<< Предыдущая

стр. 39
(из 71 стр.)

ОГЛАВЛЕНИЕ

Следующая >>

либо легализация (отмывание) имущества, приобретенного лицом в результате совершения им
преступления (ст. 174.1 УК РФ), когда преступники сами сбывают на рынках, через ломбард или иным
способом похищенные вещи, либо продажа похищенного скупщикам краденого, которые, в свою
очередь, несут уголовную ответственность по ст. 175 УК РФ.
При расследовании уголовных дел по фактам мошенничества с кредитными и расчетными
картами правоохранительным органам и службам безопасности банков надо иметь в виду, что в
большинстве случаев, когда преступники в результате хищения получают не деньги, а другие ценности,
за мошенничеством обязательно следуют другие преступные действия, нацеленные на легализацию
похищенного, его трансформацию в денежную форму и распределение выручки между соучастниками
преступления.
Использование банками средств Интернета для борьбы с киберпреступностью

Зарубежные коммерческие банки активно используют средства глобальной сети Интернет для
борьбы с мошенничеством и другими преступлениями, совершаемыми в отношении самих банков и их
клиентов. Для этого на веб-сайтах банков во взаимодействии с правоохранительными органами
создаются специальные разделы, так называемые WANTED POSTERS, т.е. объявления о розыске. Это
своеобразный электронный аналог стендов "Их разыскивает милиция", устанавливаемых при входе в
помещения отделов внутренних дел в нашей стране.
На примере постера американского банка Wells Fargo (рис. 4) можно видеть, что публикуются не
только фотографии предполагаемых преступников, но и их имена, суммы вознаграждения от банка за
поимку преступника или предоставление информации о нем, контактные телефоны, а также краткое
описание фактически совершенных разыскиваемыми лицами преступлений. Подобные электронные
стенды полезны не только для клиентов банка, но и для его сотрудников, особенно это касается
многофиалиальных банков, когда объектами преступных посягательств становятся клиенты разных
отделений и филиалов.
"Рис. 4. Объявление о розыске"
В приведенном постере дается объявление о розыске двух мошенников, которые выдавали себя
за в действительности существующих клиентов банка Wells Fargo из Калифорнии и Аризоны,
представляя в банк подложные документы - водительские удостоверения и карты социальной страховки,
в результате чего им удалось совершить крупное хищение с клиентских счетов. Только за информацию,
которая поможет в их розыске или аресте, банк готов заплатить до $2,5 тыс. Реальные суммы
вознаграждения в зависимости от экономической и социальной опасности преступников колеблются в
диапазоне от $1 тыс. до $2,5 млн. В США эти меры доказали свою высокую эффективность, ежегодно за
счет сообщений по таким объявлениям ФБР удается раскрывать до 5-7% преступлений с задержанием
преступников.
Существует, правда, и другой, на первый взгляд негативный, аспект таких объявлений - банк
фактически признает, что его система безопасности небезупречна. Однако в современных условиях для
большинства клиентов это и так является очевидным, поэтому мы полагаем, что они отнеслись бы с
пониманием и поддержкой к подобным инициативам отечественных банков.

Скоринг

С точки зрения управления рисками работы банка с картами скоринг предназначен в первую
очередь для управления рисками кредитования (кредитный скоринг) и выявления/предотвращения
мошенничества. Что касается самого термина "скоринг", то он означает математический подход, с
помощью которого на основании набора известных (или измеряемых) характеристик объекта
прогнозируется определенная искомая характеристика, которую на момент оценки прямо измерить
невозможно, при этом намеренно избегается поиск каких-либо причинно-следственных связей.
Прежде чем перейти к собственно кредитному скорингу, стоит вкратце обратиться к истории
развития скоринга как подхода к решению практических задач классификации и сегментации.

