Что такое скоринг и как он работает? Применение скоринговых карт при подборе персонала канева и.ю

Технологии скоринга – автоматической оценке кредитоспособности физического лица – в банковской среде традиционно уделяется повышенное внимание. Сегодня можно сказать, что экспертные методы уходят в прошлое, и все чаще при разработке скоринговых моделей обращаются к алгоритмам Data Mining. Классическую скоринговую карту можно построить при помощи логистической регрессии на основе накопленной кредитной истории, применив к ней ROC-анализ для управления рисками.

Постановка задачи. В коммерческом банке имеется продукт «Нецелевой потребительский кредит»: займы предоставляются на любые цели с принятием решения за один день. В настоящее время решение о выдаче кредита принимается на основе скоринговой карты, построенной экспертным способом, с процентом отказа, равным 55%, при этом объем просроченной задолженности велик. Накоплена статистическая информация о заемщиках и качестве обслуживания ими долга за несколько месяцев. Руководство банка, понимая, что высокий уровень отказов препятствует расширению розничного бизнеса в области потребительского кредитования, поставило перед отделом розничных рисков задачу разработать новую скоринговую карту, которая позволила бы значительно сократить число отказов в выдаче и снизить сумму просроченной задолженности.

Исходные данные. Вообще говоря, информация о заемщиках – физических лицах и кредитных договорах хранится в банковской информационной системе. Там же содержатся графики и даты погашений кредита, сведения о просрочках, об их суммах, о процентах и т.д. Получить для построения скоринговой модели таблицу с параметрами заемщиков и информацию о наличии просрочек – отдельная задача. Будем считать, что она уже выполнена и результат представлен в виде текстового файла.

Важным также является вопрос о том, что понимать под параметрами заемщика. Здесь уместно обратиться к методическим аспектам подготовки и сбора данных для анализа, и вспомнить, что на этом этапе требуется активное взаимодействие с экспертами: они с высоты своего опыта ограничат круг входных переменных, которые потенциально могут влиять на кредитоспособность будущего заемщика. Кроме того, следует учитывать аспекты бизнеса и технические вопросы (например, сложно проверить в короткий срок достоверность признака «Сфера деятельности компании», а потому полагаться на него не стоит).

Скоринговые карты часто строятся на категориальных переменных, и для этого непрерывные признаки квантуются при помощи ручного выбора точек разрыва (или полуручного, см., например, «Тест Чоу»). Скажем, переменная Стаж работы разбивается на три категории: «до 1 года», «от 1 до 3 лет», «свыше 3 лет». Такую модель легче интерпретировать, но она менее гибкая при моделировании связей: горизонтальные «ступени» дают плохую аппроксимацию при наличии частых крутых «склонов».

В банковской практике перед скорингом заемщик, как правило, проходит процедуру андеррайтинга – проверку на удовлетворение жестким требованиям: соответствие возрасту, отсутствие криминального прошлого и, конечно, наличие определенного дохода. При этом выдвигаются требования к минимальному уровню дохода, и рассчитывается возможный лимит кредита. При его расчете участвует один из двух коэффициентов – П/Д либо О/Д.

Коэффициент «Платеж/Доход» (П/Д) – отношение ежемесячных платежей по кредиту заемщика к его доходу за тот же период. Считается, что значительная величина этого коэффициента (свыше 40%) свидетельствует о повышенном риске как для кредитора, так и для заемщика.

Коэффициент «Обязательства/Доход» (О/Д) – отношение ежемесячных обязательств заемщика к его доходу за тот же период с учетом удержаний налогов. В обязательства включаются расходы, связанные с выплатой планируемого кредита, а также имеющиеся другие долгосрочные обязательства (выплаты по иным кредитам, на содержание иждивенцев, семьи, алиментов, обязательные налоговые платежи и пр.). Считается, что размер ежемесячных обязательств заемщика не должен превышать 50-60% его совокупного чистого дохода.

Заявки клиентов, не прошедшие андеррайтинг, получат отказ и даже не попадут на скоринг. Поэтому на вход скоринговой процедуры выгоднее подавать не доход клиента, а отношение О/Д или П/Д.

В нашей задаче представлено 2709 кредитов (файл loans.txt) с известными исходами платежей на протяжении нескольких месяцев после выдачи кредита.

В табл. 5.1 отображены структура и описание полей текстового файла с кредитными историями.

