Банковские лайфхаки: как получить кредит поколению Y и почему ФИО лучше заполнять за 10 секунд
Финансовый рынок отличается быстрой трансформацией, что не всегда можно сказать о банковских скоринговых методах. Алексей Чаленко, генеральный директор аналитического сервиса 7seconds, грубо, но образно охарактеризовал идеального заемщика банков: это «старая больная замужняя врач из Таджикистана».
Кадр из фильма "Баламут"
На этом эталоне построены и традиционные машинные алгоритмы, которые решают: выдавать клиенту кредит или нет. Банки ничего не знают о том, как работать со студентами, представителями поколений X и Y, приезжими и пенсионерами, – высказалась на форуме Елена Конева, директор по скорингу FICO. Зачастую всем этим людям отказывают в займах, а ведь они могут быть надежными и исполнительными клиентами.
Эта проблема выявляет несовершенство старых скоринговых методов, которые должны оценивать три параметра: вероятность мошенничества, возможность платить и желание платить. Сегодня большинство банков сосредоточено на второй характеристике: они хотят знать стаж клиента, его зарплату и прописку. Но мир стремительно меняется, и уже никого не удивишь более свободным отношением к работе и месту проживания. Главной характеристикой оценки потенциального клиента становится именно желание платить: его уровень ответственности и образ жизни. Помогут в изучении этого параметра новые источники данных: от платежных систем до социальных сетей и мобильных операторов.
Фото: Евгений Павленко (Коммерсантъ)
Вторая глобальная проблема – при развитии гибкости скоринговых систем не пропустить мошенников. Поставить в начало цепочки оценки клиента fraud-скоринг предложил кредитный сервис MoneyMan. В 2017 году дата-сайентисты ID Finance запустили для них новую модель выявления мошенничества, что помогло снизить стоимость выданного займа на 25%. Ирина Хорошко, директор по рискам MoneyMan поделилась, что система использует 15 новых источников данных и принципиально по-новому подходит к оценке заявок. Например, трекает скорость заполнения графы «ФИО» - обычному человеку на это требуется около 10 секунд. Если пользователь тратит на действие значительно больше – вероятно, это мошенник, и заявка пройдет дополнительные проверки.
Подняли и вопрос о том, каких данных для точной оценки заемщика не хватает. Мария Вейхман, генеральный директор Scorista заметила, что в Китае финансовый сектор успешно использует для скоринга информацию о транзакциях по банковским картам и о пользовании услугами телекоммуникационных операторов. В России это направление тоже активно развивается: его поддерживают и крупные операторы, и вендоры. Последние помогают создавать, настраивать и тестировать аналитические платформы, не отходя от «кассы» - то есть источника данных.
Скоринговые модели на базе своих данных телеком-операторы могут использовать как в сотрудничестве с банками, так и для себя. Вы задумывались о том, что абоненты часто выступают заемщиками? Возможность уходить в минусовой баланс, подключать «доверительный платеж» - это кредиты, которые пользователи берут у операторов. Тренды здесь те же: новые подходы к оценке заемщика и защита от мошенничества
Eastwind проверил, это работает!
В рамках проекта для одного из крупнейших телеком операторов СНГ мы реализовали кейс: новая модель скоринга для кредитования абонентов.
ЗАДАЧА
У оператора модель работала по следующей схеме. Услуга «Доверительный платеж» предоставлялась любому абоненту, который:
- активировал номер больше 3х месяцев назад;
- пополнял баланс минимум 1 раз в течение 30 последних дней (без учета мобильных переводов);
- не имеет задолженности по ранее полученному «Доверительному платежу».
При такой модели более 10% абонентов не возвращали кредит. Оператор нес убытки.
Eastwind взялся разработать принципиально новую скоринговую модель для услуги, опираясь на расширенный профиль абонента.
РЕШЕНИЕ
Для данного кейса мы согласовали с оператором, что наша модель сможет только блокировать выдачу кредита – выявлять абонентов, которые, скорее всего, займ не вернут и отказывать им в предоставлении «Доверительного платежа». Так мы планировали повысить доход через снижение рисков.
На основе платформы EW Social Analytics мы сгенерировали 300 параметров данных об абоненте. Помимо сведений о платежах, перечень включал интересы, уровень общительности, геолокацию и многое другое. Модель оценивала кредитные риски в режиме реального времени и определяла, кому из пользователей не стоит предоставлять услугу «Доверительный платеж».
Для обучения модели мы использовали предоставленную оператором эталонную группу из 46,5 тыс. пользователей. Туда входили номера абонентов, которые уже использовали услугу «Доверительный платеж» и информация о том, кто погасил долг, а кто нет.
РЕЗУЛЬТАТ
После тестирования результаты сравнили с данными оператора по займам, выданным на основе традиционной оценки. По нашей модели к получению услуги было допущено меньше клиентов. При этом, нам удалось снизить в три раза процент абонентов, не вернувших долг. Итог: сумма реально полученного дохода оператора выросла на 42%.
Таким образом, чтобы работать эффективно, новые методы скоринговой оценки должны быть всесторонними и охватывать больше параметров. Современные аналитические системы позволяют изучать не только платежеспособность, но и личностное поведение заемщика. Развитие этих технологий и повсеместное внедрение в финансовые (и не только) организации позволит более точно оценивать клиентов. А значит станет больше правильных решений: отрицательных – для потенциальных должников и мошенников и положительных – для тех, кто готов и будет платить.