Банковское обозрение

Финансовая сфера


12.10.2020 Аналитика
В поисках идеальной риск-модели

Торжество финтеха: как совместными усилиями участников финансового рынка и регулятора развиваются методы оценки рисков клиентов


О том, с какой головокружительной скоростью современные банки превращаются в финтех-организации, можно судить по тем методам оценки заемщика, которые они используют в своей деятельности. От простейших метрик на основе сегментации клиентов кредитные учреждения стремятся перейти к более сложным конструкциям, вкладывая существенные ресурсы в создание собственных аналитических подразделений, вооруженных по зубов по последнему слову IТ-техники инструментами аналитики больших данных, машинного обучения и искусственного интеллекта.

«Качество оценки риска — ключевая компетенция банка. Чем больше информации, тем точнее можно оценить качество заемщика и принять кредитное решение, — пояснил Алексей Крамарский, руководитель управления кредитных рисков розничного сегмента Райффайзенбанка. — Но ни один источник из имеющихся на рынке сам по себе не закроет эту потребность. Поэтому финансовые организации разрабатывают собственные скоринговые модели, чтобы как можно точнее оценить риск, иметь возможность комбинировать ценность разных источников данных и держать этот процесс под контролем». При этом скоринговые модели используются не только для оценки кредитного риска, но и для формирования резервов и капитала.

«Речь идет не столько об улучшении моделей оценки кредитного риска, сколько о расширении применения предиктивной аналитики — когда кредитору необходимо не только принять решение о выдаче нового кредита, но и прогнозировать доход клиента, его потребности не только в кредитных, но и в других финансовых услугах, реакцию на маркетинговую активность и т.п.», — подчеркнул Алексей Волков, директор по маркетингу Национального бюро кредитных историй (НБКИ).

Пожалуй, только малые банки с небольшим розничным портфелем могут сэкономить на собственном аналитическом подразделении, считает эксперт, и принимать решения, опираясь на рейтинги, получаемые из внешних источников. «Но если розница — существенная часть бизнеса, то стоит вкладывать серьезные ресурсы в разработку собственной модели», — полагает Алексей Крамарский.

Развитие оценки заемщика идет сегодня по двум направлениям: совершенствование математических методов оценки и использование новых источников данных. Представление о нынешнем состоянии этого аспекта деятельности дает, например, конференция Scoring Day 2020, которая состоялась в середине сентября.

Методы анализа данных

Новые методы анализа, широко использующие алгоритмы машинного обучения, прокладывают дорогу на рынок в борьбе с традиционными регрессионными инструментами линейного анализа. Эти модели прозрачны как с точки зрения самой структуры используемых данных, так и с позиции интерпретируемости результата. Правда, продвинутые IT-решения этого класса достаточно дороги, а их предсказательная способность, к сожалению, редко оправдывает вложенные инвестиции и возлагаемые надежды.

С современными нелинейными моделями скоринга ситуация иная. Во-первых, есть возможность использовать библиотеки свободно распространяемого ПО (open source). Во-вторых, эти модели обладают гораздо большей гибкостью и возможностью использовать большое количество разнообразных параметров. «Современные скоринговые модели, которые поставляет на российский рынок НБКИ, разработаны с учетом самых современных и эффективных технологий. В них используются элементы графового анализа, искусственного интеллекта, машинного обучения, — рассказал Алексей Волков. — Количество параметров для анализа может превышать тысячу уникальных предикторов».

При этом для конечного пользователя — кредитной организации — главной ценностью результата работы такой модели по-прежнему остается прогнозная сила модели, способность качественной сегментации, стабильность ее работы. И вот здесь проявляются особенности «нелинейности». В первую очередь, это большие проблемы с интерпретируемостью результата. 

Алгоритмы машинного обучения работают как «черный ящик», и невозможность заглянуть в этот ящик, чтобы увидеть, каким образом алгоритм пришел к тому или иному результату, — это «наследственная болезнь» всех систем, использующих машинное обучение.

Кроме того, у безусловно позитивной возможности использовать для скоринга огромное количество параметров есть обратная сторона. Скажем, сразу появляется желание применить для оценки детальную информацию о клиенте, включая все его транзакции. Например, такое направление анализа решили исследовать в Сбербанке. Как рассказал на конференции Scoring Day 2020 Дмитрий Крайнов, руководитель подразделения Сбербанка по моделированию рисков, использование в кредитном скоринге данных о транзакциях способно дать радикальное повышение эффективности моделей оценки риска и более миллиарда рублей чистой прибыли в год. Однако для этого требуется мощнейшая IТ-инфраструктура, способная обрабатывать информацию о миллиардах транзакций в режиме реального времени. 