Таблица 5.1. Данные по заемщикам и качеству обслуживания ими долга

Поле

Описание

Служебный код заявки

Дата выдачи кредита

Дата/время

Коэффициент О/Д («Обязательства/До­ход») в %

Вещественный

Возраст заемщика (полных лет) на момент принятия решения о выдаче кредита

Проживание

Основание для проживания: собственник; муниципальное жилье; аренда

Строковый

Срок проживания в регионе

Менее 1 года; от 1 года до 5 лет; свыше 5 лет

Строковый

Семейное положение

Холост/не замужем; женат/замужем; разве­дена/вдовство; другое

Строковый

Образование

Среднее; среднее специальное; высшее

Строковый

Стаж работы на последнем месте

Менее 1 года; от 1 года до 3 лет; свыше 3 лет

Строковый

Уровень должности

Сотрудник; руководитель среднего звена; руководитель высшего звена

Строковый

Кредитная история

Информация берется из бюро кредитных историй. Если имеется негативная информация о клиенте (просрочки по прошлым кредитам), то ему присваивается категория «отрицательная»

Строковый

При подборе персонала на вакантные должности компании (особенно в массовом подборе) специалисты сталкиваются с большим количеством рисков. Эти риски связаны с ошибочным отсевом кандидатов и как следствие с принятием на работу не профессионалов, что в дальнейшем может порождать все новые и новые цепочки рисков. Следовательно специалисту по подбору персонала важно располагать инструментами, помогающими быстро и по универсальным параметрам оценить степень риска при рассмотрении того или иного кандидата. «Скоринг» (от англ. Scoring) - дословно подсчет очков в игре. В бизнесе скоринг активно используют в маркетинге, страховании, у сотовых операторов в телекоммуникационной сфере и наиболее широко - при кредитовании физических лиц. В общем виде скоринговая модель представляет собой математическую модель, описывающую зависимость степени риска от набора входных факторов. Реализацию данная модель находит в скоринговых картах. Например, применительно к кредитованию - это некоторый набор основных характеристик заемщика, таких как возраст, доход, профессия, стаж работы, наличие имущества и т.д. и соответствующих весовых коэффициентов, выраженных в баллах. Потенциальный заемщик заполняет анкету, сообщая таким образом необходимые для анализа сведения о себе. В результате функционирования скоринговой модели для каждого потенциального заемщика получают интегральный показатель, представляющий собой взвешенную сумму определенных признаков. Надежность клиента можно оценить по уровню данного значения. В зависимости от суммы набранных скоринг-баллов банк определяет класс риска и рассчитывает максимальную сумма кредита, уточняет процентную ставку и срок. Основными критериями банковского скоринга физических лиц являются значения следующих параметров: возраст, пол, совокупный доход (как заемщика, так и поручителей), количество иждивенцев, место жительства и работы и т.п. Каждый из этих параметров переводится в стандартные балы. Подобный подход логично использовать и в процессе принятия решения по отбору кандидатов как при отборе на открытые вакансии или при отборе кандидатов в кадровый резерв. Модель скоринговой оценки строится на основе накопленных данных о зависимости дефолта (увольнения, несоответствия занимаемой должности и т.п.) потенциального кандидата от определенных характеристик. После чего используя статистический аппарат и приемы математического моделирования, составляется скоринговая карта. В процессе моделирования разрабатывается несколько скоринговых карт, каждая из которых будет зависеть от типа вакансии и ряда других признаков. При анализе, сопоставив конкретные анкетные данные о потенциальном или действующем кандидате на вакансию со скоринговой картой, получают соответствующий результат. Для построения эффективной скоринговой модели необходимо решить следующие задачи. На первом этапе необходимо определить ключевую цель, т.е. для чего конкретно будет использоваться скоринг (оценка кандидата, определение оптимальной стратегии по кандидатам на испытательном сроке и т.п.). На втором этапе выделяют показатели, которые будут использованы для моделирования, а также источники их получения. Например, знания кадровых специалистов о требованиях вакансии и компетенциях соискателей, статистика по уже работающему персоналу, учитывающая «успешных» и «плохих» кандидатов. На третьем этапе проводится предварительный анализ данных, их очистку и подготовку, ведь каждый соискатель обладает своим уникальным набором параметров. Для такого анализа необходима унификация данных и специализированное программное обеспечение бизнес-анализа класса Business Intelligence (BI). Система должна предоставлять возможность обработки данных: просмотра, фильтрации, поиска, ручной и автоматической замены. Часто для лучшего понимания данных и для определения их целостности необходимо проводить экспресс-анализ, который осуществляется на основе базовых статистик распределений. Следовательно, система должна уметь проводить частотный анализ и