Кредитный скоринг, или просто «скоринг» – понятие, известное почти любому взрослому. Даже тому, кто никогда не слышал таких слов. Система, по которой кредитная организация рассчитывает кредитоспособность потенциального заёмщика, – это скоринговая система. Процесс, в результате которого человек, обратившийся за деньгами в долг, получает оценку своего финансового статуса в баллах, – это кредитный скоринг.
В наше время всё чаще такую оценку ставит не менеджер банка, а компьютерная система искусственного интеллекта. Окончательное решение о судьбе заявки на получение займа тоже во многих случаях выносит машина. В статье Zaim.com – рассказ о современных скоринговых системах, использующих вычислительные системы искусственного интеллекта.
В развитых странах, таких как США или Германия, баллы, рассчитанные общенациональными скоринговыми системами, стали очень важным социальным показателем.
Потеря человеком даже нескольких пунктов кредитного рейтинга становится почти личной трагедией и мгновенно приводит к понижению статуса, доступности банковских и других сервисов. Высокий балл кредитной истории – свидетельство успешности, благополучия и уверенности в будущем.
Для России, в которой бюро кредитных историй существуют всего около десятка лет, банковская система только развивается и уровень достатка населения в среднем невысок, подобные тенденции в таких масштабах несвойственны. Пока.
Можно предположить, что ситуация будет меняться. Ведь, например, в Китае, который всё чаще служит примером для российских регуляторов, уже в следующем году вступает в силу закон об общенациональной системе социальной оценки гражданина, учитывающей в том числе и его кредитоспособность.
В некоторых странах нет комплексного параметра для оценки кредитоспособности. Как правило, его заменяют какие-либо сервисы «чёрных списков» заёмщиков – реестры, в которые заносят данные о неисполнении обязательств, просрочке платежа и других проблемах в отношениях с кредитными организациями. Примером такой страны является Австрия.
Более распространённый подход представлен в таких странах, как Индия и США: количество баллов рассчитывается по довольно сложной математической модели, используются разные параметры финансового профиля гражданина, исторические данные становятся основой для прогноза будущей кредитоспособности. Итоговый результат – трёхзначное число, присваиваемое гражданину. Кредитные организации используют этот рейтинг для оценки потенциальных клиентов и расчёта риска при работе с ними.
Среди организаций, предлагающих модели кредитного скоринга собственной разработки, самая известная и популярная – это FICO. Продукты FICO – это несколько разновидностей систем расчёта, например, для автомобильного рынка или для ипотечных кредитов. Существует и общий, универсальный скоринг от FICO. Какой из них выбрать, решает кредитная организация, к которой обращается её потенциальный клиент, и количество рассчитанных баллов в результате будет немного отличаться.
Кредитный рейтинг от FICO рассчитывается в диапазоне от 300 до 900 баллов, где 300 – это самая низкая оценка, а 900 – самая высокая. Шкала выглядит так:
Во всём мире традиционные скоринговые системы, применяемые в банках, отсеивают плохих заёмщиков, которыми они считают лиц без кредитной истории или с проблемными кредитами в прошлом. В результате вне «зоны действия» банковских услуг оказывается внушительное количество людей, у которых всё равно остаётся потребность в кредитных средствах.
Желание включить в финансовый рынок потребителей категории сабпрайм, обеспечить их заёмными деньгами и получить таким образом прибыль было основной предпосылкой бума финтехстартапов, предлагающих разные модели автоматически выдаваемых займов.
Однако одного желания заработать на людях с низким кредитным рейтингом мало. Даже если традиционная скоринговая система с ними не работает, какой-то способ оценки всё равно нужен. И в этот момент на первый план выходят великие, ужасные и могучие роботы с нечеловеческим интеллектом: они анализируют данные заёмщиков, захватывают мир и начинают руководить людьми. Ну почти.
Возникновению и развитию систем кредитного скоринга с искусственным интеллектом предшествовали две вещи: первая – было замечено, что склонность заёмщиков вовремя платить либо пропускать сроки выплат может иметь неочевидную связь с данными, которые раньше в расчёт не брались. Например, с видами товаров, которые человек покупает, или с тем, как он предпочитает проводить свободное время.
Вторая вещь – прогресс в компьютерных технологиях, который подарил миру сравнительно недорогие: вычислительные системы большой мощности, системы хранения и компьютерные сети. С появлением доступных вычислительных ресурсов стали быстро развиваться системы искусственного интеллекта и машинного обучения в частности.
Системы машинного обучения – это в основном искусственные нейронные сети. Они представляют собой особые вычислительные комплексы, которые прекрасно справляются с классификацией сложных и разрозненных данных, могут находить связи между неочевидными показателями и способны обучаться для решения прикладных задач – именно то, что нужно для того, чтобы вывести на новый уровень кредитный скоринг. Машинное обучение – это высокотехнологичное решение, которое не могло остаться в стороне от отрасли, в которой текут потоки денег.
