Вход Регистрация
Подписка
Новости Войти в раздел

Оценка заемщика в новых условиях

У населения риск-менеджмент обычно ассоциируется с отказами в кредитах, то есть подавляющее большинство думает, что основная задача соответствующего подразделения — определить, кому кредит нельзя выдавать. На самом деле классическая задача «рисковика» — выявить тех, кто с приемлемой вероятностью вернет полученную ссуду, оплатит проценты и принесет тем самым прибыль организации. В более широком смысле задача заключается в определении параметров кредита (суммы, срока, ставки), который конкретный заемщик а) возьмет и б) вернет с процентами

Таким образом, с одной стороны, мы видим классическую задачу по оптимизации, конечной функцией которой может быть или максимальная прибыль, или рост портфеля (клиентской базы), или совокупность этих и ряда других конечных переменных. С другой стороны, сам процесс требует не только знания математики, но и экспертизы практически всех кредитных процедур, возможностей IT-инфраструктуры, а также максимально точных знаний о заемщиках.

Относительная простота первой стороны процесса создания эффективного риск-менеджмента приводит к феноменологическим процедурам: мы замечаем статистическую переменную, которая влияет на то значение, которое мы пытаемся предсказать. Например, вероятность дефолта заемщика через определенное время после получения кредита. Компонуем эти переменные с определенными весами и получаем скоринговую карту или формализуем переменные в системе правил по принятию решений. Наблюдая за скоринговой картой и системой правил, мы замечаем новые явления, вносим их в свои модели, усложняем их, добиваясь тем самым лучшей прогнозной силы. Конечно, усложняющиеся процедуры требуют все больших средств на их поддержание и актуализацию, но при достаточной квалификации «рисковиков» и аналитиков все работает хорошо.

Однако такая идиллия прекращается, как только мы сталкиваемся с новыми заемщиками: они необязательно будут подчиняться тем же законам, на основании которых мы выстраивали нашу предсказательную модель. При этом новые заемщики могут возникнуть как по инициативе кредитора (выход на новые сегменты рынка, в новые регионы и т.п.), так и независимо от его желания. Например, вследствие серьезных изменений в среде обитания заемщиков (да и самого кредитора), то есть в политике, экономике, регуляторной практике, общественном сознании и так далее. Такой список можно продолжать до бесконечности, но лучше ограничиться простой констатацией факта — наступили новые условия, которые изменили поведенческие характеристики клиентов, то есть привели к тому, что так долго выстраиваемая предсказательная система, на которую потрачено много времени и сил, начала давать сбои.

Конечно, в такой ситуации можно (и многие кредиторы поступают именно так) продолжать наблюдения за популяциями, выявлять новые закономерности, корректировать старые модели и вносить изменения в предсказательные модели и системы принятия решений. Понятно, что при таком подходе надо или существенно сокращать входящий поток, ограничивать вплоть до нуля кредитование «с улицы», или принимать повышенный риск дефолта заемщиков. Если говорить об изменениях, произошедших в розничном кредитовании в 2015 году, то мы столкнулись именно с сокращением кредитования новых клиентов большинством банков. Во второй половине 2015 года и в 2016 году по мере стабилизации общеэкономической ситуации в стране розничное кредитование начало постепенно оживать, и многие банки смогли полностью или частично купировать потери на портфелях, сформированных до 2015 года.

Тем не менее сегодня можно сказать , что 2015 год привел к популяризации другого подхода в риск-менеджменте — ориентации на индустриальные системы оценки риска, а именно скоринг бюро. Причина повышенного интереса кредиторов к этому инструменту в периоды волатильности валют — в том, что индустриальное скоринг бюро создается на исторических данных, включающих аналогичные потрясения. В случае со скоринг бюро НБКИ это 2008-2009 годы. Кроме того, поскольку переменные, используемые в индустриальном скоринг бюро, учитывают все клиентские и продуктовые сегменты, стабильность таких моделей априори выше.