строить распределения. Если очистка данных произведена, необходимо подготовить данные к моделированию. До начала построения модели следует рассчитать на основе функциональных зависимостей все возможные производные параметры, которые будут использованы для дальнейшего анализа. На четвертом этапе полученные признаки разбиваются на классы, выявляются их предиктивные характеристики. Большинство алгоритмов скорингового моделирования основываются на классификации элементов (соискателей), обладающих одинаковыми признаками. Кроме того, в процессе построения модели появляется необходимость разбиения некоторых признаков на классы. Основной принцип в данном случае - группировка соискателей с максимально похожим поведением в один класс. Такой подход основывается на экспертных данных. На основе проводимого анализа выделяются предиктивные характеристики, между значениями которых и вероятностью негативного события существует корреляция. Теоретически предиктивным может быть любой параметр, характеризующий соискателя. К ключевым характеристикам могут быть отнесены следующие: возраст, средний срок работы на одном месте, стаж работы, место жительства, наличие кредитов, количество детей/иждивенцев и т.п. Для каждой модели составляется свой перечень предиктивных характеристик. На основе статистических данных и экспертных оценок для каждой характеристики вводится свой весовой коэффициент, определяющий степень ее влияния на вероятность возникновения негативного события. Отобранные предиктивные характеристики анализируются в совокупности. Это связано с существованием возможных корреляций. Может оказаться, что ввод дополнительной характеристики в модель ухудшит ее качество. На пятом этапе строится нескольких вариантов моделей, из которых выбирается наиболее оптимальный с точки зрения соотношения «качество/ стабильность». На шестом этапе определяют уровень стабильности модели, т.е. ее способность сохранять точность в течение какого-либо будущего периода. Стабильность построенной модели определяется аналитиком на основе тестовых данных. Если на тестовых данных система показывает эффективность, схожую с эффективностью на обучающих данных, считается, что модель стабильна. На седьмом этапе формируют балл отсечения, который базируется на стратегии, используемой фирмой (массовый подбор или закрытие «уникальной» вакансии, поиск уникального специалиста и др.). Балл отсечения устанавливается в зависимости от выбранного приоритета. При внедрении скоринговой модели в практику работы, специалисту по кадрам необходимо определить коэффициенты для различных факторов-характеристик надежности соискателя. Следовательно, кадровый специалист должен быть в состоянии оценить текущую ситуацию на рынке. В результате такой оценки получают набор факторов с весовыми коэффициентами и пороговое значение (балл отсечения), которые являются весьма субъективным мнением и зачастую являются статистически необоснованными. На последнем, восьмом этапе оценивают эффективность разработанной модели При использовании скоринговых карт в подборе персонала специалист по кадрам сможет быстро определять общий сводный бал кандидата и принимать решение о приеме/не приеме, а также прогнозировать успешность/неуспешность кандидата в работе. Преимуществом применения скоринговых карт при массовом подборе (когда обрабатываются данные о сотнях потенциальных соискателей) является возможность получения общего балла каждого кандидата, и автоматическое отсечение тех, кто не набирает «установленного достаточного минимума». Ценность применения скоринговой модели также и в том, что: - легко структурировать и визуализировать полученные данные при подборе на любую должность; - у специалиста по кадрам появляется четкое понимание, что необходимо узнать о соискателе и из какого источника; - оценки становятся стандартизированными, увеличивается прозрачность процедуры отбора в целом; - компания может легко проследить корреляцию между характеристиками нанятых сотрудников и их дальнейшей эффективностью Тем не менее, скоринговые карты не могут полностью заменить специалиста. Как и в банковском деле при нестандартных ситуациях (сложных вакансиях) окончательное решение должно приниматься не по набранным баллам, а по результатам дополнительного анализа соискателя и живого собеседования с ним. Применяя скоринговые карты предприятие оптимизирует бизнес-процессы подбора персонала, повысит эффективность, выбирая только лучших из кандидатов, и снизит риски текучести персонала.

При обращении за кредитом потенциальные заемщики часто слышат от сотрудников банка такие понятия как: скоринг, скоринговая система, кредитный рейтинг, кредитная история. Но при этом не все достаточно хорошо понимают, что означают эти термины. Попробуем разобраться, что это такое, зачем нужно и как это работает. А главное — как скоринг влияет на получение кредита и вообще на жизнь заемщика. В том числе, даже спустя несколько лет после обращения в кредитную организацию.

Что такое скоринговая система?

