КУХНЯ КРЕДИТНЫХ РЕШЕНИЙ
(получилось немного сложновато и длинновато, но так как я обещал ей поделиться, публикую. Не судите строго. Тема очень непростая)
Управление кредитным портфелем состоит из двух больших блоков:
- Блок 1 - правильно оценить клиента в момент регистрации с точки зрения рисковости, доходности для банка и платежеспособности. На этом этапе Банк знает минимум информации о клиенте, поэтому этот этап очень важен.
- Блок 2 - управление кредитным лимитом, по мере пользования клиентом картой и накопления поведенческой истории. На этом этапе Банк уже знает поведенческие характеристики использования карты, что наиболее точно характеризует клиента и дает возможность намного точнее управлять рисками и доходностью.
БЛОК 1.
Оценка рисков в момент регистрации клиента
В момент первого обращения клиента большинство Банков обычно анализируют заявочную анкету, которую клиент заполняет самостоятельно и кредитную историю.
У нас же заявочная анкета становится все менее значимой и ее перекрывает множество других показателей, которые мы запрашиваем во время заполнения клиентом анкеты, таких как: информация из открытых источников (например, реестры нотариусов/адвокатов/судей, реестры доходов по госслужащим, реестры алиментщиков, судимостей, недействительных паспортов, транспортные средства, парсинги объявлений и тд), данные из ЕГР о частных предпринимателях, данные из двух кредитных бюро УБКИ (Украинское Бюро Кредитных Историй) и ПВБКИ (Первое Всеукраинское Бюро Кредитных Историй), скоринги мобильных операторов Киевстара и Водафона, скоринг транзакционных данных Айбокс Компании.
Если ранее пол и возраст были самыми предикативными параметрами, то теперь пол совсем не попадает в итоговые рисковые модели, а возраст опустился на последние места по значимости.
Наши модели анализируют, как быстро клиент заполняет анкету, какой у него телефон или IP и т.д., всего оценивается свыше 2 000 параметров.
Мы построили 17 различных скоринговых моделей, оценивающих клиентов со всех возможных сторон - риск дефолта, платежеспособность, вероятность фрода, доходность.
В моделях используются разнообразные алгоритмы - начиная от логистической регрессии и заканчивая градиентным бустингом, графовой аналитикой и нейронными сетями. Например, для оценки платежеспособности используются квантильная регрессия, которая позволяет регулировать смещение прогноза в большую либо меньшую сторону. Для анализа фото клиента используются нейронные сети. Для заявочных рисковых моделей используется градиентный бустинг (machine learning, ML), который основан на деревьях решений. Деревья решений - это по сути, сегментация, поэтому выделение сегментов и подсегментов происходит автоматически при построении моделей. C помощью алгоритма “случайный лес” используются модели для определения достаточно ли нам данных о клиенте, либо мы хотим запросить дополнительную информацию о нем во внешних платных источниках (с целью минимизации расходов) либо в виде дополнительных вопросов в заявочной анкете. Для достижения лучших результатов в построении моделей мы используем байесовские методы по оптимизации и подбору гиперпараметров.
Анализ 2000 показателей о клиенте на старте может показаться нереальным, но только в одном кредитном отчете УБКИ (Украинское Бюро Кредитных Историй) содержится более 400 различных показателей, которые преобразовываются в предикторы.
БЛОК 2.
Управление кредитным лимитом
После выдачи карты с кредитным лимитом включаются уже поведенческие скоринговые модели:
- молодой скоринг, который в течение первых 60-ти дней в он-лайне анализирует все транзакции клиента/частоту и характер использования
- поведенческая скоринговая модель, который классифицирует клиента согласно его платежной истории по карте за более длительный период (рассчитывается раз в месяц)
- модель доходности клиента
- модель платежеспособности
Данные модели говорят, кому и на сколько можно поднять лимит, либо наоборот, нужно понизить.
На старте, как правило, мы даем небольшой кредитный лимит и управляем им в зависимости от поведения клиента.
За счет Блока 1 мы получаем в среднем 46% прироста кредитного портфеля, а за счет Блока 2 - 54%. По мере роста количества клиентов вклад Блока 2 растет и на вызревшем портфеле может достигать 70-80%.
історія «покращень» || P2P-перекази й комісійна винагорада || «кухня» кредитних рішень
