5 июля аналитики и представители финансовых организаций от сервисов микрозаймов до крупнейших банков встретились в деловом пространстве Deworkacy в Москве. Темой форума стали новые технологии на базе Big Data: нетривиальные скоринговые методы, которые учитывают не только платежеспособность клиента, но и его психотип. Мы узнали, кому по новым правилам будут давать кредит, а кому откажут, и спросили, что об этом думают наши специалисты по большим данным.   
 
Финансовый рынок отличается быстрой трансформацией, что не всегда можно сказать о банковских скоринговых методах. Алексей Чаленко, генеральный директор аналитического сервиса 7seconds, грубо, но образно охарактеризовал идеального заемщика банков: это «старая больная замужняя врач из Таджикистана». На этом эталоне построены и традиционные машинные алгоритмы, которые решают: выдавать клиенту кредит или нет. Банки ничего не знают о том, как работать со студентами, представителями поколений X и Y, приезжими и пенсионерами, – высказалась на форуме Елена Конева, директор по скорингу FICO. Зачастую всем этим людям отказывают в займах, а ведь они могут быть надежными и исполнительными клиентами.
 
Эта проблема выявляет несовершенство старых скоринговых методов, которые должны оценивать три параметра: вероятность мошенничества, возможность платить и желание платить. Сегодня большинство банков сосредоточено на второй характеристике: они хотят знать стаж клиента, его зарплату и прописку. Но мир стремительно меняется, и уже никого не удивишь более свободным отношением к работе и месту проживания. Главной характеристикой оценки потенциального клиента становится именно желание платить: его уровень ответственности и образ жизни. Помогут в изучении этого параметра новые источники данных: от платежных систем до социальных сетей и мобильных операторов. 
 
Вторая глобальная проблема – при развитии гибкости скоринговых систем не пропустить мошенников. Поставить в начало цепочки оценки клиента fraud-скоринг предложил кредитный сервис MoneyMan. В 2017 году дата-сайентисты ID Finance запустили для них новую модель выявления мошенничества, что помогло снизить стоимость выданного займа на 25%. Ирина Хорошко, директор по рискам MoneyMan поделилась, что система использует 15 новых источников данных и принципиально по-новому подходит к оценке заявок. Например, трекает скорость заполнения графы «ФИО» - обычному человеку на это требуется около 10 секунд. Если пользователь тратит на действие значительно больше – вероятно, это мошенник, и заявка пройдет дополнительные проверки. 
 
Подняли и вопрос о том, каких данных для точной оценки заемщика не хватает. Мария Вейхман, генеральный директор Scorista заметила, что в Китае финансовый сектор успешно использует для скоринга информацию о транзакциях по банковским картам и о пользовании услугами телекоммуникационных операторов. В России это направление тоже активно развивается: его поддерживают и крупные операторы, и вендоры. Последние помогают создавать, настраивать и тестировать аналитические платформы, не отходя от «кассы» - то есть источника данных. Скоринговые модели на базе своих данных телеком-операторы могут использовать как в сотрудничестве с банками, так и для себя. Вы задумывались о том, что абоненты часто выступают заемщиками? Возможность уходить в минусовой баланс, подключать «доверительный платеж» - это кредиты, которые пользователи берут у операторов. Тренды здесь те же: новые подходы к оценке заемщика и защита от мошенничества.
 
Eastwind проверил, это работает!
В рамках проекта для одного из крупнейших телеком операторов СНГ мы реализовали кейс: новая модель скоринга для кредитования абонентов. На основе платформы EW Social Analytics мы сгенерировали 300 параметров данных об абоненте. Помимо сведений о платежах, перечень включал интересы, уровень общительности, геолокацию и многое другое. Модель оценивала кредитные риски в режиме реального времени и определяла, кому из пользователей не стоит предоставлять услугу «Доверительный платеж». После тестирования результаты сравнили с данными оператора по займам, выданным на основе традиционной оценки. По модели Eastwind к получению услуги было допущено меньше клиентов. При этом, нам удалось снизить в три раза процент абонентов, не вернувших долг. Итог: сумма реально полученного дохода оператора выросла на 42%.
 
Таким образом, чтобы работать эффективно, новые методы скоринговой оценки должны быть всесторонними и охватывать больше параметров. Современные аналитические системы позволяют изучать не только платежеспособность, но и личностное поведение заемщика. Развитие этих технологий и повсеместное внедрение в финансовые (и не только) организации позволит более точно оценивать клиентов. А значит станет больше правильных решений: отрицательных – для потенциальных должников и мошенников и положительных – для тех, кто готов и будет платить.