Скоринговые модели – стоимость, согласованность и улучшение процесса принятия решений

В каждом случае, когда вы используете кредитную карту, открываете счет в телефонной компании, получаете медицинскую страховку или осуществляете автострахование, почти наверняка используется скоринговая модель оценки кредитного риска^[1].

Модель использует статистические процессы для преобразования информации о лице, обращающемся за кредитом, или владельце существующего счета в числа, которые впоследствии объединяются (обычно суммируются) для формирования скорингового балла. Затем этот скоринговый балл рассматривается как мера кредитного риска конкретного лица, т.е. вероятности погашения задолженности. Чем выше балльная оценка, тем ниже риск.

Скоринговые модели важны, так как позволяют банкам избегать наиболее рисковых клиентов и помогает оценить то, насколько вероятна прибыль для определенного направления деятельности путем сравнения маржи прибыли, которая остается после того, как операционные издержки и издержки, связанные с дефолтом, вычтены из валовой прибыли.

Скоринговые модели также важны с точки зрения стоимости и согласованности. Крупные банки обычно имеют миллионы клиентов и осуществляют миллиарды операций ежегодно. Используя скоринговые модели кредитоспособности, банки могут максимально автоматизировать процесс рассмотрения заявок для небольших кредитов и кредитных карт. До того как скоринговые модели были повсеместно внедрены, сотруднику отдела кредита было необходимо рассмотреть кредитную заявку и использовать опыт, знания и личные навыки для принятия кредитного решения на основании большого объема информации. Каждая заявка могла содержать от 50 до 150 пунктов. Число возможных комбинаций столь велико, что принять кредитное решение на основе стандартной процедуры в такие же сроки невозможно.

И наоборот, скоринговая карта постоянно взвешивает и рассматривает блоки информации, доступные из заявок и (или) отчетов бюро кредитных историй. В кредитной сфере они называются характеристиками и соответствуют вопросам в кредитной заявке или статьям в отчете бюро кредитных историй. Ответы, которые даются на вопросы заявки или статьи в отчете бюро кредитных историй, называются атрибутами, например "четыре года" – это атрибут характеристики "время". Аналогичным образом, "аренда" – это атрибут характеристики "место проживания".

Сокринговые модели определяют не только то, является ли атрибут положительным или отрицательным, но и его величину. Вес, связанный с каждым ответом (или атрибутом), выводится с помощью статистических методик, которые рассматривают шансы погашения на основании предыдущей истории. ("Шансы" – это просто термин, который используется в розничной банковской сфере в смысле "вероятность".) Шансы совокупности определяются как отношение количества исходов, при которых произойдет хорошее событие, к количеству исходов, при которых произойдет плохое событие, например потенциальный заемщик с шансами 15:1 имеет вероятность, равную 1 к 16, т.е. 6,25 % того, что он будет плохим клиентом (под которым мы понимаем лицо, не выполняющее свои обязательства, кредит которого будет списан как безнадежный).

Статистические методы используются для оценки информации из кредитной заявки, включая линейную и логистическую регрессию, математическое программирование или дерево решений, нейронные сети и генетические алгоритмы (при этом наиболее распространена логистическая регрессия).

На рис. 9-1 показано, как может выглядеть таблица оценки кредитоспособности в случае, если необходимо дифференцировать кредитные заявки.

РИСУНОК 9-1. Пример применения скоринговой оценочной таблицы

Источник: Levis, 1992, р. XV.