Журнал «Компьютерра» № 4 за 31 января 2006 года

Этот процесс может работать по трем основным сценариям. Первый вариант используется, если в торговом центре («провайдере» услуг потребительского кредитования) есть выделенный канал для стабильной связи с главной БД RS-Loans. В этом случае данные анкеты автоматически загружаются в систему, быстро возвращается информация по платежеспособности клиента, максимальному размеру кредита и сопутствующая отчетность. Допускается введение в схему процедур проверки достоверности указанных заемщиком сведений. На основе полученного отчета сотрудник отказывает в кредите либо заключает договор на определенную сумму. Затем он заносит в систему информацию о своих действиях, подтверждаемых соответствующими документами. Вариант с единой БД и выделенным каналом наиболее удобен, так как в этом случае имеется возможность консолидировать и обрабатывать данные о заемщиках в одном месте или централизованно изменять методики скоринга. Допускается в этом варианте и использование Интернета для заполнения заявки непосредственно в HTML. Недостаток у такой схемы только один – доступ к базе по выделенному каналу не всегда возможен.

Если в торговом центре есть средства связи, но нет выделенного канала, передача данных идет по модему (GPRS– или обычному – неважно). Поскольку терминалы сотрудников, работающих с RS-Loans, могут действовать и через удаленное соединение, схема работы в этом случае практически аналогична предыдущей. По-прежнему будет использоваться единая база данных. Но есть другой вариант. Сотрудник банка может переслать анкетные данные напрямую или через Интернет в режиме безопасного соединения на сервер с БД RS-Loans. Серверный обработчик событий автоматически загрузит базу и сформирует необходимые отчеты и документы для обратной пересылки в торговый центр. Дополнительные сложности появляются в том случае, если прямая связь между местом продажи и главной БД RS-Loans отсутствует. Тогда приходится вести локальную БД клиентов, синхронизировать ее с центральной базой, обновлять и согласовывать «черный список» клиентов.

Первая модель

В модели Дюрана фигурируют группы факторов для определения степени кредитного риска и указаны коэффициенты для различных факторов, характеризующих кредитоспособность клиента:

1) Пол: женский (0,4 балла), мужской (0).

2) Возраст: 20 лет и меньше (0), 21 год (0,1), 22 года (0,2), 23 года и выше (0,3).

3) Срок проживания на одном месте: по 0,042 балла за каждый год, но не больше чем 0,42 в сумме.

4) Профессия: 0,55 – за профессию с низким риском, 0 – за профессию с высоким риском, 0,16 – другие профессии.

5) Финансовые показатели: наличие банковского счета (0,45), наличие недвижимости (0,35), наличие страхового полиса (0,19).

6) Работа: предприятия в общественной отрасли (0,21), другие (0).

7) Занятость: по 0,059 балла за каждый год стажа на последнем месте работы.

Сам Дюран определял сумму в 1,25 балла как порог кредитоспособности.

Примеры систем

Практически все системы розничного кредитования поддерживают интеграцию с отдельными скоринговыми приложениями. Наиболее известны на российском рынке продукты компаний BaseGroup Labs и EGAR. BaseGroup Labs предлагает заказчикам систему

Deductor:Loans, последняя версия которой, кстати, была презентована в нынешнем январе. ПО построено на базе аналитической платформы Deductor, включающей инструменты для решения задач многомерного анализа (OLAP), бизнес-аналитики (business intelligence), «раскопок данных» (data mining) и др.

В состав Deductor:Loans входит модуль LoansBase.Generator, позволяющий генерировать «образцы» кредитных историй. Этот программный инструмент формирует набор примеров с разными анкетными портретами заемщиков по статистическим алгоритмам с учетом заданных распределений случайных величин. В качестве распределений можно использовать статистические данные по региону или экспертные оценки типов заемщиков. Искусственная кредитная история, по мнению разработчиков, является оптимальным вариантом обучающей выборки в тех случаях, когда реальной кредитной истории не существует или ее объем недостаточен. А такие проблемы особенно часто проявляются при потребительском кредитовании, где постоянно появляются новые виды кредитных продуктов. Причем «новички» отличаются от прежних видов кредитных программ суммой кредита или требованиями поручительства. В такой ситуации появляются и исчезают некоторые входные данные, что делает уже построенную скоринговую модель неприемлемой.

LoansBase.Generator формирует таблицу, содержащую входные факторы из анкеты заемщика, которые влияют на принятие решения о выдаче денег. Гипотезы о влиянии отдельных факторов выдвигаются, как правило, экспертами банка. Субъективность последних и является главным недостатком подхода с искусственной кредитной историей.