Второй и, как показала практика, не менее важной особенностью скоринг бюро стала возможность его использования на существующих кредитных счетах (account management). Понятно, что в процессе кредитования важно понимать риск не только по вновь открываемым счетам, но и по портфелю, то есть по заемщикам, уже имеющим активный кредит. В процессе обслуживания обязательств такие клиенты изменяют свой риск-профиль, что требует пересмотра прогнозов кредитора, а это вопросы фондирования, резервов, доходов и т.д. Таким образом, можно сказать, что использование индустриальных предиктивных моделей оценки кредитного риска — первая рекомендация в период волатильности на рынке.

Но кредитный риск — не единственная переменная, характеризующая заемщика. Одной из особенностей розничного кредитования в России можно считать низкую финансовую грамотность заемщиков и как следствие переоценку ими своих возможностей по обслуживанию долга. То есть риск-менеджер должен уметь не только оценивать способности заемщика обслуживать долг на основе фактических данных о его кредитной истории, но и хорошо понимать возможности клиента. Действительно, каким бы ответственным ни был человек, если его текущий платеж превышает доход, он платить не сможет. Более того, дефолт наступит при достижении определенного критического уровня текущей долговой нагрузки — отношения ежемесячных платежей по всем обязательствам к месячному доходу.

Именно поэтому контроль за текущей долговой нагрузкой приобретает все большую значимость в розничном кредитовании. Для эффективного применения этого индикатора необходимо решить две локальные задачи: первая — оценка ежемесячных доходов заемщика, вторая — определение пороговых значений нагрузки, при которых влияние на вероятность будущего дефолта становится значимой. И, если вторая задача — сугубо техническая, решаемая с помощью анализа наблюдений за различными сегментами заемщиков, первая задача может стать камнем преткновения для успешной реализации. Проблема заключается в том, что в российской действительности у кредитора нет возможности получить достоверную информацию о доходе. Если все кредитные обязательства и история их обслуживания для кредитора прозрачны благодаря кредитной истории из НБКИ, то данные о доходах, находящиеся в ведении государственных органов (ПФР России и ФНС), пока недоступны.

В этой ситуации большинство кредиторов вынуждено разрабатывать дополнительный математический аппарат, позволяющий оценивать реальный доход заемщика на основе его социально-демографического портрета. Не осталось в стороне от таких исследований и НБКИ. В 2014 году в Бюро была создана методика сбора отраслевых данных о реальных доходах россиян и расчета текущей долговой нагрузки. Отличительной особенностью методики стала детализация индикаторов долговой нагрузки по различным микросегментам заемщиков. В частности, методика позволяет анализировать индикаторы по доходам заемщиков, по регионам проживания, по типу задолженности (залоговые и необеспеченные кредиты), по количеству действующих кредитов, по возрасту, отрасли занятости и занимаемой должности.

Все результаты открыты для кредиторов, передаются им два раза в год и могут использоваться как для проверки собственных моделей оценки текущей долговой нагрузки, так и для непосредственного использования в системах принятия решений.

Интересна практика совместного применения индикаторов кредитного риска (скоринг бюро, то есть скоринга на основе кредитной истории) и долговой нагрузки (скоринга на основе возможностей заемщика обслуживать долг). В настоящее время наиболее популярна матричная модель использования интегральных переменных, рассчитанных на различных типах данных.

Принципиальный вид матричной таблицы применения разных скорингов показан в таблице 1.

