Банки и микрофинансовые организации как правило используют свои методики оценки кредитоспособности клиентов, а также сотрудничают с частными бюро кредитных историй, которые собирают из различных источников и хранят информацию о потребителях. На Западе рынок кредитных агентств низкоконкурентный и занят крупными игроками: FICO, Experian, Equifax, TransUnion и SCHUFA. Используя данные этих агентств, кредиторы стремятся минимизировать риски, давая деньги только «надежным» клиентам. Однако проблема в том, что алгоритмы кредитных компаний не учитывают множество факторов и в целом предвзято относятся к некоторым категориям клиентов.

Кому благоволят традиционные системы скоринга? 

Людям с длинной кредитной историей и со стабильным доходом. Но есть много категорий населения, не подходящих под стандарты консервативных систем оценки кредитоспособности. Традиционные системы оценки плохо работают с молодежью. Статистика Experian показывает, что молодые люди обычно имеют самые низкие кредитные рейтинги, в основном из-за отсутствия кредитной истории. Это однозначно плохо для молодых людей, собирающихся взять ипотеку, поехать в кругосветное путешествие или сыграть свадьбу. 

Другая, высокорисковая, группа — люди, вовлеченные в гиг-экономику. Фрилансеры, водители такси и прочие группы населения со сдельной оплатой труда не очень привлекательны для банков. К этой категории можно также отнести владельцев микро- и малого бизнеса. Такие проблемы наблюдаются и в развитых экономиках, в частности во Франции и Японии. 

Еще хуже традиционные системы кредитного скоринга работают в развивающихся странах, где большие сегменты общества не имеют банковского счета или официального дохода, что дает кредиторам очень ограниченный пул данных, на которых они могут основывать свою кредитную оценку. 

Какой выход? 

Сегодня растущие разнообразие и объем данных о потребителях расширяют пул информации, которую компании могут потенциально использовать для определения кредитоспособности заявителей. Более того, развитие открытого банкинга во всем мире помогло упростить обмен данными между участниками отрасли, увеличив доступность данных о потребителях. Благодаря использованию технологии машинного обучения данные, которые не обязательно связаны с финансовой историей кандидатов, теперь чаще используются для построения прогнозных моделей оценки кредитоспособности.

Этим начали заниматься финтех-компании, предлагая более гибкие и точные системы оценки клиентов. По данным Experian, с 2014 по 2019 год финтех-компании увеличили долю на американском рынке потребительского кредитования более чем вдвое — до 49,4%.

Источник: Experian

Какие практики кредитного скоринга сегодня считаются самыми прогрессивными? Мы собрали несколько нашумевших кейсов, когда новые технологии и методики позволяют точнее оценивать надежность клиентов. 

Регулярные платежи 

Британский сервис CreditLadder — это инструмент, позволяющий клиентам использовать своевременные арендные платежи для улучшения своего кредитного рейтинга Experian и Equifax. Благодаря партнерству с кредиторами, в том числе с Nationwide и Starling, стартап делает кредиты доступнее для тех, кто только начал восхождение по карьерной лестнице, но уже может похвастаться платежами за квартиру без задержек. С учетом того, что миллениалы склонны скорее арендовать, чем иметь свое жилье, сервис оказался удобным и своевременным. 

Ваш «цифровой след»

Все мы ведем активную жизнь в интернете. Почему бы не собирать данные о жизни клиентов и не попытаться на их основе прогнозировать платежеспособность? Так, в 2019 году британский стартап Credit Kudos вступил в партнерство с компанией Cybertonica, занимающейся технологиями ИИ. Теперь Credit Kudos может включать в свой анализ поведенческую аналитику (движение курсора на экране, скорость печати на клавиатуре, быстроту нажатия на тачскрин), что сделает их системы кредитного скоринга более надежными.

Подобными разработками занимается и компания Lenddo, представленная во многих странах. Ее алгоритмы машинного обучения интерпретируют такие нетрадиционные для кредиторов данные, как активность в соцсетях, поведение в браузере а также геолокацию. Всего Lenddo берет во внимание более 12 тыс. переменных, анализ происходит за три минуты. Согласно данным компании, ее партнеры (банки и МФО) одобряют на 50% больше кредитов при более низкой вероятности дефолтов. 