История скоринга

Исторически скоринг как подход был впервые использован в биологических исследованиях во
второй половине 30-х гг. XX в. для сортировки объектов, которые было невозможно рассортировать на
основании какого-либо одного признака, а другим способом или сильно затруднено, или даже
невозможно. Так сортировались черепа (по принадлежности одному или другому племени) и луковицы
ирисов (по принадлежности тому или иному сорту). Первоначально использовался линейный
статистический подход - линейная регрессия. Идея была достаточно проста: измерялись доступные
параметры или характеристики уже отсортированных объектов, затем на основании статистических
регрессий выделялись отдельные наиболее значимые параметры - т.е. те, которые с наибольшим
эффектом разделяли изучаемые объекты. Следующим шагом было построение статистической
рейтинговой таблицы (или матрицы) (scorecard), в которой каждому значимому параметру придается
определенный "вес" или "счет" (score) в зависимости от его величины, а затем определяется сумма этих
"счетов" или "баллов" для конкретного объекта. Знаки и значения при составлении рейтинговой таблицы
выбираются так, чтобы большим положительным значениям соответствовало желаемое
"положительное" качество (например, принадлежность "племени А"), а меньшим - "отрицательное"
(например, принадлежность "племени Б"). Оказалось, что, несмотря на то что ни один отдельно взятый
параметр или характеристика не позволяют провести сколько-нибудь надежное разделение, в
совокупности объекты же с суммарным счетом более величины "а" с достаточной вероятностью
(например, 95%) относились к "племени А", объекты с суммарным счетом менее значения "б" с
достаточной вероятностью относились к "племени Б", и определенное количество объектов со счетом
между "б" и "а" было невозможно рассортировать с достаточной надежностью.
Естественно, требовалось соблюсти все необходимые условия для построения таких
рейтинговых таблиц: правильный выбор исходных групп для обучения, проверка построенной
рейтинговой таблицы на тестовой группе (где принадлежность уже известна) и только потом -
использование ее для сортировки объектов с неизвестной принадлежностью.
Скоринг весьма широко используется в естественно-научных исследованиях (в том числе в
социологии и антропологии), а также в бизнесе - прежде всего в маркетинге и особенно в прямых
продажах (таких, как торговля по каталогам с целью определения, кому именно следует рассылать
каталоги для обеспечения наиболее эффективного результата продаж*(127)).
В последнее десятилетие скоринг интенсивно используется операторами мобильной связи как
для решения маркетинговых задач, так и для определения риска "ухода" или "переключения" клиента,
его доходности и т.д.

Кредитный скоринг

Кредитный скоринг - это использование скоринговых решений в процессе кредитования, причем
как физических лиц, так и юридических (особенно предприятий малого и среднего бизнеса).
Первостепенная задача, которую решают при кредитовании с помощью скоринга - это
управление рисками.
Приоритет формулировки концепции кредитного скоринга обычно отдается Дэвиду Дюрану,
который в своем исследовании, опубликованном в 1941 г. в National Bureau of Economic Research,
использовал 7200 "хороших" и "плохих" кредитных историй займов с регулярным погашением,
предоставленных 37 фирмами. Он применил критерий хи-квадрат (chi-square) для выявления
характеристик, которые заметно различали "плохих" от "хороших", и разработал индекс эффективности,
предназначенный для демонстрации того, насколько эффективна данная характеристика для
дифференциации степени риска ("хороший"/"плохой") среди заявителей на кредиты. Затем он
воспользовался дискриминационной функцией для разработки моделей кредитного скоринга.
Статистическая методология, предложенная Дюраном, далеко не сразу завоевала США. Одним
из ограничений было то, что для понимания метода требовалась квалификация профессионального
математика.
Spiegel - большой американский ритейлер - весьма рано начал использовать кредитный скоринг.
Другой такой фирмой стала Household Finance Corp. Уже в 1946 г. ее президент Е.Ф. Вандерлик
разработал Credit Guide Score для оценки новых заявителей, однако внедрение шло с трудом
(впоследствии менеджеры его филиалов признавались, что они сначала выдавали кредиты, а потом
подгоняли баллы, чтобы оправдать принятое решение).
Вполне понятно сопротивление внедрению скоринговых моделей со стороны кредитных
инспекторов, не желавших быть замененными компьютерами. В конце концов экономическое давление
вместе с развитием компьютерной техники в конце 60-х - начале 70-х гг. привело к дальнейшему
совершенствованию эмпирических скоринговых моделей и постепенному их внедрению.