Таблица 1. Принципиальный вид матричной таблицы применения разных скорингов

Степень риска  
Низкий балл (высокий риск)

Средний балл (средний риск)

Высокий балл (низкий риск)

Долговая нагрузка

Высокая (высокий риск)

Отказ

Отказ

Понижение лимита

Средняя (средний риск)

Отказ

Стандартный кредит

Стандартный кредит

Низкая (низкий риск)

Повышение ставки

Стандартный кредит

Премиальное предложение

Источник: НБКИ

В приведенном примере, как видим, кредитор имеет возможность более индивидуально подходить к оценке заемщика и, более того, диверсифицировать для него персональные предложения. Так, для заемщиков с высокой долговой нагрузкой, конечно, чаще всего генерируется отрицательное решение. Но для сегмента с хорошей кредитной историей риск дефолта можно компенсировать снижением суммы кредита. Для заемщиков с плохой кредитной историей в случае, если долговая нагрузка ожидается на низком уровне, повышенный риск можно компенсировать повышением ставки.

С иных позиций надо отнестись к заемщикам с хорошей кредитной историей и низкой долговой нагрузкой. Такие заемщики с точки зрения риска приоритетны для любого кредитора. Но именно эта их особенность позволяет им иметь массу предложений от конкурентов, то есть дает возможность выбирать кредитора. Поэтому, если кредитор хочет выдать кредит такому заемщику, для него должно быть сформулировано премиальное предложение. На этом примере, кстати, видна логичная связь риск-менеджмента и кредитного маркетинга — еще одной тенденции последнего времени в розничном кредитовании.

Насколько такие матричные модели могут эволюционировать, можно продемонстрировать на таргетированной модели рассылки предложений по существующей клиентской базе (см. таблицу 2). По вертикальной оси представлена шкала скоринг бюро НБКИ (от 350 до 850 баллов, где более высокий балл означает меньший риск), по горизонтальной — градация по доходам заемщика (от меньшего к большему).

Таблица 2. Таргетированные модели рассылки предложений по существующей клиентской базе

Скоринг бюро НБКИ Внутренний скоринг (доход)
1

2

3
4 5 6 7 8 9

10

<650

2

 

 

 

 

 

 

 

 

 

 

Не рассылать

 

 

 

 

 

 

 

 

 

 

670–679

 

 

 

Минимальный

Минимальный лимит / средняя ставка

680–689

                                       лимит

Стандартный лимит

 

Стандартный

770–779

Лимит / низкая ставка

 

780–789

790–799

 

 

Премиальный лимит / очень низкая ставка

800–809

Не рассылать

 

 

810+

 

 

 

 

 

 

 

Источник: НБКИ

Более того, нетрудно догадаться, что в качестве дополнительных индикаторов риска можно брать любые интегральные переменные, доступные кредитору. В нашем случае это доход или текущая долговая нагрузка. Но это также могут быть данные по транзакциям клиента, оценка его профиля в социальных сетях и т.п. И, конечно, ничто не мешает кредитору двумерную модель усложнить до нужного количества размерностей.

Очевидно, что в итоге мы придем к сегментации заемщиков именно с той детализацией, которая нам нужна. В качестве примера важности сегментации по такой важной переменной, как текущая долговая нагрузка, приведем несколько распределений, показывающих, насколько этот показатель различается у различных заемщиков. Приведенные данные соответствуют замеру на октябрь 2016 года и полностью представлены в «Обзоре долговой нагрузки российских заемщиков», публикуемом НБКИ для кредиторов.

Даже поверхностный анализ приведенных выше индикаторов (таблицы 3–6) говорит о существенных различиях в разных сегментах заемщиков. В текущей ситуации на рынке кредитору не просто полезно, а необходимо эти различия понимать и учитывать в своих кредитных политиках.