Итак, перед предпринимателями и разработчиками, вооружёнными знаниями о том, что потенциального заёмщика можно оценить не только по кредитной истории, но и по другим параметрам, имеющим под рукой мощные вычислительные комплексы, встал вопрос: какие данные о клиенте можно использовать?
Здесь прогресс и развитие технологий тоже оказались очень кстати: социальные сети, онлайн-сервисы, интернет-магазины и платёжные системы хранят огромные массивы данных: современные люди оставляют в интернете хорошо читаемый и глубоко индивидуальный цифровой след.
Для решения задачи нужно просто взять эти данные (бо́льшая часть которых даже не требует разрешения пользователя: информация, например, такая как профили в соцсетях, находится в открытом доступе) и загрузить на вход системы машинного обучения.
Чтобы компьютерная интеллектуальная система умела точнее находить связи между цифровым следом заёмщика и его кредитоспособностью, необходим процесс обучения. Это не так сложно: нужно взять исторические данные клиентов, уже бравших кредиты и плативших по ним (и не плативших, естественно), загрузить их в систему вместе с дополнительными данными социальной активности в интернете и произвести настройку-обучение.
В итоге получится скоринговая система, которая с довольно большой точностью может сделать предположение о том, станет ли в будущем клиент платить по займу на основании анализа его постов и комментариев в Фейсбуке, списка покупок в Амазоне и перечня приложений смартфона.
Жизнеспособность скоринговых систем, использующих технологии машинного обучения, доказывают многочисленные микрофинансовые финтехстартапы, добившиеся успеха. Они уверенно растут, получают деньги инвесторов, а некоторые из них уже стали единорогами. Вот примеры некоторых таких предприятий:
Tala – микрофинансовый стартап, работающий с беднейшими слоями населения развивающихся стран. Суть бизнеса Tala – предоставление займов небольшого размера для лиц, у которых есть трудности с кредитованием в банках.
Проблема скоринга клиентов решается при помощи схемы с использованием мобильного приложения: заёмщику, для того чтобы подать заявку, необходимо скачать на свой смартфон приложение Tala и дать ему необходимые разрешения на доступ к личной информации. Скоринговая система стартапа собирает данные об использовании устройства и производит расчёт кредитного рейтинга, после чего пользователь получает вердикт об одобрении или неодобрении займа.
Affirm – компания, предоставляющая займы в точках продаж и онлайн. Этот стартап заключил договоры с многочисленными продавцами для того, чтобы их покупатели могли выбрать возможность оплатить покупки при помощи займа Affirm.
Потенциальный заёмщик может подать заявку несколькими способами: завершая покупки и выбрав способ оплаты «Affirm»; установив мобильное приложение компании; на интернет-сайте. Скоринговая система стартапа наряду с анализом социальной активности и использования мобильного устройства обращается к бюро кредитных историй, формируя собственную комплексную оценку клиента.
Fundbox – стартап, работающий на рынке займов для малого бизнеса США. Клиент подаёт заявку на заем, открывает интеллектуальной скоринговой системе сервиса свой банковский аккаунт для анализа. Среднее время принятия решения по заявке – 3 минуты. Как правило, для пользователя деньги станут доступны на следующий рабочий день после обращения.
Среди российских компаний микрофинансового сектора есть фирмы, которые используют собственные системы машинного обучения и больших данных, например, Kviku: этот финтехстартап предлагает клиентам после рассмотрения и одобрения займы в виде виртуальных карт.
Есть и компании, которые работают со скоринговыми системами искусственного интеллекта, созданными сторонними организациями-разработчиками. Примером может служить МФК «Джой Мани», использующая системы фирмы Scorista, или МКК «Касса №1», внедрившая решения FscoreLab.
Достоинства применения умных машин для оценки заёмщиков очевидны: способность мощных компьютеров находить взаимосвязи в объёмных массивах информации и анализировать данные недоступна человеку. Скорость обработки запросов и подсчёта скоринговых баллов, необходимая для полноценного функционирования современных, часто автоматических сервисов, может быть обеспечена только компьютерами.
Другой плюс использования сложных вычислительных систем – машины лишены человеческого фактора, они не могут принимать предвзятые решения, ошибаться из-за когнитивных искажений, утомления, стресса. Это значит, что там, где применяют компьютерную систему, снизится процент упущенных «хороших» клиентов и доля неоправданно высоких оценок, влекущих потерю денег, выданных «плохим» заёмщикам, тоже упадёт.
Существует и обратная сторона использования «слишком интеллектуальных» скоринговых систем. Во многих случаях процесс расчёта рейтинга клиента и последующего решения непрозрачен: связи между разными данными, которые нашла машина, остаются у неё внутри, и они не доступны для понимания человеку.
Специалисты по искусственному интеллекту называют это явление проблемой «чёрного ящика». С этической, да и с практической, точки зрения, нельзя создавать ситуацию, в которой пользователь компьютерной системы понятия не имеет, что влияет на результат её работы. Тем более в такой чувствительной области, как финансы, и решение судьбы заёмщика (необходимость получения кредитных средств) – это определённо важное событие в жизни любого человека.
Александр БВ