Сбербанк продолжает движение в этом направлении. Заявленная цель — переход к оценке рисков клиента на основе всей истории финансовой жизни клиента на базе одной модели, которая к тому же охватывает все продукты кредитной организации. В русле подобных идей действует и Газпромбанк. Там выстраивается целый модельный конвейер — внедрение моделей поставлено на поток, то есть функционал машинного обучения, реализуемый в различных моделях, переведен на операционный уровень (Modelops).

Модельный конвейер Modelops «Газпромбанка»

Модельный конвейер Modelops «Газпромбанка»

Юлия Чехлова, директор анализа данных и моделирования Modelops Газпромбанка, считает, что переход к нелинейным моделям скоринга добавляет новый риск — модельный, который в числе прочего связан с использованием в моделях данных низкого качества. В целом, эти модели критически зависят от самого набора используемых данных и даже от их взаимосвязей между собой. 

«Например, в период карантина многие модели, в которых большие веса имели геолокационные переменные, перестали работать, — отметил Алексей Волков. — Кроме того, в периоды экономической волатильности — именно такой мы пережили весной 2020 года — существенно меняется поведение заемщиков. Поэтому модели, основанные на исторических данных, не учитывающих кризисные периоды, во многом утратили дискриминирующую и предиктивную функции». При этом учет макроэкономических параметров для оценки физлиц оказался «крепким орешком» для индустрии скоринга — удачной моделью пока не может похвастаться никто.

Не очень понятно, каким образом заложить в модели интересные тенденции, которые выявила историческая аналитика банков и независимых агрегаторов данных для скоринга в последнее время: появились значимая категория самозанятых лиц, а также молодое поколение с хорошими заработками, но без кредитной истории, и пока непонятно, как их оценивать. 

Сергей Капустин, заместитель председателя правления ОТП Банка, подметил неожиданную тенденцию, проявившуюся во время пандемии: безработные хорошо платят!

«Когда мы говорим о розничных клиентах, добавление каждого нового параметра сильно сказывается на результатах», — подчеркнул Дмитрий Крайнов. А поскольку борьба за улучшение результата идет на уровне процентов, добавление каждого нового параметра требует больших усилий по стабилизации работы модели.

Данные — это наше все?

Расширение периметра анализируемых данных достигается их закупкой из внешних источников. Бизнес на данных — один из важнейших драйверов сегодняшнего финтеха. Он стимулирует активную деятельность по разработке и продаже на открытом рынке «сырых» данных, связанных с физлицами, сведений, сгруппированных в переменные, результаты работы готовых моделей и т.д. Помимо БКИ в эту деятельность вовлечены организации-партнеры, владеющие полезными данными, например операторы связи, а также госструктуры, в частности ФНС, и независимые агрегаторы данных. «Сегодня на рынке очень много финтех-компаний предлагают на продажу данные клиентов, — отметил Виталий Щипков, генеральный директор аналитической компании MobileScoring. — Кредитный скоринг — это первый адрес, по которому они обращаются с предложением своих данных».

Методы получения данных из внешних источников, используемые российскими банками

Источник: MobileScoring, сентябрь 2020 года

С точки зрения техники соответствующие процессы в банках налажены, работают на скорости клика без участия человека. «Сегодня более 95% клиентов Райффайзенбанка получают решение по потребительским кредитам без участия человека. Райффайзенбанк одним из первых банков завершил интеграцию с сервисом “Цифровой профиль”, доступным всем пользователям портала Госуслуг. Это позволяет действующим и новым клиентам быстрее оформлять заявку на получение потребительского кредита и не предоставлять документы, подтверждающие занятость и доход», — отметил Алексей Крамарский.

Однако на возможность получить из внешних данных максимум пользы для скоринга оказывает влияние ряд существенных факторов:

  • большая часть данных в соответствии с законодательством о персональных данных требует явного согласия гражданина на обработку его данных;
  • приобретение данных из внешних источников — это расходы;
  • каждый параметр играет свою специфическую роль в системе параметров, применяемых для оценки риска заемщика в разных продуктах.

Еще несколько лет назад многое ожидалось от использования в скоринге данных соцсетей. Однако эти ожидания оказались завышенными. 