Скоринг или скоринговая система — это система оперативной оценки клиента (потенциального заемщика), которой преимущественно пользуются розничные банки и микрофинансовые компании. Название происходит от английского слова “score”- что означает зарабатывание/ подсчет очков, например, в игре.

Так за возраст менее 28 и более 35 лет клиент скорее всего будет получать снижающие баллы, аналогично — за проживание в более криминальных районах города и за работу, где не требуется высокой квалификации (например, официант). Как ни странно, съемная квартира и дети – могут оказаться фактором, прибавляющим баллы (клиент умеет планировать финансы, уверен в будущем).

Компании, которые продают скоринговые системы по всему миру имеют возможность глобально отслеживать взаимосвязь тех или иных факторов и поведения заемщика. Оказалось, что в независимости от страны — женщины аккуратнее гасят кредиты, аналогично поступают и более старшие по-возрасту клиенты, аналогично – семейные пары с детьми (у них у всех выше ответственность). А вот за уровень образования- баллов в российском банке скорее всего почти не добавят, скорее — за опыт работы более 3-5 лет.

Кроме того, в ряде случаев, когда сотрудник банка имел возможность лично пообщаться с клиентом, он дополняет его профиль своими субъективными впечатлениями – о его адекватном поведении, внешнем виде, одежде, классе мобильного телефона, часов, наличии дорогостоящей электроники при себе, грамотной речи, явных признаках, что клиент говорит неправду и т.п. В результате система каждому пункту анкеты присваивает оценку, и выдает в конце оценки – итоговый балл. Отдельно проверяется достоверность данных клиента — легальность паспорта, существование адреса и т.п.

Как cкоринг работает, откуда берет данные?

Есть несколько видов скоринга. Один из них был описан выше – то есть кредитоспособность клиента оценивается в момент его обращения. По тем данным, которые он сам и предоставляет (application scoring – заявочный скоринг). Сам, как правило, заполняет и анкету. В случае с микрофинансовыми компаниями – это происходит зачастую прямо онлайн в интернете.
Еще один вид скоринга – поведенческий (behavioral scoring). В зависимости о того, как клиент ведет себя с течением времени (за определенный период) банк выставляет ему более высокий кредитный рейтинг или более низкий. И в зависимости от этого уменьшает/увеличивает ему лимиты по кредитам, предлагает какие-то дополнительные услуги.
Также существует оценка потенциального мошенничества (fraud scoring).

Одно дело, когда человек получил кредит, но не рассчитал свои финансовые возможности, или внезапно заболел, потерял в доходе и т.п. И другое дело –когда имеет место заранее планируемый невозврат кредита –то есть мошенничество. Эксперты говорят, что таких случаев — порядка 10% всех невозвратов. Любой кредитор (особенно хорошо процесс отлажен в МФО) пытается еще до выдачи кредита оценить риск мошенничества со стороны заемщика.

Следует отметить, что современные системы скоринга зачастую являются самообучающимися, т.е. учитывают модели поведения клиентов, которые ранее были приняты на обслуживание. Система пытается вычислить какие-то общие черты у тех, кто впоследствии оказался мошенником, стал допускать просрочки (ретро-скоринг).
Очевидно, что скоринговые системы имеют и недостатки – большую часть данных для оценки предоставляет клиент. Перепроверка этих данных вручную при мелких суммах кредита – слишком дорогое занятие. Кроме того, даже обучающиеся системы не могут быстро перестроиться при резком изменении экономической ситуации в рамках страны. Поэтому их приходится все время дорабатывать и поддерживать.

Пользуются ли скорингом банки и МФО?

В кредитовании, пожалуй, самая дорогостоящая часть – это время на первоначальную оценку заемщика. Это и скоринг, и служба безопасности, и запрос кредитной истории в Бюро (что не бесплатно для банка), ее изучение, оценка и принятие решение на кредитном комитете банка. Для выдачи каждого кредита задействуется несколько сотрудников, как правило, с высокой оплатой труда.

Хотя у каждого банка своя кредитная политика и свои схемы одобрения кредитных заявок (более или менее бюрократические), но общий подход – минимизировать затраты времени и издержки на обслуживание каждого клиента. Кроме того, банки с более консервативной политикой оказались в более выигрышном положении во время кризиса 2008 года, чем те, кто выдавал кредиты всем подряд.

Поэтому МФО – это сейчас основные пользователи и разработчики скоринговых систем, где они пытаются оптимальным образом соединить все виды скоринга – и заявочный, и поведенческий, и оценку мошенничества. Кроме того, скоринг позволяет уменьшить и время принятия решения о выдачи кредита. В современных условиях – это значит быть более конкурентоспособным.