Таблица 3. Индикаторы долговой нагрузки в зависимости от дохода заемщика

Индикатор Нижний дециль

Нижний квартиль

Медиана
Верхний квартиль Мода

Доход в месяц, рубли

15 000

20 000

28 000

40 000

25 000

Долг, рубли

71 739

86 936

164 702

 389 011

132 525

Ежемесячный платеж, рубли

4282

5030

8445

17 957

7147

Отношение долга к годовому доходу

49,49

47,64

45,73

48,79

44,17

Текущая долговая нагрузка (отношение ежемесячных платежей по всем кредитам к доходу в месяц)

27,26

25,71

22,65

19,84

23,01

Источник: НБКИ

Таблица 4. Текущая долговая нагрузка в зависимости от количества активных кредитов у заемщика

Количество действующих кредитов Текущая долговая нагрузка

1

18,28

2

23,55

3

28,96

4

33,26

5 и более

37,71

Источник: НБКИ

Таблица 5. Индикаторы долговой нагрузки в региональном разрезе (10 произвольных регионов) и в зависимости от дохода

Регион Доходы ниже средних (1-й квартиль) Средние доходы (2 и 3-й квартили) Доходы выше средних (4-й квартиль)
Доход до

Текущая долговая нагрузка

Отношение долга к годовому доходу
Доход - медиана Текущая долговая нагрузка Отношение долга к годовому доходу Доход свыше Текущая долговая нагрузка

Отношение долга к годовому доходу

Алтайский край

20 279

26,28

27,64

29 124

21,78

27,21

40 042

20,37

31,82

Брянская область

24 093

25,72

29,22

32 278

21,20

27,16

50 842

18,79

27,42

Владимирская область

26 074

24,62

33,04

33 896

21,96

32,55

50 142

20,34

34,07

Волгоградская область

22 961

24,96

32,42

31 890

20,89

30,26

46 755

18,54

31,33

Вологодская область

23 887

27,83

38,11

32 554

24,47

38,73

45 557

22,64

39,18

Костромская область

19 599

32,07

34,95

27 220

25,46

33,16

38 108

22,54

34,68

Курская область

19 920

29,46

42,99

29 249

25,51

39,25

41 013

23,62

36,66

Ленинградская область

35 448

23,56

30,21

49 865

20,18

30,59

75 314

16,68

27,33

Липецкая область

23 156

27,20

35,24

29 696

24,08

36,04

42 671

22,65

33,16

Москва

48 699

24,55

34,72

67 064

20,29

31,75

104 294

16,64

29,03

Источник: НБКИ

Таблица 6. Отраслевое распределение текущей долговой нагрузки заемщиков Алтайского края

Регион Текущая долговая нагрузка

Автосервис

23,71

Административно-хозяйственный персонал

31,21

Банки и страхование

23,89

Закупки и снабжение

21,44

Инженерно-технический персонал

20,54

Информационные технологии

15,19

Маркетинг, реклама, PR

24,52

Мидл-менеджмент

22,57

Образование

26,48

Общественное питание

26,04

Продажи

24,30

Рабочие специальности

32,65

Службы охраны

37,18

СМИ

22,82

Строительство

30,49

Телекоммуникации и связь

10,39

Топ-менеджмент

16,15

Транспорт и логистика

27,16

Туризм и гостиничный бизнес

13,55

Управление персоналом

11,73

Финансы и бухгалтерия

22,74

Юриспруденция

27,90

Источник: НБКИ

Выводы

Современные рыночные условия требуют повышения компетенций риск-менеджеров, интеграции их с другими подразделениями кредитора (службы маркетинга, взыскания и т.п.), учета все большего диапазона информации о заемщиках.

Повышаются требования к стабильности прогнозных моделей и как следствие к индустриальным решениям, которые разрабатывались на длительном историческом периоде и учитывают предыдущие потрясения на рынке.

Существующая клиентская база должна быть под постоянным мониторингом риск-профиля. Кредитор должен уметь сегментировать клиентскую базу с максимальной детализацией и иметь решения для различных целевых групп.



Эта статья была разослана 1190 on-line подписчикам bosfera.ru
Выбор редакции
Real-time аналитика и Business intelligence (BI) в банке Были времена, когда BI была нужна в финансовой сфере, главным образом, для перевода необработанной информации, собранной внутри организации, в осмысленную, удобную для восприятия человеком форму....
24.04.2017
Материалы альянса финансовых медиа:
закрыть