«Информация из соцсетей может служить дополнительным фактором, но вряд ли будет фактором определяющим. Встает проблема достоверности данных, неравномерности заполнения соцсетей, юридической правомерности. Необходимо отсеивать огромный массив ненужной информации», — поделился своими соображениями Алексей Волков. НБКИ вообще отказалось от использования в своей практике данных социальных сетей.

Эффективность разных источников данных с точки зрения банков

Источник: MobileScoring, сентябрь 2020 года

«Ничего не дается так дешево и не обходиться так дорого, как неправильное применение имеющихся данных для принятия решений!» — резюмировал Тимофей Костин из ID Finance.

Интенсивность использования внешних источников для каждого процесса (доля от общего числа опрошенных банков)

Источник: MobileScoring, сентябрь 2020 года

Таким образом, на рынке данных для скоринга сегодня действуют две существенные тенденции. Во-первых, компании стремятся получить данные из разных источников у одного поставщика, чтобы сократить затраты, как на сами данные, так и на технологическую инфраструктуру присоединения для обмена данными в онлайн-режиме. Во-вторых, проблема согласия клиентов на обработку их персональных данных приобретает угрожающие размеры. По сути, просматривается лишь один выход из создавшейся ситуации — появление на рынке нового типа коммерческих компаний-агрегаторов, владеющих анонимизированными хранилищами данных. 

Отношение российских банков к пользованию собственными моделями и внешними источниками данных

Отношение российских банков к пользованию собственными моделями и внешними источниками данных

Источник: MobileScoring, сентябрь 2020 г.

В целом, такая модель соответствует нынешним настроениям кредитных организаций: большая их часть заинтересована в использовании собственных скоринговых моделей, но с обогащением данными из внешних источников. Однако в игру вступает регулятор. Что меняется?

Квалифицированный скоринг

В первый день 2021 года вступает в силу Федеральный закон № 302-ФЗ «О внесении изменений в Федеральный закон “О кредитных историях” в части модернизации системы формирования кредитных историй» от 31.07.2020. О причинах модернизации «Б.О» рассказали в Банке России: «Практически все действующие скоринговые модели разработаны под потребности пользователей кредитных историй — кредиторов. Поэтому было решено модернизировать подходы Закона о кредитных историях и разделить разные виды скорингов на две группы: скоринги, необходимые кредиторам для принятия решений о выдаче кредита, и индивидуальный рейтинг субъекта кредитной истории, то есть физического лица».

 

 

Модернизация скорингов для кредиторов будет проходить под лозунгом унификации требований к целевой переменной, шкале и выборке данных. Сегодня бюро кредитных историй самостоятельно определяют методологию расчета рейтинга, в том числе шкалу и целевую переменную. Например, у трех крупнейших бюро, предоставляющих скоринговые услуги как кредиторам, так и гражданам, шкалы различаются, и это может вводить граждан в заблуждение. «Решить эту проблему должно наделение Банка России правом устанавливать требования к методике расчета рейтинга, а также к составу информации, подлежащей раскрытию при его предоставлении», — пояснили в Банке России.

Банк России планирует разработать и установить общие для всех бюро требования к целевой переменной (какое событие будет являться фактом неисполнения обязательства заемщиком, например, в случае просрочки свыше определенного периода времени), шкале (единый диапазон, к примеру от ста до тысячи единиц) и выборке данных (не менее определенного числа наблюдений), используемых для построения модели. «Предполагается, что такой набор требований позволит максимально сблизить значения рейтингов, присваиваемых различными бюро, при условии, что в них будет содержаться схожая информация о гражданине», — уточнили в Банке России.

С точки зрения практической реализации нового механизма, на рынке услуг бюро кредитных историй (БКИ) появятся квалифицированные БКИ (КБКИ), которые будут практически в онлайн-режиме предоставлять кредиторам сведения для расчета показателя долговой нагрузки заемщика. Также все бюро будут присваивать индивидуальные рейтинги гражданам для понимания ими своей кредитоспособности. Методику расчета долговой нагрузки и общие требования к методике присвоения рейтингов определит Банк России. Как это скажется на возможностях всех участников скорингового рынка? 

Как изменится рынок скоринга

Итак, порядок расчета совокупной долговой нагрузки будет унифицирован, а услуга расчета будет предоставляться в онлайн-режиме по принципу «одного окна». Причем закон расширяет состав источников формирования кредитных историй. В БКИ будет добавляться информация лизингодателей, гарантов, арбитражных управляющих, ипотечных агентов, а наличие в составе информации уникального идентификатора договора по каждому действующему обязательству позволит корректно дедублицировать данные, рассказали в Банке России. Это будет задавать некоторые единые ориентиры для банков для их собственных рейтингов и обогащать их надежным набором данных о среднемесячных платежах.

