Кредитный скоринг-2016
Все больше кредитных организаций приходят к выводу, что для качественной оценки заемщика одних баллов кредитного бюро недостаточно. Какие новые технологии, модели и данные могут повысить точность скоринга – обсудили участники 4-й практической конференции «Кредитный скоринг-2016».
Конференция, собравшая более 150 профессионалов в области скоринга, прошла 13 июля в «Японском доме». Среди спикеров выступили представители регулятора, крупнейших банков и МФО.
Одной самых обсуждаемых тем конференции стало применение в скоринге технологии Machine learning. Ведущий панельной дискуссии «Скоринг будущего», бизнес-партнер по технологиям Банка «Открытие» Вячеслав Благирев, заметил, что концепция Machine learning очень похожа на существующую уже более десятка лет технологию Data mining. На это основатель компании oneFactor и директор по сегментному маркетингу и клиентской аналитике компании Мегафон Роман Постников ответил, что отчасти это действительно так, но Machine learning сейчас отличается от технологий, существовавший в 2005 году тем, что по ряду направлений приблизилось к эмулированию того, как работает мозг человека.
Начальник управления анализа рисков Промсвязьбанка Денис Голубин выразил мнение, что применять Machine learning в скоринге – это «стрелять из пушки по воробьям». Он считает, что данная технология в банке применима, но для более сложных задач – например, она может быть полезна в работе с большими массивами данных, а также в задачах, связанных с поведенческой оценкой клиентов для предотвращении фрода.
Он пока не верит, что есть инструменты, которые могли бы заменить опытного аналитика.
Однако один из представителей аудитории, сотрудник банка, не согласился с тем, что логистическая регрессия – это «наше всё».
По его словам, именно из-за такого отношения банков к технологиями руководители интернет-компаний, таких как «Яндекс» и «Рамблер», говорят, что Data science в банке мертв, и не хотят брать людей из банков на работу.
Но не все банки скептично относятся к Machine learning. Директор департамента моделирования рисков Сбербанка Максим Еременко рассказал, что применение алгоритмов машинного обучения, в частности, позволило банку повысить качество модели за счет более точного отбора факторов и повысить Gini в оценке малого бизнеса с 71% до 75%. «Отрицать прогресс глупо. Если данные появляются – их надо анализировать. Тут вопрос в том, насколько мы готовы инвестировать в инновации, потому что инновация – она на то инновация, что из 100 инициатив взлетит одна, но она может быть решающей».
Стоимость внедрения Machine learning в Сбербанке Максим Еременко оценить затруднился, а Григорий Шабашкевич выразил мнение, что это может и не стоить ничего – достаточно мозгов и возможностей проводить эксперименты.
В то же время, не только инновации могут стать драйвером изменения скоринговых моделей.
Начальник отдела методологии моделирования рисков департамента банковского регулирования Банка России Юрий Полянский рассказал об особенностях регуляторной валидации рейтинговых систем банков при внедрении IRB(ПВР)-подхода при внедрении Базель II. Он отметил, что решение о переходе на ПВР (подход к расчету кредитного риска на основе внутренних рейтингов банков) банк принимает самостоятельно, и для этого сам разрабатывает необходимые методические и процессные документы, ориентируясь на общие требования регулятора. В ходе официальной валидации ЦБ проверяет, соответствуют ли положения разработанных банком документов регуляторным требованиям, а также исполняет ли их банк на практике и сможет ли исполнять в будущем. Однако эта логика касается только применяемых для расчета достаточности капитала скоринговых моделей.
Другой представитель государственных органов – руководитель направления Министерства связи и массовых коммуникаций Эдуард Моссаковский – рассказал, как инициативы государства могут облегчить кредитным организациям идентификацию клиента. Он отметил, что все «самое интересное» кроется для клиента на 3-м уровне доступа к услугам, ради которого нужно подтверждать личность. При этом для получивших такой уровень идентификации электронное правительство выступает, как «своего рода маркетплейс», предоставляю доступ ко множеству услуг. И одной из таких услуг может стать идентификация клиентов для банков, которая может проводиться как путем встраивания формы авторизации в ЕСИА в банковские фронтальные системы, так и напрямую – запросом через СМЭВ. В этом, правда, пока достаточно много проблем, поэтому Эдуард Моссаковский призвал банки и МФО выходить на регулятора, говорить ему, как им важны скорость и качество получения информации.
Чтобы дать банкам и МФО инструмент для понимания, какие организации могут им помочь в применении новых технологий и данных, FutureBanking представил на конференции Карту данных и технологий скоринга, которая будет развиваться и пополняться.
Партнерами конференции выступили компании «Неофлекс», «Аксиоматика», Double Data и «Юником24».