Поскольку обороты МФО по кредитованию населения в последний год значительно увеличились, в декабре 2013 года были также приняты поправки в закон 218-ФЗ, которые обязали МФО также подавать данные о своих заемщиках в Бюро кредитных историй.
Следует также отметить, что сегодня более, чем 30 млн. человек в России имеют кредиты. Новых, хороших, высоко-рейтинговых, клиентов – осталось немного. Это вынуждает банки предоставлять кредиты клиентам с более низкими рейтингами. Это влечет за собой удорожание их проверки и банки ищут пути снижения таких издержек. Появляются новые комбинированные системы, где большую роль начинают играть кредитные истории.

Скоринг и кредитная история

С учетом того, что треть граждан уже имела опыт по получению займов хотя бы 1 раз — на первый план выходит изучение того, насколько заемщик фактически закредитован, и насколько добросовестно он погашал кредиты в прошлом. Так по-данным банка “Связной” доля заемщиков, у которых обнаружилось 5 и более кредитов – выросла за последний год в три раза.

В связи с тем, что в Бюро кредитных историй (БКИ) теперь добавились заемщики микрофинансовых организаций и кредитных кооперативов, многие Бюро стали предлагать банкам и МФО скоринговые модели, дополненные данными, которые содержаться в БКИ. Эти скоринговые модели ранжируют заемщиков по вероятности дефолта (невозврата) займа, вероятности просрочек и т.п. Системы обрабатывают сведения о клиенте в Бюро и выставляют ему рейтинг. Добросовестные — получают наивысший балл, недобросовестные – низший. При этом результат (балл) указывается вместе с несколькими основными причинами, которые оказали наибольшее влияние на его снижение (4-5 факторов, а всего их может быть более 100).

В частности модель скоринга по кредитным историям, которую разработало НБКИ – это семь скор-карт, которые обновляются ежеквартально, чтобы учитывать изменения условий на рынке. Таким образом, Банки постепенно переходят от заявительного скоринга — на матричный (состоящий из нескольких моделей и источников). Это в 1,5 раза повышает эффективность оценки, улучшает выставление лимитов по каждому клиенту, помогает собирать просроченную задолженность.

Кроме того, кредитные бюро стали предлагать услугу – автоматически информирующую банк (без специального запроса от банка, ежедневно):

  • об открытии его клиентом новых счетов в других банках
  • о новых кредитах клиента
  • о новых просрочках этого клиента
  • об изменениях его лимитов по кредитам, овердрафтам,
  • о его новых паспортных данных и т.п.

Пока эта услуга работает с оплатой по-клиентно и в рамках конкретного БКИ, что снижает возможности банка масштабно отслеживать жизнедеятельность всех клиентов. Однако вероятнее всего, в какой-то перспективе, БКИ начнут объединяться, обмениваться информацией между собой.

Вы не применяете скоринговые карты в рекрутинге? Это плохо!
После моего семинара Аналитика для HR один из участников (из кредитной организации) подошел к риск – менеджеру компании, и они (HR и риск – менеджер) заговорили на одном языке.

Что такое скоринговые карты

Скоринговые карты придут в HR из риск-менеджмента. В риск –менеджменте
Скоринговые карты - Набор характеристик (возраст, доход, профессия, стаж работы, наличие имущества и т.д.) заемщика и соответствующих весовых коэффициентов, выраженных в баллах. Соискатель кредита сообщает о себе необходимые сведения и ему начисляется определенное количество баллов. В зависимости от числа набранных скоринг-баллов рассчитывается максимальная сумма кредита, которую банк готов был предоставить заемщику.
Вот на днях взял книгу издательства Манн, Иванов и Фербер Скоринговые карты для оценки кредитных рисков

Пример

Все мы получали кредит (или почти все). И помним, что размер выплат, первоначального взноса и сама возможность выдачи кредита зависит от нескольких параметров:
  • Возраст
  • Доход
  • Доход со-заемщика
  • Количество членов семьи (ну или типа такого).
  • Наличие кредитов в других банках
  • И т.п…
Каждый из этих параметров переводится в стандартные балы: например,
  • Возраст 35-40 лет – 94 бала
  • Доход 1 500 – 2000 долларов – 75 балов
  • И т.п..
Зная эти параметры, мы можем выйти на планку выдачи кредита, просто слагая балы.