В оценке кредитоспособности населения на базе «цифрового следа», преуспел Китай. Там выстроена система социального рейтинга, которая поощряет граждан за «правильное» поведение и наказывает нарушителей общественного порядка. Так, люди с низким социальным рейтингом не смогут купить билет на скоростной поезд или самолет. Систему социального кредита развивают частные компании, в первую очередь техногигант Alibaba со своей системой Sesame Credit. В ее формулу включен ряд нетрадиционных переменных — покупательских привычек в интернете до сообщений в социальных сетях. Основным драйвером внедрения таких систем в Китае является то, что только 25% населения имеют кредитную историю. Для сравнения, в США этот показатель — 89%.  

Торговля онлайн

Сегмент МСБ — важный «кусок пирога» для кредиторов. Компания Kabbage, основанная в 2009 году, выдает кредиты, основываясь на данных интернет-торговли, получаемых от сервисов EBay, Amazon, PayPal. Таким образом, Kabbage анализирует данные о продажах и реальных поставках. Сегодня Kabbage принадлежит компании American Express. 

Калифорнийский стартап Fundbox использует аналитику больших данных, чтобы помочь предприятиям быстро получить доступ к займам и кредитным линиям. Компания может принять решение о выдаче кредита менее чем за три минуты на основе информации, предоставленной через бухгалтерское ПО или банковский счет. Fundbox позиционируя себя как стартап, выступающий за финансовую инклюзивность, и предлагает специальные кредитные программы для малого бизнеса женщин и представителей меньшинств. 

Компания Q-Platform также предлагает скоринговую платформу предоставления займов МСБ. Она использует скоринг, основанный на анализе исторических денежных потоков, а также задействует машинное обучение для дальнейшей донастройки скоринга. Платформа обменивается данными с банком посредством API и динамически производит мониторинг состояния заемщика. 

Психоскоринг — эффективный инструмент? 

Малазийский стартап GFI предлагает скоринг клиентов на основе психографических методов, т.е. оценки психологии заемщика. По заявлению стартапа, его модель позволяет предсказать дефолт по кредиту для предпринимателей с точностью 90%. Использование психометрических тестов изучают и в России. 

В июле 2020 года Абсолют Банк заявил о результатах пилотирования психоскоринга для оценки заемщиков, собирающихся взять автокредит. Банк использовал решение Worthy Credit от израильского финтеха Innovative Assessments. Это онлайн-тест, способный анализировать набор личных компетенций человека, психологию потребительского долга и оценивать кредитоспособность по характеру заемщика. За три месяца тест прошли около 8 тыс. человек, и за это время удалось получить хорошую конверсию (на уровне 34%), а также заметить, что тестирование чаще не заканчивают клиенты с признаками склонности к мошенничеству. В ближайшие месяцы Абсолют Банк должен принять решение по внедрению психоскоринга в свою систему оценки кредитоспособности. Планы внедрить «скоринг по эмоциям» есть и у Альфа-Банка, но конкретные даты не сообщаются. 

Однако не все готовы использовать эту методику. Известно, что в Райффайзенбанке не хотят ее внедрять, так как это усложнит жизнь клиентов — им придется тратить до получаса на заполнение анкеты. В ПСБ изучали возможности психоскоринга, но также отказались от его использования.

Инновационные решения играют важную роль на высококонкурентном рынке кредитования. Банк, который даст клиенту удобный, быстрый и бесшовный опыт получения кредита, повышает свои шансы на успех. 

Мы, в Qplatform, предлагаем банкам пакет сервисов «Кредитный конвейер» — решение, позволяющее многократно повысить эффективность выдачи кредитов или гарантий благодаря высокой скорости обработки заявок (рост в 5–7 раз), многоуровневой проверке заемщиков (число недобросовестных заемщиков уменьшается на 50%), а также сокращению человеческого фактора в цепочке согласований. Подробнее о данном решении можно узнать в специальном разделе.