Использование кредитного скоринга для кредитных карт

С появлением в конце 60-х гг. кредитных карт и банки, и другие эмитенты поняли полезность
кредитного скоринга. Большое количество клиентов, подающих заявки на кредитные карты каждый день,
сделало невозможным - ни экономически, ни с точки зрения трудозатрат - никакое другое решение,
кроме как автоматизация принятия решения о кредитовании. При использовании кредитного скоринга
эти организации быстро обнаружили, что эта методика является существенно более надежным
прогнозом, нежели экспертные оценки (процент дефолтов снизился на 50% и более).

Виды кредитного скоринга

Как правило, выделяют минимум три области применения кредитного скоринга:
скоринг заявлений (application scoring);
поведенческий скоринг (behaviour scoring);
скоринг по взысканию (collection scoring).
Скоринг заявлений - это определение кредитоспособности (уровня риска дефолта) заявителя
при принятии решения о предоставлении кредита на основании данных, доступных в момент подачи
заявления, - информации собственно из заявления, собственных данных кредитной организации,
данных из кредитного бюро, а также других доступных баз данных (например, по утерянным паспортам).
При этом принимается не только решение о предоставлении кредита, но и о размере и условиях
кредитования.
После того как кредит выдан, необходимо отслеживать его использование и возврат. И если в
случае кредитов с фиксированными условиями (например, разовый целевой потребительский кредит на
шесть месяцев) все условия известны заранее и основным для кредитора является полное возвращение
кредита с процентами в срок, т.е. ключевым является определение кредитоспособности клиента на
момент выдачи кредита, то для кредитной линии - в том числе револьверной кредитной карты - ситуация
отличается коренным образом. Неизвестно, как клиент будет пользоваться кредитом - сразу выберет
весь кредитный лимит или только его часть, как будет возвращать - сразу все или только минимальный
установленный платеж, и не изменится ли его кредитоспособность через шесть месяцев или через год.
И это - область поведенческого скоринга, где под этим названием на самом деле скрывается целый
набор решаемых задач.
В первую очередь это оценка риска просрочки платежа и/или невозврата и определение тех
действий, которые необходимо предпринять, - в этом поведенческий скоринг переходит в скоринг по
взысканию (collection scoring).
Следующей задачей, решаемой в рамках поведенческого скоринга, является определение
доходности/убыточности клиента для кредитной организации. Для этого отслеживается история его
транзакций на протяжении определенного отрезка времени (например, шести месяцев) и согласно
установленным критериям определяется его "ценность", а потом на основании уже известных
клиентских историй и профилей клиентов прогнозируется будущая "доходность" клиентов, находящихся
в кредитном портфеле в данный момент.
В этом же классе определение таких важных параметров клиентов, как вероятность их ухода
(attrition), склонность их к использованию данного или других продуктов (propensity), а также к
увеличению объемов использования (up-sale) или приобретения других продуктов (cross-sell).
Следует сделать два крайне важных замечания: (1) данные по транзакциям используются для
выявления и предотвращения мошенничества (см. раздел настоящей главы "Скоринг и
мошенничество") (и это тоже относят к поведенческому скорингу); (2) для поведенческого скоринга все в
большей степени используются данные не только по конкретному счету (продукту), а весь комплекс
данных по клиенту, т.е. как именно он пользуется всем набором используемых продуктов.
Недаром опытные банкиры говорят, что по ипотеке перестают платить в последнюю очередь.
Имея данные по другим продуктам, проблемного клиента можно "увидеть" раньше и попытаться
своевременно найти решение.
Прагматический подход, т.е. отказ от поиска причинно-следственных связей между параметрами
и использование выявленных зависимостей между параметрами для прогнозирования поведения
клиента (вероятности дефолта по кредиту), вызывает у многих довольно сильное отторжение и приводит
к определенным законодательным ограничениям в этой области в некоторых странах.
В США законодатели озаботились тем, что скоринг, возможно, ведет к дискриминации, поскольку
учитывает пол, возраст, цвет кожи, религию и т.д. В результате в 1974 г. был принят "Акт о равных
возможностях" (The Equal Credit Opportunity Act - ECOA), исключивший использование пола и семейного
статуса, а в марте 1976 г. - поправки к нему, которые исключили еще несколько категорий, в том числе
расу, цвет кожи, религию, страну происхождения, возраст, получение общественных пособий. Это
наложило серьезные ограничения на возможность использования значащих характеристик и затруднило
построение статистически и методологически надежных систем.