Как это можно использовать в HR

Как принимается в компании решение о приеме на работу?

  • Чаще на глазок.
  • Иногда есть профиль требований к должности
  • Иногда модель компетенций…
У нас есть набор требований к кандидату:
  • Возраст
  • Образование
  • Опыт работы
  • Компетенции
Решение легко принять, если все параметры подходят. А если нет? Что важнее: опыт, компетенции или образование?
И вообще: важно ли образование? И кто в компании принимает решение: важно образование для данной должности или нет? Непосредственный руководитель? А если посмотреть бекгрануд данного руководителя и увидеть, что у него самая высокая текучесть, можно после этого дать ему полную свободу в выборе? Ну и т.п..

Скоринговые карты в HR

В идее скоринговых карт для HR зашито две (на мой взгляд) здравые идеи:
  1. Определение веса каждого параметра кандидата
  2. Объективация оценки факторов
Этому есть правда много преград:
  • Нелюбовь рекрутеров к excel;
  • Отсутствие общей информационной культуры;
  • Отсутствие соответствующей информационной инфраструктуры в виде программного обеспечения;
  • Недостаточная квалификация аналитиков;
  • Сопротивление менеджмента.
Но все преграды перевешивает

Светлое будущее

В результате рекрутер может по таблицам определять общий сводный бал кандидата и принимать решение о приеме / не приеме и прогнозировать успешность / неуспешность кандидата в работе.
Представляете картину, когда кандидат приходит на получасовую беседу с рекрутером, а последний как тот же кредитный менеджер оценивает вас через призму анкеты.
В итоге компания выиграет на оптимизации рекрутинга, что мелочи в сравнении с тем, что компания выиграет на оптимизации работы с персоналом, повысив эффективность, выбирая только лучших, снизив текучесть персонала.

Почему это утопия?

Куда денутся все тренинги по подбору персонала? Возьмите нормального рекрутера и проведите эксперимент. Предложите на выбор изучить практику скоринговых карт или пойти на тренинг по подбору персонала к ….
Потом еще 100 рекрутеров возьмите и спросите их про тоже самое…
Потом вы придете к знакомому HR-директору, который скажет: это все замечательно, но у меня вчера один отдел всем составом заявление об увольнении написал, а ты ко мне со своими планами пристаешь.
И пойдете вы к знакомому риск менеджеру чай пить…
Если все -таки вы хотите начать нелегкий путь к использованию скоринговых карт в рекрутинге для оценки кандидата при приеме на работу, то начните со сбора информации. ну хотя бы как здесь

Средний размер ипотечного займа за март 2014 составил порядка 1.5 млн рублей . Средний размер автокредита составляет
не менее 0.5 млн рублей . Спасибо за предоставленные ссылки.
Исходя из вышеприведенных цифр, можно предположить, что банк умудрился за месяц выдать кредит около двумстам тысячам человек.
Конечно, в этом банке используют скоринговые системы.
Я узнал про скоринговые системы пару лет назад и был потрясен. Сама идея, что бездушная машина может принимать решение о выдаче кредита на основе статистических данных, не выходила из головы. Я захотел поиграть в банк и проверить, выдаст ли компьютер кредиты моим друзьям, just for fun. Настоящие скоринговые системы я никогда не видел, но решил, что это и неважно, напишу сам.
Сказано - сделано.

Осторожно, много изображений!

Вступление

Конечно, это лишь модель, на которой можно обучать студентов-экономистов младших курсов,
зато все мои друзья теперь знают что дифференцированные платежи выгоднее аннуитетных.

Программа написана 2 года назад, за 2 недели, на C# + MSSQL.
Сейчас случайно откопал ее и решил показать хабрасообществу. А вдруг какой-нибудь мелкий банк купит?
Открыл код, испугался, добавил немножко многопоточности и закрыл.

SQL-запросы прямо в обработчиках - это ужасно, я знаю. Но доделывать неинтересно, уже наигрался.

Разработка

Алгоритм с точки зрения клиента примерно такой:
  1. Клиент заполняет анкету с вариантами ответов.
  2. Далее выбирает сумму кредита, в базе данных создается заявка.
  3. Система считает баллы за выбранные ответы и определяет, выдать кредит или нет.
  4. Если кредит одобрен, в базе данных создается договор и таблица платежей.
  5. Клиент выполняет платежи.
  6. Когда накопится статистика, можно посмотреть, какие критерии клиента влияют на его платежеспособность.
  7. ???????
  8. PROFIT!

