Кредитный скоринг: традиции против высоких технологий

мужчины держат карточки с баллом 10

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.

Пятно на биографии

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.

Традиционные системы скоринга

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:

  • от 300 до 579 баллов – это очень плохой рейтинг: кредиторы, скорее всего, откажут в предоставлении займа или процентная ставка по нему будет очень высокой;
  • 580–669 – невысокая оценка, но кредиторы будут более благосклонны: отказов, скорее всего, не будет;
  • 670–739 – хороший кредитный рейтинг: заёмщик может рассчитывать на стандартную процентную ставку;
  • 740–799 – очень хорошая оценка кредитоспособности: скорее всего, будут предоставлены бонусы и благоприятные условия;
  • 800–855 – превосходный кредитный рейтинг: можно ногой открывать двери офиса, пить кофе вместе с директором банка и получить именной значок «клиент года».
Люди за бортом

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.

Неочевидные зависимости

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.

Хочешь кредит – показывай, что пишешь в Фейсбуке

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.

Мировой финтех и микрозаймы

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.

Российские системы скоринга на искусственном интеллекте

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.

Плюсы и минусы скоринга с применением машинного обучения

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

18.06.2019 | 745
Подписаться

Понравилась публикация?

Подпишитесь на еженедельную рассылку от Zaim.com и будьте в курсе последних событий


 
Комментарии

| ответить