и нужным объемом кредитных историй. Любому банку по силам внедрить собственную систему кредитного скоринга и самостоятельно осуществлять расчеты скоринговых карт. Прямой расчет показывает, что суммарные издержки при этом могут быть существенно ниже, чем в случае регулярной покупки скоринговых карт у внешних разработчиков.

По оценкам компании SAS, cтоимость покупки скоринговой карты для одного кредитного продукта варьируется у лидеров рынка скоринговых услуг от 40 до 60 тыс. долларов. При среднем сроке актуальности скоринговой карты в два года банк затратит в течение пяти лет как минимум 120 тыс. долларов на обновление скоринговой карты по каждому кредитному продукту. С учетом того, что кредитное предложение банка базируется обычно на 5—10 таких продуктах, стоимость приобретения скоринговых карт может значительно превысить стоимость внедрения и сопровождения собственной системы кредитного скоринга.

Кроме того, за последнее время методы скоринга существенно развились. Хотя скоринговые карты продолжают широко использоваться в банках, они рассматриваются теперь лишь как один из возможных подходов к оценке кредитного риска и одна из возможных моделей кредитного скоринга.

В современный арсенал методов кредитного скоринга входят инструменты предиктивного анализа (prediction — прогноз, предсказание). Это регрессия, деревья классификации (деревья решений), нейронные сети, генетические алгоритмы, методы правдоподобных рассуждений и другие методы data mining.

Наиболее популярными сегодня являются три основных подхода к скорингу: с использованием логистической регрессии, дерева классификации и нейронной сети. Основное различие между этими тремя методами заключается в подходах к способам сегментации прецедентов обучающей выборки. Например, одно из самых известных западных решений на рынке — SAS Credit Scoring Solution — использует все три метода.

Идентификация заемщика

Понятно, что банки остро нуждаются в усредненном портрете идеального заемщика, на сравнении с которым и строится модель оценки клиента. Именно такой усредненный портрет и выстраивается в скоринговой карте, поскольку каждый раз оценивается не одно качество, а их совокупность. Скоринг выделяет те характеристики клиента, по которым можно определить, надежен или не надежен клиент. То есть люди какого социального статуса, профессии, семейного положения всегда и исправно возвращали кредиты в срок, с кем возникали проблемы, а кто оказывался мошенником или недобросовестным заемщиком.

Поэтому обычно банк интересуется возрастом клиента, семейным положением, количеством иждивенцев, профессией, местом работы и стажем работы на последнем месте, доходом, стоимостью жилья, наличием телефона и т.д. Очевидно, что объективно проверить можно только несколько пунктов из всей анкеты, касающихся возраста, семейного положения, места регистрации, — все это указано в паспорте. Остальные данные могут как соответствовать действительности, так и быть преувеличены (преуменьшены) заемщиком. Вот почему вопросы часто имеют перекрестный характер, позволяя банку вычислить несоответствие. Имея математическую формулу и численное выражение той или иной характеристики клиента, банк в состоянии быстро принять решение о выдаче кредита, избежав длительных проверок и уточнений данных анкеты, ведь основанные на математических моделях системы являются более действенными и надежными. Клиент заполняет стандартную анкету, а компьютер, оценивая ответы, выставляет баллы, которые определяют, выдать ли кредит и на какую сумму. При этом подобное решение будет достаточно беспристрастным — выбирает не человек, а компьютер.

Программа должна быть составлена таким образом, чтобы суметь не только оценить клиента в его нынешнем положении, но и предположить, как он станет действовать в случае возникновения каких-либо проблем. Человек востребованной на рынке специальности, с хорошим образованием сумеет быстро найти работу, тогда как обладатель хорошего дохода, но редкой профессии может на некоторое время остаться без заработка.

Чтобы обеспечить максимальную точность скоринговых систем, банки прибегают к дифференциации потенциальных заемщиков. «Под каждую программу определяется целевая аудитория и разрабатывается собственный скоринг с соответствующей процедурой проверки, — рассказывает Дмитрий Ищенко, вице-президент ДельтаБанка. — Что реально для менеджера среднего звена, не подходит для студента или домохозяйки. Именно такой дифференцированный подход позволяет нам не испытывать серьезных трудностей по поводу возврата кредита».

Большинство банков, которые сейчас задействуют скоринг, использовали в качестве основы для его создания западные решения или модели. Но, по словам советника генерального директора Сибакадембанка Андрея Бекарева, в реальной российской ситуации формализованные программы скоринг-оценки заемщиков могут просто не работать. «Мы исследовали динамику значений вероятности непогашения кредита по каждой из характеристик в отдельности за два года и пришли к достаточно простому, хотя и парадоксальному выводу: в нынешних условиях не столь важен даже доход клиента, сколько его желание отдать долг в будущем и трезвый подход к своим финансовым возможностям. Формализованная же программа скоринг-оценки такие характеристики не оценивает. Хотя, конечно, от применения скоринг-систем никто не собирается отказываться и они постоянно совершенствуются», — говорит А. Бекарев.