Основы разработки рейтинговой таблицы, ее проверки и настройки

Изначально при определении риска кредитования и принятии решения о том, выдавать ли
кредит (а если выдавать, то на каких условиях), использовался исключительно оценочный или
экспертный подход. Как правило, решение принималось на основании 3-х, 4-х или 5-ти "Си" ("С"):
1) характер клиента (The Character of the person) - известен ли характер клиента и
характеристика его семьи;
2) капитал (The Capital) - какая сумма запрашивается;
3) обеспечение (The Collateral) - что из своей собственности готов предоставить клиент в залог;
4) платежеспособность (The Capacity) - насколько клиент способен выплачивать кредит, сколько
у него свободных денег;
5) условия (The Condition) - каковы условия на рынке.
В настоящее время кредитный скоринг основывается на методах статистических исследований
или исследований операций (operational research). Статистические подходы включают в себя
дискриминационный анализ, в основе которого лежат линейная регрессия и более эффективная
логарифмическая регрессия и классификационные деревья (classification trees), иногда называемые
алгоритмами рекурсивного разделения. Методы исследования операций включают в себя определенные
варианты линейного программирования. Большинство разработчиков скоринговых моделей применяют
один или несколько вышеуказанных методов, часто в комбинации. Кроме того, в разработке скоринговых
моделей используется ряд методов непараметрической статистики и подходы моделирования с
помощью "искусственного интеллекта". Так, в последние десятилетия испытывались подходы нейронных
сетей, экспертных систем, генетических алгоритмов и методы "ближайших соседей". Весьма интересно,
что к одной и той же классификационной проблеме применяются столь разнообразные методы. Отчасти
это обусловлено исключительно прагматическим подходом к проблеме снижения риска при выдаче
кредитов: если работает - надо использовать! Цель - спрогнозировать, кто не справится с возвратом, а
не дать объяснение, почему не справится, или подтвердить ту или иную гипотезу о связи между
невыплатой и определенными экономическими или социальными параметрами (что отчасти и
спровоцировало бурные обсуждения и принятие акта ЕСОА).