Что изменится для граждан

То, что граждане смогут узнавать свой персональный рейтинг, рассчитанный по единой методологии для всех кредитных учреждений, — это только часть последствий. «Мы рассчитываем, что, с одной стороны, индивидуальный рейтинг будет способствовать более ответственному отношению к решению обратиться за кредитом со стороны граждан, а с другой стороны, кредиторы будут более точечно предлагать свои финансовые услуги, используя значения индивидуального рейтинга в качестве пороговых при предварительном отборе потенциальных клиентов», — указали в Банке России. 

Иными словами, в России появится механизм, который сможет конвертировать хороший скоринговый балл в более выгодные условия обслуживания.

«Основное преимущество персонального кредитного рейтинга (ПКР) — в его универсальности, — уверен Алексей Волков. — Для банков он может быть (и будет) интегрирован прежде всего в маркетинг кредитования. Страховые компании смогут использовать его для продаж страховых продуктов. Другие поставщики финансовых услуг — в маркетинге тех услуг, где есть потребность в диверсификации предложения в зависимости от ответственности и финансового опыта клиента». По этой причине НБКИ уже открыло бесплатный и неограниченный доступ к своему ПКР для всех желающих.

Что изменится для банков

«Таким образом, у кредиторов существует несколько вариантов оценки предельной долговой нагрузки. Они смогут выбрать любой в зависимости от действующей модели оценки кредитоспособности заемщика, возможности настройки кредитного конвейера и экономики привлечения клиентов», — указали в Банке России. Алексей Крамарский из Райффайзенбанка полагает, что это улучшит качество данных, создаст определенное удобство, но радикально ничего не изменит, потому что большинство банков и сейчас сотрудничает со всеми основными БКИ и агрегируют эти данные.

Действительно, появление инструмента обмена данными между бюро позволит при принятии кредитного решения использовать более качественные данные, а двухуровневая система предоставления сведений о среднемесячных платежах кредиторам позволит получать надежные данные из одного источника. Для технической поддержки универсального формата обмена данными между банками и БКИ сам Банк России разработает прикладной программный интерфейс (API). Его планируется опубликовать на сайте Банка России в начале 2021 года, то есть за год до вступления в силу требований по предоставлению сведений о среднемесячных платежах.

Что изменится для БКИ

Требование регулятора по расчету индивидуального кредитного рейтинга вступает в силу в два этапа: с 1 января 2022 года он будет рассчитываться квалифицированными бюро кредитных историй, а с 1 июля 2024 года — всеми БКИ. 

По мнению Алексея Волкова, главный результат нововведения заключается в том, что сократится путь заемщика к квалифицированной информации, станет больше доверия к БКИ и можно будет рассчитывать на уменьшение числа аферистов и мошенников, предлагающих различные «услуги» по исправлению и удалению нежелательных записей из кредитных историй. «Мы рассчитываем, что рынок консолидируется, станет более удобным и для субъектов кредитных историй, и для их пользователей, то есть кредиторов», — считает он.

Можно предположить, что на фундаменте единой методологии и единого базового набора клиентских данных, который равнодоступен из всех БКИ, будут активнее развиваться дополнительные нишевые аналитические услуги, в том числе в стиле «модель и рейтинг по запросу» с учетом специфики пары «конкретный клиент / конкретный банк.

Стоит ожидать усиления конкуренции, а также слияний БКИ и независимых агрегаторов данных для скоринга. В результате, возможно, кредитные учреждения смогут уменьшить объем собственной аналитической работы, передав часть ее на аутсорсинг, если качество и стоимость услуг внешних поставщиков окажется лучше, чем в варианте in-house. А достаточно серьезные услуги скорингового анализа могут стать продуктом массового спроса и предлагаться небольшим кредиторам, которые не имеют возможности содержать собственное подразделение продвинутой риск-аналитики.

Таким образом, при оптимистическом прогнозе стоит ожидать усиления конкурентной борьбы между профессионалами скоринговой аналитики, которые будут наполнять рынок новыми перспективными и доступными моделями и услугами скоринга. Каким образом реальность скорректирует эту идеальную бизнес-модель, мы узнаем уже скоро. Похоже, что конференция Scoring Day 2021 будет посвящена последствиям структурных сдвигов на рынке в связи с появлением института квалифицированных БКИ.






Сейчас на главной

ПЕРЕЙТИ НА ГЛАВНУЮ