Проблема постоянного совершенствования систем скоринга актуальна для банков и в том контексте, чтобы они позволяли достаточно оперативно корректировать критерии оценки заемщиков. Например, компания «ПрограмБанк», внедрившая систему скоринга в уже упомянутом ДельтаБанке, использовала для первоначального формирования модели собственную базу данных банка. Как говорит ведущий специалист отдела внедрения проекта «Гефест» компании «ПрограмБанк» Роман Семенов, в дальнейшем настройка скоринговой модели может быть выполнена силами работников самого банка непосредственно в процессе эксплуатации системы, на основании накопленных данных.

Со временем банки и страховые компании будут все более и более детализовать данные по потенциальным заемщикам. По мнению заместителя генерального директора страховой компании РОСНО Виктора Станкевича, более глубокая детализация в скоринге начнется, когда кредитование «переварит» верхнюю часть «пирамиды» потенциальных заемщиков, которая сейчас охвачена. При движении к основанию клиентской «пирамиды» качество заемщиков будет неизбежно падать, а потребности ритейла будут требовать роста объемов кредитования. В такой ситуации для определения кредитонадежности клиента система скоринга, по его мнению, должна обрабатывать информацию с наибольшей степенью детализации. Тогда в анкетах можно будет встретить вопросы: в какую сторону выходят окна квартиры, какие номера у машины.

Скоринг в банковском ПО

Обычный порядок работы скоринговой системы с внешней, «клиентской», стороны выглядит следующим образом: заполненная анкета автоматически загружается в систему, оперативно выдается информация о платежеспособности заемщика и рассчитывается максимальный размер кредита с распечаткой соответствующего отчета. Схема может быть усложнена засчет проверки достоверности тех или иных сведений (скажем, о наличии автомобиля). На основе сформированного отчета представитель банка заключает кредитный договор на определенную сумму (или же отказывает в предоставлении займа) и заносит в систему данные, также подтверждая их распечаткой сопутствующих документов.

Большинство скоринговых систем сейчас могут работать и в составе систем дистанционного обслуживания клиентов. Например, терминалы кредитных работников RS-Loans могут работать через удаленное соединение, при этом используется единая база данных банка. Однако возможен и такой вариант: представитель банка заполняет анкету и пересылает ее в режиме безопасного соединения (напрямую или, например, через интернет) на сервер с базой данных RS-Loans, где обработчик событий автоматически загружает ее, формируя соответствующие отчеты и документы, полностью готовые к обратной пересылке представителю в торговой точке.

Скоринговая модель может быть также создана на основе хранилища данных, действующего в банке. Тогда, говорит руководитель отдела исследований и развития компании «Диасофт» Анна Чернобыльская, хранилище данных является общим ресурсом (технологией) для принятия управленческих решений в банке, а скоринг выступает как частный случай такого решения (может пересекаться, например, с CRM-схемами и др.).

Такого рода механизм, по ее мнению, может быть реализован в рамках современных АБС с помощью специализированных настроек без использования дорогостоящих западных скоринговых продуктов.

Этот подход был реализован компанией «Диасофт» в 2004 году в Альфа-Банке в виде маркетингового хранилища данных Datagy.

Заглянуть в душу

Отдельная проблема скоринга — мошенники. Простой анализ вопросов анкеты позволяет без труда обойти в ней все «подводные» камни, которые закладываются для проверки достоверности предоставляемых данных. Самый распространенный механизм — организация специальных групп лжезаемщиков, формально соответствующих требованиям банка по проверяемым характеристикам и обученных правильно отвечать на те вопросы анкеты, которые банк проверить не может. Не защищает скоринг и от заемщиков, сообщающих о себе частично недостоверные данные, — причем не для того, чтобы обмануть банк, а просто не умея рассчитать свои финансовые возможности.

Поэтому, соглашаются эксперты, самое важное — собрать о заемщике не формальные данные, а составить его психологический портрет. Но тут уже никакая, даже самая совершенная балльная система оценки не поможет. Поэтому по кредитам, получаемым по скоринговой системе (а это чаще всего потребительские экспресс-кредиты, оформляемые непосредственно на месте продажи товара), и процент выше, и сроки короче. Так, перекрывая свои риски, банк перекладывает часть ответственности за невозвращенные кредиты на плечи добропорядочных заемщиков.

Но все равно риск невозврата остается, и практически повсеместно он перекладывается на плечи заемщиков: банкиры повышают проценты по кредитам. И обычно чем быстрее выдается кредит и соответственно меньше данных проверяется, тем выше процентная ставка. Единственный выход из замкнутого круга — развитие кредитных бюро.