Построение скоринговых моделей

Для построения скоринговых моделей (причем независимо от выбранного математического
подхода) берется репрезентативная выборка из предыдущих заявителей (от нескольких тысяч до сотен
тысяч - что не проблема для отрасли, обслуживающей десятки миллионов клиентов). Для каждого
заявителя из выборки извлекается полная информация из анкеты-заявления и информация из его
кредитной истории за фиксированный период времени (обычно 12, 18 или 24 мес.). Затем принимается
экспертное решение, какую историю считать приемлемой, т.е. является ли клиент "хорошим" или
"плохим". Чаще всего "плохим" считается клиент, не выплативший по кредиту 3 месяца подряд. Всегда
оказывается некоторое число клиентов, которых нельзя отнести ни к "хорошим", ни к "плохим", поскольку
они либо недостаточно давно получили кредит (прошло слишком мало времени), либо их кредитная
история "неясна" (например, были задержки по 3 месяца, но не подряд). Как правило, такие
"промежуточные" клиенты исключаются из выборки.
Эмпирические требования к базе данных, используемых для построения скоринговой модели:
размер выборки - не менее 1500 всего, не менее 500 плохих;
четкое определение критерия "плохой"/"хороший". Далеко не всегда ясно, на каком этапе
кредитной истории, по какому признаку и на каком уровне разделять "плохих" и "хороших";
четкое определение временного отрезка - периода жизни продукта (зависит от самого продукта и
может меняться от месяца - мобильный телефон до десятилетий - ипотека);
стабильность состава клиентской группы - демография, миграции, сохранение привычек
потребления;
неявное, но обязательное требование: стабильность экономических, политических, социальных и
прочих условий.
При построении кредитных моделей существенным является выбор временного горизонта -
отрезка времени между подачей заявления (выдачей кредита) и классификацией "плохой"/"хороший".
Анализ показывает, что процент дефолта как функция длительности нахождения клиента с
организацией поначалу растет и только через 12 месяцев (кредитные карты) и даже более (разовые
займы) начинает стабилизироваться. Таким образом, меньший временной горизонт приводит к
недооценке и не учитывает полностью всех характеристик, предсказывающих дефолт. С другой стороны,
временной горизонт более двух лет оставляет модель подверженной к сдвигам в составе клиентской
группы в течение этого времени, т.к. как состав клиентов в выборке в начале временного горизонта
может оказаться существенно отличным от состава клиентов, приходящих в настоящее время.
Фактически используются два единовременных среза (в начале и в конце временного горизонта) для
создания модели, которая стабильна по времени (за пределами начального временного отрезка). Это и
диктует выбор длины временного отрезка - временного горизонта при моделировании.
Другим чрезвычайно важным и дискутируемым вопросом остается соотношение "хороших" и
"плохих" в выборке. Должно ли оно отражать реальное соотношение их в составе населения или их
должно быть равное число (такое соотношение резко облегчает построение модели с математической
точки зрения)?
Далее построение скоринговой модели превращается в классификационную проблему, где
входными характеристиками (или параметрами) являются ответы на вопросы анкеты-заявления и
параметры (или данные), получаемые в результате проверок из различных организаций (например,
полиции, судов, местных советов, кредитных бюро и т.д.), а выходными характеристиками (ответом) -
искомым результатом - является разделение клиентов на "хороших" и плохих" согласно имеющимся
кредитным историям, сопоставленным по этим входным характеристикам.
Собственно рейтинговая таблица (scorecard) - это система придания численных баллов (счета)
характеристикам (или параметрам) заемщика для получения искомого числового значения, которое
отражает, с какой вероятностью у заемщика по отношению к другим заемщикам произойдет некое
событие или он совершит определенное действие (аспект "по отношению" в определении очень важен).
Кредитная рейтинговая таблица, например, не показывает, какой уровень риска следует ожидать
(скажем, какой процент кредитов данного типа, вероятно, не будет возвращен); вместо этого она
показывает, как данный заем, скорее всего, будет вести себя по отношению к другим займам. Например,
ожидается ли, что процент невозвратов или дефолтов для кредитов с данным набором атрибутов будет
больше или меньше, чем у кредитов с другим набором.
Большинство рейтинговых таблиц построены с помощью расчета регрессионной модели -
статистической модели, которая проверяет, как отдельный параметр (характеристика) влияет на другой
параметр или (чаще всего) на целый набор других параметров.
Регрессионная модель дает в результате своего применения набор коэффициентов (factors),
называемых регрессионными, которые можно интерпретировать как корреляцию между искомыми
параметрами (которые необходимо определить) и объясняющими параметрами, сохраняя неизменными
все остальные воздействия на искомые параметры. Эти коэффициенты превращаются в веса баллов
(point weights) в рейтинговой таблице.

Самый часто используемый метод построения рейтинговых таблиц

Чаще всего для построения рейтинговых таблиц используется статистический метод

<< Предыдущая

стр. 39
(из 71 стр.)

ОГЛАВЛЕНИЕ

Следующая >>