Значит, для начала нужна анкета, которая по-умному называется «скоринговая карта».
На сайтах 3 крупнейших российских банков были найдены анкеты для получения потребительских кредитов. Собираем из трех одну, распечатываем и создаем экспертную комиссию. Были пойманы 15 человек, этого оказалось достаточно. Эксперт оценивает каждый критерий скоринговой карты в диапазоне от 0 до 100 баллов. Также есть следующие варианты:

  • -1 балл - ответ нестандартный и оценивается кредитным специалистом.
  • -10 - отказ в кредите.

Затем находится средний балл за каждый критерий и получается итоговая анкета.

Показатель Значение показателя Балл
Фамилия -1
Имя -1
Отчество -1
Дата рождения -1
Место рождения -1
Пол -1
-1
Серия, номер -1
Кем выдан -1
Дата выдачи -1
Телефон -1
Адрес -1
Возраст Менее 20 лет 8
20-25 лет 21
25-30 лет 36
30-35 лет 53
35-50 лет 60
50-60 лет 37
60-65 лет 15
Больше 65 лет -10
Проживание Собственное жилье 47
Аренда жилья 13
Общежитие 8
У родственников 10
Воинская часть 9
Другое (уточните) -1
Гражданство РФ 43
Другое (являюсь резидентом РФ) (уточните) 5
Не являюсь резидентом РФ -10
Семейное положение Холост (не замужем) 40
Женат (замужем) 65
Женат (замужем) но живет раздельно 26
В разводе 29
Вдовец (вдова) 34
Наличие детей Нет детей 66
Один 57
Два 48
Три 36
Более трех 24
Наличие иждивенцев Нет 66
Один 57
Два 48
Три 36
Более трех 24
Уровень образования Ниже среднего 11
Среднее 21
Среднее специальное 33
Незаконченное высшее 39
Высшее 58
Несколько высших 77
Ученая степень 84
Занимаемая должность (позиция) Руководитель (дир., зам.дир., гл. бух.) 94
ИП 92
Госслужащий 47
Военнослужащий 56
Специалист 46
Спортсмен 30
Рабочий 32
Студент (неработающий) 9
Пенсионер (неработающий) 8
Безработный 0
Количество мест работы за последние 3 года Одно 52
Два 38
Три 21
Более трех 9
Стаж на данном месте работы Менее 1 года 7
До 3 лет 24
До 5 лет 40
Более 5 лет 56
Общий стаж работы Менее 1 года 10
До 3 лет 20
До 10 лет 37
Более 10 лет 62
Вид деятельности организации Финансы, банки, страхование 37
Консалтинговые услуги 32
Строительство 39
Органы власти и управления 42
Промышленность и машиностроение 37
Инофрмационные технологии/телекоммуникации 38
Оптовая и розничная торговля 35
Транспорт 30
Туризм 36
Охранная деятельность 34
Образование 32
Медицина 30
Наука 33
Вооруженные силы 31
Социальная сфера 21
Другие отрасли (уточните) -1
Среднемесячные доходы -1
Среднемесячные расходы -1
Собственность недвижимого имущества Гараж 38
Квартира 58
Дом 65
Дача 51
Земельный участок 63
Другое (уточните) -1
Наличие транспортного средства Наименование, марка, год выпуска (уточните) -1
Нет транспортного средства 0

Эта анкета заносится в систему.

Вообще, обязательных вопросов всего 2 - «Среднемесячные доходы» и «Среднемесячные расходы». Без них нет смысла в кредитовании вообще. Остальные вопросы можно изменять, удалять, или добавлять свои.

Кнопка «Сортировать» определит максимальный и минимальный балл скоринговой карты, а также определит тип вопроса.
При прохождении анкеты элементы создаются автоматически. Если у вопроса один ответ, он будет отображаться как поле, если больше 1 ответа, он превращается в выпадающий список. Так выглядит анкета с точки зрения клиента.

А это клиент указал наличие транспортного средства, и описал его. Кредитный специалист оценил в баллах данный критерий.

Оценка системой анкеты.

Чистый среднемесячный доход - это разница между доходами и расходами. Для повышения гарантии платежа, в программе учитывается понижающий коэффициент платежа от чистой прибыли, например 0.7. Это значит, если клиент указывает 100 рублей чистой прибыли в месяц, банк рассчитывает до 70 рублей ежемесячного платежа. Чистый доход умножается на данный коэффициент. Коэффициент можно изменять в настройках.

У анкеты существует верхний и нижний предел прохождения. Нижний предел уменьшает количество одобренных кредитов, но повышает платежеспособность клиентов. Верхний предел отсекает мошенников, которые создают идеальные анкеты для максимально выгодного кредита. Верхний и нижний пределы задаются в процентах, их можно изменять в настройках. Если анкета клиента, а точнее, сумма баллов за анкету проходит в окно между верхним и нижним пределами, кредит считается одобренным. Теперь клиент может выбрать одно из кредитных предложений, сумму и продолжительность выплат. Выплаты можно посчитать аннуитетными или дифференцированными платежами.

Клиент хочет получить 230 000 рублей со сроком выплаты 24 месяца дифференцированными платежами под 22,5 процента. За 24 месяца клиент выплатит 283 906 рублей.

Вот график платежей.

Потными от волнения руками нажимается кнопка «Оформить». Первый платеж клиента самый большой, он составляет 13 896 рублей. Месячная платежеспособность клиента определена в 14 611 рублей, поэтому банк согласен выдать кредит.

Ура! Если кредит одобрен, создаются заявка, договор и таблица платежей.

Обратите внимание на статус - клиент плохой. Статусов всего 2 - хороший и плохой. Почему плохой, клиент же только что взял кредит? Дело в том, что первый платеж должен поступить уже сегодня.

Система определяет статус клиента по таблице платежей. Для каждого платежа указана дата. Определяются платежи, которые на сегодняшний день уже должны быть оплачены. Клиент признается плохим, если количество невыплат:

  • ≥ 1/3 от всех платежей по договору, или
  • ≥ 4 (задается в настройках).

Платеж оплачен, транзакция прошла!
Если честно, то номера счетов, договоров, заявок и транзакции платежей генерируются случайным образом, и для работы системы не нужны вообще. Но я же солидный банк!
Зато клиент стал хорошим.

Грязный хак - можно хорошего клиента сделать плохим, отменив его платежи.

Статистика

И наконец-то добрались до самого интересного - статистики!
Список вопросов формируется из анкет клиентов, которым одобрен кредит.
Можно выбрать любой вопрос и смотреть соотношение хороших/плохих клиентов.

Кредитное предложение «Добрый кредит»

Можно создавать свои кредитные предложения. Редактор позволяет задать максимальную сумму и длительность выплат, выставить процентную ставку в зависимости от размера кредита.

А теперь я хочу взять 140 000 рублей на год под «Добрый кредит».

Переплата 303 рубля - мечта!

Но вот все друзья получили кредит, статистика идеальна, рынок насытился. Банк в стагнации. Что делать? НУЖНО БОЛЬШЕ КЛИЕНТОВ! Где их взять? Сгенерировать!

Генерация клиентов

Были найдены текстовые файлы:

Итак, генератор для стандартной анкеты:

Вопрос Ответ
Пол Случайно
Имя Из списка
Фамилия Из списка
Отчество Имя из списка плюс «ович» или «овна»
Место рождения Из списка
Дата рождения От 1940 г. до 1997 г.
Документ, подтверждающий личность Паспорт
Номер паспорта От 0000 000000 до 9999 999999
Дата выдачи Любой момент, с тех пор как клиенту исполнилось 14 лет
Место выдачи Из списка
Среднемесячные доходы От 4 тыс. до 60 тыс. руб.
Среднемесячные расходы От 2 тыс. до 30 тыс. руб.
Остальные вопросы Случайно
Кредитное предложение Случайно
Сумма кредита От 1 тыс. руб. до максимальной суммы кредитного предложения
Количество месяцев выплат От минимального до максимального для данного кредитного предложения

Хотя доходы в 2 раза превышают расходы, все равно иногда попадается, что чистый доход отрицателен.

Если выбран ответ с уточнением, заявка аннулируется, а в строке состояния появляется подпись «Невозможно сгенерировать заявку с уточнением».

Если кредит одобрен, то генерируются выплаты. Вероятность неплатежа равна 1/20, но некоторым клиентам не везет и они пропускают по 4 платежа подряд.

Генератор был вынесен в главное меню, можно создать 1 или сразу 200 заявок.

Также генератор есть при прохождении анкеты.

Баллы сгенерированных клиентов подчиняются нормальному распределению. Крайний левый столбец - это те, кому отказано в кредите.

В анкетах конечно получаются глупости, зато статистика сразу стала повеселее!

Вывод - худшим клиентом является холостой (незамужняя) индивидуальный предприниматель, с несколькими высшими образованиями.

Могут понадобиться

mob_info